ACLMay, 2024

将抽象意义表达解析应用于临床叙述 ——SPRING THYME 解析器

PDF
TL;DR本文旨在设计和评估首个针对临床笔记定制的 AMR 解析器，以促进将临床笔记精确转化为结构化的 AMR 表达式，从而增强大规模临床文本数据的可解释性和可用性。我们通过使用连续训练的先进 AMR 解析器以及数据增强技术，实现了对 THYME 语料库的结直肠癌数据集的高精度解析，并深入研究了在临床笔记领域中进行领域适应所需的数据。本研究不仅突显了解析器的稳健性能，也凸显了它通过结构化语义表示促进对临床叙述的深入理解的潜力。
发现论文，激发创造
  • 跨领域 AMR 解析泛化

    本研究通过对五个领域的五种具有代表性的抽象意义表示解析器进行广泛评估和分析，旨在解决抽象意义表示解析系统的领域依赖性问题，并通过研究两种方法减少文本和 AMR 特征的领域分布差异，最终实验证明我们的方法的优越性。

    Oct, 2022

  • DocAMR: 多句 AMR 表示和评估

    本文介绍了一种简单的算法，可将超句级的共指标注转化为统一的图表达方式，避免了信息合并的信息损失和不协调的问题。通过改进 Smatch 度量方法，使其可以用于比较文档级别的图形，并用它来重新评估最佳发布的文档级 AMR 解析器，同时提供了一个将 AMR 解析器和共指消解系统相结合的管道方法，这为未来的研究提供了一个强大的基准。

    Dec, 2021

  • 基于语义表示的抽象摘要生成

    本文提出了一种新颖的抽象摘要框架，利用意义表示（AMR）的树库进行研究。在该框架中，源文本被解析为一组 AMR 图，该图被转换为摘要图，然后从摘要图生成文本。我们专注于图形到图形的转换，该转换将源语义图减少为摘要图，并利用现有的 AMR 解析器并假设最终可用 AMR-to-text 生成器。该框架具有数据驱动、可训练性和不特定于特定领域的特点。在金标准 AMR 注释和系统解析上进行的实验显示出有希望的结果。

    May, 2018

  • 利用医学文本的语义解析提取生物分子相互作用

    本文研究使用抽象意义表示 (AMR)、依存句法和图核学习框架的结合，提高了生物分子相互作用提取系统的准确性和鲁棒性。

    Dec, 2015

  • 基于字符级别翻译的神经语义解析：对抽象意义表示的实验

    我们使用字符级翻译的方法对一大语料库中注释有抽象意义表示的句子进行神经语义解析的评估。通过一些简单的预处理和后处理，我们使用序列到序列模型得到了一个基线准确率为 53.1。研究了五种不同的方法来改善这个基线结果，结合这五种技术的结果使获得了一项 AMR 解析的最新进展状态的成果，F 分数为 71.0。

    May, 2017

  • 鲁棒子图生成改进抽象意义表示解析

    本文提出了一种新方法，通过文本段的转换来生成 AMR 子图，从而提高 AMR 的 parsing 效果，进而提高自然语言处理和机器翻译等领域的性能表现。

    Jun, 2015

  • 神经 AMR: 序列到序列模型用于解析和生成

    使用数百万个未标记的句子和对 AMR 图的精心预处理，我们提出了一种新颖的训练过程，成功地解决了 AMR 中有限的标记数据和非顺序的图表征对序列到序列模型的限制。我们在 AMR 解析和生成任务上取得了竞争性结果，并得到了丰富的分析和证据表明序列基 AMR 模型对图表征的排序变化具有鲁棒性。

    Apr, 2017

  • 抽象意义表示的增量分析器

    介绍了一种基于转移的 AMR 解析器，可以按左到右的线性时间解析 AMR 语义表示的句子。还提出了一个测试套件来评估特定子任务并表明该解析器在处理命名实体和极性方面超过了现有的最佳解析器。

    Aug, 2016

  • 使用学习搜索技术的抽象意义表示解析器

    本文介绍了一种使用 SEARN 方法（一种基于学习的搜索方法），将英语句子解析成抽象的意义表示（AMR）的新技术，通过在统一框架中建立概念和关系学习。我们使用多个不同领域的数据集评估了我们的解析器，并显示其相对于最先进技术的绝对改进量在 2％到 6％之间。此外，我们还展示了最频繁的概念的使用给我们提供了比最先进技术更强的概念预测基线。我们计划为公众提供我们的解析器。

    Oct, 2015

  • 面向电子病历问答的神经语义解析系统

    本文旨在系统评估两种神经 SP 模型在 EHR 问题答案检索上的性能，发现这些先进的神经模型具有良好的易用性和通用性，但也存在常见错误类型。

    Nov, 2022