May, 2023

基于字典为基础的同义词概括的生物医学命名实体识别

PDF
TL;DR本研究提出了一种新的同义词泛化（SynGen）框架，使用基于跨度的预测识别输入文本中包含的生物医学概念。 通过引入同义词距离正则化器和噪声扰动正则化器，该框架能够降低同义词泛化误差。本研究在多个基准测试中广泛评估了我们的方法，结果表明，SynGen 表现出比以前的基于字典的模型更优异的性能。
biomedical named entity recognitiondictionary-based approachessynonym generalizationbionlpsupervised/distantly supervised approaches
发现论文，激发创造
  • 你的生物医学命名实体识别模型如何推广到新实体？

    本文系统地分析了生物识别模型的三种识别能力：记忆，同义词泛化和概念泛化，并发现现有模型在识别同义词和新的生物概念方面存在局限性，这表明他们的泛化能力被高估了。作者调查了模型的失败案例，并确定了识别未见过的生物词汇的几个困难。最后，作者采用基于统计的去偏置方法作为简单的补救方法，显示出对未见过的提及的泛化改进。希望本文的分析和发现能够促进对 NER 模型泛化能力的进一步研究。

    Jan, 2021

  • 同义词边缘化的生物医学实体表示

    本文基于实体的同义词提出一种模型，通过模型候选选择和无须对超过 400k 个负样本进行显式预选择， 迭代更新不断提高负样本难度的方法来学习生物医学实体的表征。在四个不同的生物医学实体规范化数据集上，该模型 BioSyn 表现卓越，几乎达到每个数据集的上限。

    May, 2020

  • 基于知识库指导的预训练和同义词感知微调的生成式生物医学实体链接

    本文提出了一种新的方法来解决生物医学实体链接的问题，利用基于知识库的预训练和微调，以及多种类似词的构建方式来进行模型训练，这种方法在多项实验中都取得了最优结果。

    Apr, 2022

  • 知识库中的自动同义词发现

    提出了一个新的框架 DPE，通过结合远程监督和语料库级别统计的分布特征和局部上下文的文本模式来相互补充信号，从而发现特定领域知识库实体的同义词。

    Jun, 2017

  • 基于双编码器的物种标准化 -- 用于排序的成对句子学习

    提出了一种深度学习方法用于实体规范化，通过将其视为一种成对学习来排名问题，并利用最佳匹配信息检索算法和双向编码器表示从编码器 (BERT) 重新对候选列表进行排名，消除了特征工程和规则创建的需求，在物种规范化方面超过了现有方法。

    Oct, 2023

  • 利用多段双向上下文匹配进行实体同义词发现

    该论文提出了一种多环境下的同义词发现框架，使用分布式假设和神经网络模型 SYNONYMNET，从自由文本语料库中检测出实体的同义词，以提高实体消歧或知识图谱规范化等任务的效果和稳健性。

    Dec, 2018

  • 深度多任务学习的交叉类型生物医学命名实体识别

    本文提出了一个多任务学习框架，可以用于对生物医学命名实体进行识别并提高性能。该模型在 15 个基准生物医学命名实体识别数据集上的实验表明，它比现有的命名实体识别系统和基线序列标注模型都要好，此外，性能提升大部分来源于在不同的标注数据之间共享生物医学实体相关的字符和单词级别的信息。

    Jan, 2018

  • 利用词嵌入进行类比任务预测药物 - 基因关系

    利用自然语言处理和 BioConceptVec 嵌入，预测药物和靶基因的关系，通过生物途径的分类改善性能，并通过历史关系的向量预测未知的未来关系。

    Jun, 2024

  • 基于概念空间模型的医学同义词提取

    本文介绍了一种医学同义词提取新方法，旨在结合术语嵌入与医学领域知识用于医疗应用，其优势在于可扩展性，实验结果表明，该方法较基线方法表现更佳。

    Jun, 2015

  • 大规模生物医学命名实体识别

    通过在 Apache Spark 之上重新实现 Bi-LSTM-CNN-Char 深度学习架构，我们提出了一个单可训练的命名实体识别（NER）模型，该模型在七个公共生物医学基准测试中获得了新的最优结果，而不使用像 BERT 这样的重​​型上下文嵌入。该模型在生产级别代码库中作为开源 Spark NLP 库的一部分免费提供，并且可以扩展以支持其他人类语言，而不需要更改代码。

    Nov, 2020