查看更多>>摘要：临床发现事件抽取即从电子病历中检测和提取所需事件的属性.由于事件属性的多样性、多事件属性的重叠性、垂直领域语料的专业性、样本分布的不均衡性增加了事件抽取任务的复杂程度,常规的方法无法很好地解决问题.为了适应任务的复杂性,该文提出了一种面向临床发现的管道式事件抽取方法,将事件抽取划分为基于序列标注的触发词抽取、基于指针网络的论元抽取和基于匹配的事件极性预测三个模块.该方法在中国健康信息处理会议(CHIP2021)评测2数据集上获得0.430 3的 F1 值,取得了第1名的成绩.
查看更多>>摘要：近年来,推荐系统逐渐成为电子商务、在线流媒体、新闻资讯等各大互联网平台不可缺少的关键技术.以协同过滤技术为代表的推荐系统主要研究用户-项目评分数据,但此类方法常常面临新加入用户与用户交互次数少而导致的冷启动问题和数据稀疏问题.为解决上述问题,研究人员将用户和项目的上下文信息引入到协同过滤推荐系统中,丰富用户与项目表示.随着文本挖掘技术的发展,有研究发现用户对项目的评论文本不仅能够体现项目在不同方面的语义特征,也可以弥补用户-项目评分矩阵不能全面地反映用户语义偏好的局限,故可以将其应用到推荐系统中缓解数据稀疏性和冷启动问题.由于文本数据和用户-项目评分数据在用户偏好表示上存在差异,目前大多数模型在用户表示学习方面没有进行深层次的多次融合,为此,该文提出一种基于双头自编码器的评论感知推荐模型(Review Topic-aware Recommendation Model with Two-headed Autoencoder,TAAE).该模型通过隐狄利克雷主题模型与BERT模型提取出用户评论的主题信息与语义信息,采用注意力机制与门控机制相结合的方式进行多模态特征对齐与融合,再利用多项式降噪自编码器进行用户评分预测.此外,为了缓解自编码器推荐模型中常见的流行度偏差问题,TAAE构建了一个负采样解码器,对推荐结果进一步优化.最后,在6组公开Amazon数据集上测试了 TAAE模型的推荐性能,并对模型可能存在的变体及各解码器结构进行消融实验,实验结果表明,TAAE模型优于其他7个对比模型.
万方数据
维普