Aug, 2023

利用隐式反馈和有限患者元数据的专科医生推荐的极度多标签分类

PDF
TL;DR研究使用极端多标签分类方法解决医生推荐系统中的医疗转诊问题，并提出了一个统一的模型利用患者病历。相比使用相同特征的最先进推荐系统，该方法在有咨询历史的患者中稳定改善了标准推荐度量指标达约 10%。对于新患者，极端多标签分类方法在利用可用特征方面表现更好，在有利情况下胜过基准系统，特别是强调召回度量指标。因此，该研究方法使医生推荐系统更加有效和个性化，并将极端多标签分类方法作为一种有前途的替代选择，并指出使用该方法时需要考虑的关键方面。
发现论文，激发创造
  • 基于排序的自编码器极端多标签分类

    本文提出了基于深度学习的 XML 方法，采用基于词向量的自注意力和基于排序的自编码器，不仅能处理特征和标签之间的依赖关系，同时也可以考虑标签之间的依赖关系，该方法在标准数据集上表现优异。

    Apr, 2019

  • 深度极端多标签学习

    该论文提出了一种利用非线性嵌入和基于图先验的标签空间建模相结合的实用深度嵌入方法，以解决规模庞大的标签空间问题，并在多个公共数据集上进行了实验。

    Apr, 2017

  • 轻量级深度极端多标签分类

    本文提出一种名为 LightDXML 的方法来解决极端多标签分类的问题，使用标签嵌入代替特征嵌入进行负采样，并通过三个主要阶段迭代训练，从而在保持时间和内存要求的同时，达到与深度学习方法相当的预测准确性。

    Apr, 2023

  • 倾向分数概率标签树

    本研究提出一种基于 A * 搜索算法的推断过程，能够有效地解决了在极端多标签分类模型中标签分布不均、稀疏、缺失等问题，从而优化了分类预测效果。

    Oct, 2021

  • 利用大型语言模型进行极端多标签技能抽取训练

    通过使用大型语言模型，本研究提出了一种成本有效的方法来生成准确、全合成的技能提取的标签数据集，并提出了一种对比学习策略，证明其在任务中的有效性。在三个技能提取基准测试中，我们的结果显示，与仅依赖于远程监督的字面匹配的先前发布结果相比，R-Precision@5 提高了 15 至 25 个百分点。

    Jul, 2023

  • 无后悔泛化的分层 softmax 算法在极端多标签分类中的应用

    本文中，我们探究了处理极端多标记分类问题的概率标记树（PLTs），并通过实现 extremeText（XT）来证明 PLTs 在 precision@k 指标下是一个 HSM 的无遗憾多标签泛化。同时，我们证明了 pick-one-label 启发式算法在一般情况下不是一致的，我们的实现方法比使用 pick-one-label 的 HSM 和专门为 XMLC 问题设计的神经网络 XML-CNN 得到的结果更好。此外，XT 在统计性能、模型大小和预测时间等方面与许多最先进的方法相当，适合部署在在线系统中。

    Oct, 2018

  • 临床推荐系统：利用神经网络集成预测医学专业的诊断选择

    本文提出了一种基于神经网络的数据驱动模型，可根据病人最近的临床记录自动推荐必要的诊断流程，以替代手动创建的临床清单，具有更高的准确性，可帮助卫生系统扩大对患者的及时初步医疗专科诊断工作。

    Jul, 2020

  • ICXML: 零样本极度多标签分类的上下文学习框架

    本文研究极端多标记分类（XMC）任务，提出了一种使用上下文学习方法的 In-Context Extreme Multilabel Learning（ICXML）框架，通过生成候选标签集并对其进行排名，进一步提升了 XMC 领域的研究进展。

    Nov, 2023

  • RECOMMED: 一款全面的药物推荐系统

    设计了一个基于患者和药物特征的全面药物推荐系统，将数据从多个数据库中整合为一个患者和药物信息的数据集，其中使用了人工智能模型、自然语言处理方法和推荐系统算法进行数据建模，通过药物相互作用、患者条件和药物特征生成了基于矩阵分解的模型，构建了基于规则的知识库系统。

    Dec, 2022

  • MatchXML：一种高效的文本标签匹配框架用于极端多标签文本分类

    通过提出 MatchXML 框架，我们在 eXtreme Multi-label text Classification 领域取得了 state-of-the-art 的准确率和速度，其中关键技术包括 label embeddings、Hierarchical Label Tree 和 linear ranker。

    Aug, 2023