Sep, 2023

将字典融入神经网络结构从社交媒体中提取 COVID-19 医疗概念

PDF
TL;DR将字典信息结合神经网络架构用于自然语言处理，从在线医学论坛中提取与 COVID-19 相关的多个概念，并通过监督模型在论坛数据上达到 90% 的宏观 F1 分数，研究表明将小领域字典用于深度学习模型可以改进概念提取任务。
neural network architectureconcept extractioncovid-19dictionarysupervised models
发现论文，激发创造
  • 运用深度学习简化社交媒体信息检索，为公共卫生研究提供服务

    本研究介绍了一种基于 BERT 的命名实体识别（NER）模型，一个深度学习规范化模块以及一个半监督聚类模块构建的框架，用于从社交媒体中提取与 COVID-19 相关的症状词典，并对其进行标准化，以减少在基于社交媒体的公共卫生研究中的关键词匹配信息检索约束。

    Jun, 2023

  • COVIDHealth: 一个基于 Twitter 的数据集和基于机器学习的网络应用程序，用于分类 COVID-19 讨论

    开发了基于机器学习的网络应用程序，用于自动分类社交媒体上的 COVID-19 相关讨论，并提供了用于分类的基准结果。

    Feb, 2024

  • 基于混合深度学习框架自动发现 COVID-19 推特中的话题和情感

    提取了 COVID-19 推文的关键主题和情感，使用深度学习模型实现了更好的主题标签提取和情感分析，以及最高的准确率。

    Dec, 2023

  • 使用 LSTM 递归神经网络方法进行新冠病毒或 COVID-19 在线讨论的深度情绪分类和主题发现：自然语言处理

    本文采用自然语言处理技术，从社交媒体中提取 COVID-19 相关的讨论，并使用主题建模和 LSTM 循环神经网络方法进行情感分类，以深入了解公众意见，指导相关决策。

    Apr, 2020

  • 用户生成文本中医学概念规范化的深度神经模型

    本文使用神经网络解决医学文本中的概念标准化问题，实验结果表明神经网络能够更好地识别实体，并获得更好的语义表示。

    Jul, 2019

  • 透过 Twitter 进行 COVID-19 主题建模的深度学习：Alpha、Delta 和 Omicron

    本研究使用深度学习模型，利用印度 Twitter 数据集，对 COVID-19 疫情的第一至第三波进行话题建模，发现官方治理、疫苗接种和疫情管理等是话题重叠的主题，并发现 COVID-19 疫情的政治、社会和经济情况下出现了新问题。研究结果表明，不同时期的主要话题与相应时间段流行的新闻媒体有强烈的定性相关性。该研究还具有扩展到其他国家和地区捕捉 COVID-19 疫情不同阶段的主要问题的潜力。

    Feb, 2023

  • EdinburghNLP 在 WNUT-2020 任务 2 中的表现：利用通用数据增强和 Transformer 模型鉴别 COVID-19 推文中的信息量

    本文介绍了我们提交的 WNUT-2020 任务 2 的成果：识别信息量大的 COVID-19 英文推文的半监督学习转换器集成模型，它在测试集上取得了 0.9011 的 F1 值（排名第 7），与使用 FastText 嵌入的基准系统相比表现显著提高。

    Sep, 2020

  • COVID-Twitter-BERT：一个用于分析 Twitter 上 COVID-19 内容的自然语言处理模型

    该论文介绍了基于 transformer 的 COVID-Twitter-BERT 模型，通过对大量 Twitter 上有关 COVID-19 的消息进行预训练，该模型在五个不同的分类数据集上相较于 BERT-Large 基础模型提高了 10-30％，特别是在 COVID-19 内容（尤其是来自 Twitter 的社交媒体帖子）的分类中表现更突出，从而实现了优化。该模型可以用于文本分类、问答和聊天机器人等自然语言处理任务。

    May, 2020

  • 应用深度学习技术于全球网络中的医学语料库：一个原型系统与评估

    本研究采用 Word2Vec 深度学习工具对医学语料库进行了测试，以验证其在未结构化文本中识别关系的潜力，结果表明 Word2Vec 的排名生成和检索结果质量不足以用于知识库自动填充，但可作为手动筛选的起点。

    Feb, 2015

  • COVID-19 自动问答任务的语言模型质量评估

    本文利用 GPT-2 语言模型，结合 tf-idf、BERT、BioBERT、USE 四种过滤方法，开发了一款自动回答有关 COVID-19 的聊天机器人，并通过医学专家评估，发现 BERT 和 BioBERT 优于 tf-idf 和 USE，以提供正确、即时、有用的健康数据。同时，还创建了一款用户友好型的互动网络应用程序。

    Jun, 2020