检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深层条件随机场的生物医学命名实体识别

模式识别与人工智能 2016年第11期29卷 997-1008页

作者：孙晓孙重远任福继合肥工业大学计算机与信息学院情感计算与先进智能机器安徽省重点实验室合肥230009 Faculty of Engineering University of Tokushima

生物医学命名实体识别是从生物医学文献中获取关键知识的基础与关键任务.文中提出基于深层条件随机场的生物医学命名实体识别方法,构建多层结构的深层条件随机场模型,在不同层次的特征上结合增量式学习策略,选择最优特征集.最后通过基... 详细信息

生物医学命名实体识别是从生物医学文献中获取关键知识的基础与关键任务.文中提出基于深层条件随机场的生物医学命名实体识别方法,构建多层结构的深层条件随机场模型,在不同层次的特征上结合增量式学习策略,选择最优特征集.最后通过基于〈全名,缩写〉对和基于领域信息的错误纠正算法,进一步修正识别结果.在生物医学命名实体评测语料JNLPBA上的实验验证文中方法的有效性.

关键词：生物医学命名实体识别深层条件随机场增量式学习错误纠正算法

在线全文

学校读者我要写书评

暂无评论

基于词义增强的生物医学命名实体识别方法

计算机工程 2023年第10期49卷 305-312页

作者：陈梦萱陈艳平扈应黄瑞章秦永彬贵州大学公共大数据国家重点实验室贵阳550025 贵州大学计算机科学与技术学院贵阳550025

生物医学命名实体识别(BioNER)是生物医学文本挖掘的核心任务之一,能够为下游任务提供有力支撑。与通用领域相比,生物医学数据中存在更多的未登录词,现有BioNER方法通常将未登录词拆分为语素进行表示学习,这种方法缓解了未登录词表示信... 详细信息

生物医学命名实体识别(BioNER)是生物医学文本挖掘的核心任务之一,能够为下游任务提供有力支撑。与通用领域相比,生物医学数据中存在更多的未登录词,现有BioNER方法通常将未登录词拆分为语素进行表示学习,这种方法缓解了未登录词表示信息不足的问题,但是破坏了单词的内部信息,对语素进行标签预测时容易出现标签不一致和跨实体标签问题。此外,将单词分割为语素导致句子长度变长,加重了训练中存在的梯度消失问题。提出一种通过BiLSTM-Biaffine结构进行词义增强的BioNER方法。通过BioBERT预训练模型获取语素表示信息,使用BiLSTM-Biaffine进行词义增强,在单词层面利用BiLSTM分别获取语素的前向和后向序列信息,采用Biaffine注意力机制增强其关联信息并重新融合为单词表示,最后通过BiLSTM-CRF模型获取输入句子的标签序列。实验结果表明,在数据集BC2GM、NCBI-Disease、BC5CDR-chem和JNLPBA上,该方法的F1值分别达到84.94%、89.07%、92.14%和74.57%,与主流序列标注模型MTM-CW、MT-BioNER等相比平均分别提高了2.99、1.84、3.09和1.03个百分点,验证了所提方法在BioNER任务中的有效性。

关键词：生物医学命名实体识别语素词义增强双向长短期记忆网络注意力机制

同方期刊数据库

基于CNN-BLSTM-CRF模型的生物医学命名实体识别

在线全文

学校读者我要写书评

暂无评论

中文信息学报 2018年第1期32卷 116-122页

作者：李丽双郭元凯大连理工大学计算机科学与技术学院辽宁大连116023

命名实体识别是自然语言处理任务的重要步骤。近年来,不依赖人工特征的神经网络在新闻等通用领域命名实体识别方面表现出了很好的性能。然而在生物医学领域,许多实验表明基于领域知识的人工特征对于神经网络模型的结果影响很大。因此,... 详细信息

命名实体识别是自然语言处理任务的重要步骤。近年来,不依赖人工特征的神经网络在新闻等通用领域命名实体识别方面表现出了很好的性能。然而在生物医学领域,许多实验表明基于领域知识的人工特征对于神经网络模型的结果影响很大。因此,如何在不依赖人工特征的情况下获得较好的生物医学命名实体识别性能是有待解决的问题。该文提出一种基于CNN-BLSTM-CRF的神经网络模型。首先利用卷积神经网络(CNN)训练出单词的具有形态特征的字符级向量,并从大规模背景语料训练中得到具有语义特征信息的词向量,然后将二者进行组合作为输入,再构建适合生物医学命名实体识别的BLSTM-CRF深层神经网络模型。实验结果表明,不依赖任何人工特征,该文方法在BiocreativeⅡGM和JNLPBA2004生物医学语料上都达到了目前最好的结果,F-值分别为89.09%和74.40%。

关键词：生物医学命名实体识别 LSTM CNN

基于字符级特征自适应的生物医学命名实体识别

在线全文

学校读者我要写书评

暂无评论

小型微型计算机系统 2023年第9期44卷 1876-1883页

作者：于祥钦王香李智强徐贤华东理工大学信息科学与工程学院上海200237

生物医学领域新增实体数量和类型迅速增加,在预训练词表容量有限的情况下,字符嵌入可以在一定程度上解决未登录词问题,单一的字符级特征提取器所提取字符嵌入的潜在表征有一定局限性.针对此问题,提出一种字符级特征自适应融合的生物医... 详细信息

生物医学领域新增实体数量和类型迅速增加,在预训练词表容量有限的情况下,字符嵌入可以在一定程度上解决未登录词问题,单一的字符级特征提取器所提取字符嵌入的潜在表征有一定局限性.针对此问题,提出一种字符级特征自适应融合的生物医学命名实体模型.首先利用卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)提取文本的字符向量,训练过程中动态计算文本单词两种字符向量的权重并进行拼接,使得模型在字符粒度上更加充分的利用信息,并加入词性信息和组块分析作为额外特征;将词向量、字符级特征和额外特征拼接后输入到BiLSTM-CRF神经网络模型进行训练.结果表明,所提模型在NCBI-disease和BiocreativeⅡGM语料库上平均F1值达到87.14%和81.04%,有效的提升了生物医学命名实体识别的效果.

关键词：生物医学命名实体识别双向长短期记忆网络卷积神经网络字符级特征自适应

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

结合CRF的边界组合生物医学命名实体识别

计算机应用研究 2021年第7期38卷 2025-2031页

作者：扈应陈艳平黄瑞章秦永彬贵州大学计算机科学与技术学院贵阳550025 贵州大学贵州省公共大数据重点实验室贵阳550025

许多的生物医学命名实体识别(Bio-NER)工作都集中于提取扁平化的实体,而忽略了嵌套实体和不连续实体。此外,大多数生物医学命名实体都未遵循统一的命名法,具有许多典型的领域特征,但其使用效率较低。为此提出一种结合CRF的边界组合命名... 详细信息

许多的生物医学命名实体识别(Bio-NER)工作都集中于提取扁平化的实体,而忽略了嵌套实体和不连续实体。此外,大多数生物医学命名实体都未遵循统一的命名法,具有许多典型的领域特征,但其使用效率较低。为此提出一种结合CRF的边界组合命名实体识别方法,有效地利用了生物医学实体特征。该方法包括边界检测、边界组合和实体筛选三个步骤。首先使用神经网络模型和基于特征的CRF模型识别实体开始和结束边界,然后经过边界组合产生候选实体,最后使用多输入的卷积神经网络模型对候选实体进行筛选并分类。实验表明,该方法能够有效地识别生物医学文献中的嵌套和不连续实体,在GENIA数据集上达到81.89%的F值。

关键词：生物医学命名实体识别深度学习条件随机场信息抽取

在线全文

学校读者我要写书评

暂无评论

基于分类器串联融合的生物医学命名实体识别

大庆石油学院学报 2011年第2期35卷 91-94,122页

作者：马瑞民马民艳王浩畅东北石油大学计算机与信息技术学院黑龙江大庆163318

鉴于生物医学命名实体识别的多数模型使用单机器学习算法时识别效果不好,提出一种基于条件随机域(CRFs)与最大熵(Maxent)分类器融合的方法,利用基分类器之间的相关性和互补性,结合有效的特征集合,进行再学习,得到融合模型.实验表明,该... 详细信息

鉴于生物医学命名实体识别的多数模型使用单机器学习算法时识别效果不好,提出一种基于条件随机域(CRFs)与最大熵(Maxent)分类器融合的方法,利用基分类器之间的相关性和互补性,结合有效的特征集合,进行再学习,得到融合模型.实验表明,该模型的识别性能与单一分类器和JNLPBA专题会议相关的系统比较,取得很好成绩,F测度达到70.7%,证明该融合方法有效.

关键词：条件随机域最大熵分类器融合特征提取生物医学命名实体识别

在线全文

学校读者我要写书评

暂无评论

基于混合模型的生物医学命名实体识别研究

基于混合模型的生物医学命名实体识别研究

作者：孙重远合肥工业大学

学位级别：硕士

生物医学命名实体识别是生物医学信息提取的基础和关键任务,准确地识别出生物医学命名实体对于基因关系抽取和生物知识发现等复杂任务有着至关重要的作用。生物医学领域的命名实体具有复杂多变的特点,这给识别任务带来了一定的困难。此... 详细信息

生物医学命名实体识别是生物医学信息提取的基础和关键任务,准确地识别出生物医学命名实体对于基因关系抽取和生物知识发现等复杂任务有着至关重要的作用。生物医学领域的命名实体具有复杂多变的特点,这给识别任务带来了一定的困难。此外,随着生物医学的快速发展,以指数增长的文献量也给生物医学命名实体的自动准确识别带来了巨大挑战。本文基于混合模型对生物医学命名实体识别进行了研究和探索。论文的主要研究工作如下:(1)引入了包括词特征、拼写特征、浅层语法块特征和词性特征等在内的丰富语言学特征,应用于生物医学命名实体识别任务。提出了一种递增式的特征选择方法,结合序列标记模型条件随机场(Conditional Random Field,CRF)和分类模型支持向量机,研究人工语言学特征的有效性,从而选择出更适合当前模型的可靠特征集。(2)为了研究和分析深度学习在生物医学命名实体识别上的技术应用,构建了三种深层结构的实体识别模型来对比其性能。一是双向长短时记忆神经网络模型(Bi LSTM);二是深层CRF模型;三是结合了Bi LSTM序列特征提取能力和CRF句子信息提取优势的混合模型——双向长短时记忆神经网络-条件随机场模型(Bi LSTM-CRF)。此外,通过词向量与神经网络相结合的无监督方式,使原本需要复杂特征工程的识别任务更加端到端化。为了探究词义信息对生物医学命名实体识别任务的作用,引入了三种不同来源的词向量。同时以实际任务的收益为评价标准,分析了任务相关词向量的维度和领域等参数对其质量的影响。本文使用JNLPBA标准数据集作为实验语料,对生物医学命名实体识别任务的特征和模型等内容进行了研究。在不引入规则和词典的情况下,获得了74.93%的F值,验证了所提出研究方法的有效性。

关键词：生物医学命名实体识别深度学习词向量递增式特征选择方法混合模型

基于词义增强的生物医学命名实体识别方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于词义增强的生物医学命名实体识别方法研究

作者：陈梦萱贵州大学

学位级别：硕士

生物医学的快速发展产生了大量的文献,如果依靠人工查阅,即使只专注于某一个非常专业的研究领域,也很难跟上该领域的研究进展。因此迫切需要高效准确的自动化信息提取方法支撑生物医学相关领域的研究与发展。生物医学命名实体识别作为... 详细信息

生物医学的快速发展产生了大量的文献,如果依靠人工查阅,即使只专注于某一个非常专业的研究领域,也很难跟上该领域的研究进展。因此迫切需要高效准确的自动化信息提取方法支撑生物医学相关领域的研究与发展。生物医学命名实体识别作为生物医学信息抽取中的一项基础且关键的子任务,在生物医学信息抽取相关的多种任务中都发挥着重要的作用。相比于通用领域,生物医学领域数据有着可获取的数据集规模小、命名规则不规范、未登录词数量较多等领域特点。现有的大多数生物医学命名实体识别方法主要关注句子级的语义信息获取,而忽略了词义信息。基于上述研究现状,本文研究工作可以分为以下两部分:(1)为了解决经过预训练语言模型未登录词被拆分为语素而导致的局部词义信息丢失问题,提出了基于局部语素信息的词义增强方法。现有模型通常在使用预训练语言模型获取到语素嵌入表示信息后,直接进行句子级的语义信息获取,而忽略了单词内语素间的局部关联信息,导致在实体识别过程中出现单词内语素标签不一致和跨单词标签问题,同时由于句子长度的增加也加重了梯度消失问题。因此提出了基于局部语素信息的词义增强方法,用以加强单词内语素序列信息的获取:首先通过Bio BERT预训练语言模型获取语素嵌入表示信息;然后获取语素间的序列信息,将其拼接之后再进行句子级的语义信息获取;最后以单词为最小单位对实体进行识别和分类。实验结果表明基于局部语素信息的词义增强方法能有效提升生物医学命名实体识别的性能。(2)为了进一步增强单词的词义信息表示,提出了基于全局语素信息的词义增强方法,用以更有效的获取语素间的关联信息。首先通过Bio BERT预训练语言模型获取语素嵌入表示;然后获取语素间的序列信息并使用双仿射注意力机制获取语素间的依赖信息,同时将获取到的信息融合为单词表示后再进行句子级语义信息的获取;最后进行实体识别和分类。实验结果表明,相较于目前主流模型,基于全局语素信息的生物医学词义增强模型有效提升了生物医学命名实体识别性能,在BC2GM、NCBI-Disease、BC5CD-chem和JNLPBA数据集上的F1值分别为84.94%、89.09%、92.14%和76.20%。

关键词：生物医学命名实体识别 BioBERT预训练语言模型双向长短期记忆神经网络双仿射注意力机制

基于多交叉注意力和词间关系的生物医学命名实体识别

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多交叉注意力和词间关系的生物医学命名实体识别

作者：韩蓉哈尔滨商业大学

学位级别：硕士

随着科技的迅速发展和信息化时代的到来,我们所面临的数据量和数据复杂度都在不断攀升,特别是在自然语言处理领域。近年来,随着一些传染病的相继出现,生物医学领域的重要性越来越突出。通过生物医学的研究和应用,我们能够更好地了解人... 详细信息

随着科技的迅速发展和信息化时代的到来,我们所面临的数据量和数据复杂度都在不断攀升,特别是在自然语言处理领域。近年来,随着一些传染病的相继出现,生物医学领域的重要性越来越突出。通过生物医学的研究和应用,我们能够更好地了解人体的生理和病理过程,提高人类的生活质量。因此,对于生物医学领域的研究也就越来越重要,而如何有效识别出生物医学领域文本中的实体也就成为了我们解决此类问题的重点。本文主要针对目前生物医学文本实体识别中的三个子任务,即平面实体、嵌套实体以及不连续实体做出研究。其中把平面实体作为第一个任务进行研究,把嵌套实体和不连续实体统一作为第二个任务进行研究。本文的研究工作包括:(1)对于平面实体识别任务,目前的生物医学命名实体识别一般单独使用CharCNN或CharRNN来提取字符特征,没有考虑它们之间的互补能力,且只通过拼接的方法对字符特征和词特征进行融合,忽略了字词相互融合过程中的特征信息。基于此,本文提出了一种名为DCLM(BioDistilBERT-CharCNN+CharLSTM-BiLSTM-MHA)的多交叉注意力特征融合的模型。首先通过三次交叉注意力融合得到充分的字词特征,之后使用BiLSTM来捕获文本的上下文信息,同时引入多头注意力机制,使模型能够捕捉到更多关于实体边界和类型的信息。在模型训练过程中联合Facal Loss和交叉熵损失函数对模型进行训练,缓解数据不平衡问题。最终实验表明,本文提出模型在NCBI-Dis,BC5CDR-Dis,BC5CDR-Che,JNLPBA以及BC2GM生物医学数据集上分别取得了90.76%,89.79%,94.98%,80.27%以及 88.84%的最佳 F1 值。(2)对于生物医学实体多存在嵌套和不连续现象,本文提出了一个名为KGCTM(KeBioLM-ATT-BiGRU-CNN-Traffine-MLP)的模型,主要通过对词与词之间的关系进行预测从而识别嵌套和不连续实体。该模型主要分为四个模块:编码层、混合卷积层、预测层以及解码层。在模型训练中加入基于PGD的对抗训练,同时通过对Dice Loss和交叉熵损失函数赋予不同的权重来对模型进行训练,解决数据不平衡问题。最终实验表明,本文提出模型在嵌套数据集GENIA和不连续数据集CADEC中取得了81.05%和72.68%的最佳F1值。

关键词：生物医学命名实体识别多交叉注意力词间关系数据不平衡