Nov, 2023

将分类标签和句法信息注入生物医学 NER

PDF
TL;DR通过向模型注入分类标签和词性信息，我们提出了一种简单的方法来改进生物医学命名实体识别（NER）。我们使用两种方法：第一种方法是先训练一个序列级分类器将句子分类为不同的类别，获取句子级别的标签（分类标签）。将这些标签注入 NER 模型，将分类标签转化为自然语言模板形式来改进分类器的准确性。第二种方法是同时学习分类标签和 NER 标签，并将词性标签注入模型以增加句法上下文，实验证明将分类标签信息与句法上下文相结合是非常有用的，并且优于基于 BERT 的基准模型。
biomedical named entity recognitioncategorical labelspart-of-speech informationsequence-level classifiersyntactic context
发现论文，激发创造
  • 通过多粒度嵌入和增强标注进行多级生物医学命名实体识别

    本文提出了一种集成多种模型的混合方法，以解决生物医学实体识别中的局限性，并在 i2b2/2010 数据集上评估，得到了 90.11 的 F1 分数。

    Dec, 2023

  • 利用句法信息的关键实体识别自适应集成提升

    通过注意力集成和提出的键值内存网络、语法注意力和门机制来利用不同类型的句法信息，提高了命名实体识别，并在六个英语和中文基准数据集上实验。

    Oct, 2020

  • 增强文档级命名实体识别的标签一致性

    本文介绍了一种名为 ConNER 的方法，通过提高修饰词（如形容词和介词）的标签依赖性来实现更高的标签一致性，从而改善生物医学实体的输出表示。该方法在四个流行的生物医学 NER 数据集上证明了其有效性，并在两个数据集上实现了 7.5-8.6％ 的绝对改进。

    Oct, 2022

  • 双向语言模型的半监督序列标注

    本文探讨了一种半监督的方法，通过添加双向语言模型的预训练上下文嵌入到 NLP 系统中用于序列标注任务，相比其他转移学习或添加标记数据和任务特定词典的方法，在命名实体识别和块分割等任务上实现了最先进的结果。

    Apr, 2017

  • 科学命名实体识别的分层 Transformer 模型

    使用 BERT 和 transformer 层的简单和有效的 Named Entity Recognition 方法在计算机科学和生物医学领域的三个基准数据集上优于当前最先进技术，无需外部资源或特定数据增强。

    Mar, 2022

  • NEAR: 临床概念命名实体和属性识别

    本研究提出了三种结构以实现多标签的命名实体识别，这三种方法是 BiLSTM n-CRF、BiLSTM-CRF-Smax-TF 和 BiLSTM n-CRF-TF。通过评估在 i2b2/VA 2010 和 i2b2 2012 共享任务数据集上的不同模型，本研究证明这些方法可以获得较高的准确性。

    Aug, 2022

  • 命名实体识别的分层上下文表示

    本文提出了一种基于分层上下文表示的模型，通过句子级和文档级表示来提高实体识别模型中全局信息的利用，其中包括标签嵌入和注意机制以及键值内存网络，实验证明该模型在三个基准数据集上表现出优越的效果。

    Nov, 2019

  • 如何在语义角色标注中最佳使用语法

    本文探讨了在 NLP 任务中，如何最有效地使用外部句法信息来完成语义角色标注任务，通过使用三种不同的句法解析编码和注入到基于神经元素标注的 SRL 模型中的三种不同方法的评估，表明将从属关系作为输入特征可以最大限度地提高性能，并在 CoNLL05 和 CoNLL12 基准测试中实现了最新的非集成 SRL 模型的最新成果。

    Jun, 2019

  • 用于自定义文本分类的分类元数据表示

    使用基向量来有效地将分类元数据合并到基于神经网络的模型的不同部分中，可以大大提高文本分类的性能。

    Feb, 2019

  • 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