Mar, 2023

基于提示式机器阅读理解的临床概念和关系抽取

PDF
TL;DR本文提出了一种基于提示的机器阅读理解（MRC）架构，能够解决临床概念抽取和关系抽取问题，在跨机构应用中表现良好，并使用转换器模型对其进行探索。在 2018 年国家 NLP 临床挑战和 2022 年 NLP 临床挑战的基准数据集上，该方法均取得了优秀的性能，并适用于处理嵌套 / 重叠概念和跨机构应用。
natural language processingmachine reading comprehensionclinical concept extractionrelation extractiontransformer models
发现论文，激发创造
  • 利用多任务学习将关系知识纳入常识阅读理解

    本文提出了一种将外部关联知识与多任务学习相结合的方法，以提高机器阅读理解的效果，并在两个多选基准数据集上进行了实验，结果表明该方法在常识推理方面表现优异。

    Aug, 2019

  • NER-to-MRC: 命名实体识别完全作为机器阅读理解解决方案

    利用机器阅读理解将命名实体识别作为一个解决问题，能够很好的解决大量额外数据收集和预训练的高成本挑战，展示了出色的性能提高并实现了最新的成果。

    May, 2023

  • 知识赋能的中文医学阅读理解表征学习：任务、模型和资源

    本论文介绍了一个多目标的医疗领域机器阅读理解任务，同时提出了一个高质量的医学数据集 CMedMRC，并提出了一种医疗 BERT 模型 CMedBERT，这种模型通过异构特征的动态融合和多任务学习策略将医学知识融入到预训练的语言模型中，实验表明 CMedBERT 通过融合上下文感知和知识感知的令牌表示，始终优于强基线。

    Aug, 2020

  • 关系抽取在临床文档理解中的应用

    该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

    Dec, 2021

  • 基于 MRC 的嵌套式医学 NER：共同预测与自适应预训练

    提出了基于机器阅读理解（MRC）的医学命名实体识别（NER）模型，利用任务自适应预训练策略提高模型在医学领域的能力，并引入多词对嵌入和多粒度膨胀卷积以增强模型的表示能力，同时采用 Biaffine 和 MLP 的组合预测器来提高模型的识别性能。实验评估表明，我们提出的模型在中文嵌套医学 NER 的基准测试 CMeEE 上优于目前的最优模型。

    Mar, 2024

  • 多篇文档阅读理解的深度级联模型

    本研究提出一种深度串级学习模型来平衡在线问答系统的效能和效率之间的基本权衡，在多文档的 MRC 场景中取得更好的效果并能够在不到 50 毫秒内稳定地为数百万日请求提供服务。

    Nov, 2018

  • 基于 Transformer 深度学习架构的上下文化药物信息提取

    研究开发了自然语言处理（NLP）系统，用于从临床叙述中提取上下文药物信息，证明大型转换模型的优势。

    Mar, 2023

  • 面向机器阅读理解的证据句子提取

    本研究提出一种利用深度概率逻辑学习框架提取证据句子的方法，在三个具有挑战性的多项选择机器阅读理解数据集上实现了可比较或更好的性能，为多项选择机器阅读理解提供了新的思路。

    Feb, 2019

  • 基于 Transformer 模型的临床关系提取

    研究比较了 BERT、RoBERTa 和 XLNet 三种 transformer 模型在临床关系抽取方面的性能，发现 RoBERTa-clinical 以 0.8958 的 F1-score 在 2018 MADE1.0 数据集上表现最好，XLNet-clinical 以 0.9610 的 F1-score 在 2018 n2c2 数据集上表现最好。在生物医学领域中，研究者们可以使用我们开发的开源工具包进行进一步的相关 NLP 任务分析。

    Jul, 2021

  • 提高多语言机器阅读理解答案边界检测能力

    本文提出在 fine-tuning 阶段加入两个辅助任务，建立跨语言问题 - 段落对，并结合从 web 挖掘的知识短语进行跨语言 MRC，实验证明该方法有效。

    Apr, 2020