Jan, 2024

边缘计算中维吾尔医学知识的联合提取

PDF
TL;DR利用边缘计算部署基于深度学习模型的医疗知识提取方法，通过在边缘设备上实现本地化实体和关系提取，有效保护了卫生保健服务的隐私。提出了一种名为 CoEx-Bert 的联合提取模型，利用边缘计算中两个模型之间的参数共享来共同提取实体和关系。通过考虑上下文关系，有效解决了从非结构化维吾尔医学文本中提取知识时的实体重叠问题。实验结果表明，CoEx-Bert 在维吾尔传统医学文献数据集中的准确度、召回率和 F1 得分分别达到 90.65％、92.45％和 91.54％，相比基准模型分别提高了 6.45％、9.45％和 7.95％。
medical knowledge extractionedge computingrelation extractioncoex-bertuyghur medical knowledge
发现论文，激发创造
  • 中文医学文本中 BERT 联合实体和关系抽取的微调

    该研究提出了一种基于 BERT 语言模型和聚焦注意力机制的联合实体和关系抽取模型，通过动态范围注意机制，提高了共享参数层的特征表示能力，实验结果表明，该方法在冠状动脉造影文本上的名词实体识别和关系分类任务的 F1 得分分别达到 96.89% 和 88.51%，优于现有技术水平。

    Aug, 2019

  • 基于相似度的增强记忆联合实体和关系抽取

    本文介绍了一种多任务学习框架，其中任务之间存在双向记忆依赖，并能更准确地进行文档级别的实体和关系抽取，实证研究表明该方法优于现有方法，并在 BioCreative V CDR 语料库上取得了最新成果。

    Jul, 2023

  • 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

  • 基于联合学习的生物医学文献因果关系抽取

    本文提出了一种基于联合学习模型的生物医学因果关系提取方法，将实体关系提取和实体功能检测结合起来，以提高因果关系提取的性能，并且在模型训练阶段，为不同的功能类型分配不同的权重，实验结果表明，与其他系统相比，我们的联合学习系统在 BEL 语句提取中取得了最先进的表现。

    Aug, 2022

  • 基于 BERT 的多头选择联合实体关系抽取

    本文利用 BERT 作为特征提取层并引入语义增强的预训练任务，并使用大规模数据集进行实体识别预训练，提出软标签嵌入以有效传递实体识别和关系提取之间的信息，从而增强多头选择模型的信息提取能力，最终在测试集上获得了 0.892 的 F1 分数。

    Aug, 2019

  • REKnow：用于联合实体和关系提取的增强型知识

    本研究提出了一种知识增强的生成模型，能够前所未有地利用知识图谱来解决关系抽取问题中的歧义，显著提高了在多个基准测试和设置下的性能表现。

    Jun, 2022

  • 知识增强的联合生物医学实体和关系提取

    本论文提出了一种名为 KECI（知识增强的集体推理）的新框架，结合外部知识进行实体和关系提取，在两个基准数据集 BioRelEx 和 ADE 中实现新的最先进结果，使用全局关系信息将提及跨度链接到实体，使用图卷积网络将全局关系信息集成到局部表示中。

    May, 2021

  • 利用不同深度学习模型从临床文本中提取药物及时序关系

    探索了 MedTem 项目中利用深度学习和大型语言模型（LLM）进行医疗信息从 EMR 中提取和分类的效果，并对不同字嵌入技术进行了研究。在医疗实体识别任务中，CNN-BiLSTM 模型优于 BiLSTM-CRF 模型，分别达到了 75.67，77.83 和 78.17 的 Macro Average 精确度，召回率和 F1 分数。BERT-CNN 模型在 i2b2-2012 挑战的时间关系提取测试集上表现也较好，分别达到了 64.48，67.17 和 65.03 的 Macro Average P/R/F1 分数。

    Oct, 2023

  • 基于词语混合和 GRU 的科技文本知识提取方法

    本文提出了一种科技资源知识提取方法，基于单词混合和 GRU 模型，结合单词混合向量映射方法和自注意力机制，有效改善中文科技资源文本信息关系提取效果。

    Mar, 2022

  • 结合语言和图模型进行 Web 上的半结构化信息提取

    关系抽取是一种从网络上挖掘人类知识的高效方式，本文提出了一种名为 GraphScholarBERT 的开放领域信息抽取方法，它能够从半结构化的网页中提取目标关系，并能在未见过的领域中进行泛化，无需额外数据或训练，并且与搜索关键词完全匹配。实验证明，GraphScholarBERT 在零射击域和零射击网站情境下，相比以往的方法，可以提高抽取的 F1 分数达 34.8%。

    Feb, 2024