医疗文本的小样本命名实体识别

针对医疗文本命名实体识别缺乏足够标记数据的问题,提出了一种新的命名实体识别神经网络和数据增强方法.该方法首先利用汉字的拼音和笔画来扩展Bert词向量,使Bert词向量能够包含更多先验知识;接着将命名实体识别模型与分词模型进行联合训练,以增强模型对于实体边界的判别能力;最后采用改进的数据增强方法处理训练数据,能够在避免模...     

基于ELECTRA-CRF的电信网络诈骗案件文本命名实体识别模型

文章提出一种基于ELECTRA-CRF的电信网络诈骗案件文本命名实体识别模型.该模型首先将标注后的语料输入ELECTRA模型,得到以字为颗粒度的状态转移特征;然后由CRF模型计算转移分数,判断当前位置与其相邻位置字符的实体标注组合;最后将该模型与BERT-CRF模型、RoBERTa-CRF模型进行对比.实验结果表明,文...     

NKN釜式换热器管板计算方法对比

在国内外标准中,NKN釜式换热器管板计算的方法有很多。对常用的三种方法进行对比,并采用有限元法进行验证。最后根据计算结果分析每种方法的正确性和适用范围。结果表明,在保证安全的前提下选择合适的管板计算方法,可以有效避免工程上人力的浪费,提高生产效率。     

融合对抗训练及全局指针的实体关系联合抽取

实体关系联合抽取旨在从文本中抽取出实体关系三元组, 是构建知识图谱十分重要的步骤之一. 针对实体关系抽取中存在的信息表达能力不强、泛化能力较差、实体重叠和关系冗余等问题, 提出了一种实体关系联合抽取模型RGPNRE. 使用RoBERTa预训练模型作为编码器, 提高了模型的表达信息能力. 在训练过程中引入了对抗训练, 提升了模型的泛化能力. 使用全局指针, 解决了实体重叠的问题. 使用关系预测, 排除不可能的关系, 减少了冗余的关系. 在基于schema的中文医学信息抽取数据集CMeIE上进行的实体关系抽取实验表明, 模型的F1值比基准模型提升了约2个百分点, 在实体对重叠的情况下, 模型的F1值提升了近10个百分点, 在单一实体重叠情况下, 模型的F1值提升了大约1个百分点, 说明该模型能够更准确地提取实体关系三元组, 从而有效提升知识图谱构建的准确度. 在含有1–5个三元组的对比实验中, 在拥有4个三元组的句子中, 模型的F1值提升了约2个百分点, 而在拥有5个及以上三元组的复杂句子中, F1值提升了约1个百分点, 说明该模型能够较好地处理复杂句子场景.     

实体链接技术研究

实体链接技术可以将文本中每个实体提及与知识库中的候选实体进行比较从而获取相应的目标实体,消除实体的歧义,是帮助计算机完成自然语言处理任务的核心技术之一。按照实体链接系统的模块对实体链接任务的相关技术进行总结,首先介绍实体链接的任务定义以及实体链接系统的构成;其次对实体链接系统的三大模块：候选实体生成、候选实体排序以及不可链接提及的相关技术做系统性的梳理;然后介绍实体链接相关数据集以及测评方法;最后对实体链接的未来进行展望。     

融合多粒度全局信息的临床问诊信息抽取模型

传统的信息抽取方法只考虑当前对话窗口中的语义信息,而临床医学信息的状态识别则需要根据现实场景中所有医患对话信息来对全局进行判断。因此,该文提出一个临床问诊的医学信息抽取模型,给定当前的对话窗口,利用全局对话中的细粒度和粗粒度信息提取医学信息及其对应状态。医学对话信息提取（MIE）任务的试验结果证明了该方法的有效性。     

结合实体关联标注器的中文命名实体识别模型

为了改善在字嵌入层中的字向量嵌入方式单一问题,提出一种结合实体关联标注器的中文命名实体识别模型.在标准命名实体识别模型之前,先利用句向量与句中实体词向量训练实体关联标注器,再将实体关联标注器产生的标记信息融入字嵌入层.最后,通过双向长短期记忆网络(Bi-directional Long Short-Term Memor...