没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
在文档级医疗实体识别任务中,针对文档级样本长度过长的问题,提出了多级别的句子划分机制,将文档级别样本转为句子级别样本。本文设计了融合知识的序列标注模型,一方面探索了多种方法从医疗领域词典提取领域知识,并且引入预训练语言模型BERT作为通用知识,然后将领域知识和通用知识以向量拼接的方式融入到模型中;另一方面,引入了CNN来提取字的局部上下文信息。实验结果表明,CNN能够提高模型的上下文建模能力,将知识融合到模型中能够有效提高中文医疗实体识别的效果。 对于医疗实体对齐任务,本文提出了融合传统特征的深度学习模型。该模型主要分为传统特征提取器和深度匹配网络两个部分。一方面,基于文本相似度、词袋模型,TFIDF等方法设计传统特征提取器;另一方面,探索了三种深度匹配网络,包括基于BiLSTM的孪生网络、基于Attention机制的匹配聚合网络以及基于BERT的匹配模型。实验结果表明,深度匹配网络越简单,融入传统特征后提升的百分点越大。融入传统特征的BERT匹配模型能够取得最优结果。
资源推荐
资源评论
资源评论
汀、人工智能
- 粉丝: 7w+
- 资源: 367
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功