儿童总量 EATree-LSTMs:增强注意力儿童总量树LSTMs用于生物医学事件提取
Lei Wang1,2, Han Cao3, Liu Yuan1
1School of Computer Science, Shaanxi Normal University, Xi'an, China.
BMC bioinformatics
|June 15, 2023
概括
这项研究提高了生物医学事件触发器检测,利用树LSTM中的改进的注意力机制. 新模型显著提高了关键数据集的性能,超过了现有方法.
科学领域:
- 计算语言学计算语言学
- 生物信息学是一种生物信息学.
- 自然语言处理自然语言处理.
背景情况:
- 树结构神经网络,包括递归神经网络,对于提取句子语法结构的词汇表示是有效的.
- 这些模型在检测文本中的事件触发器方面表现特别有希望.
研究的目的:
- 引入和评估一个完善的注意力机制,整合到儿童总和树LSTM中,以改进生物医学事件触发器检测.
- 通过结合深层语法依赖来解决浅层语法依赖的局限性.
主要方法:
- 一个注意力机制被整合到儿童总和树LSTM中,将注意力权重分配给相邻的节点.
- 结合了深层次的语法依赖,以提高注意力机制的有效性.
- 该模型在MLEE和BioNLP'09数据集上进行了评估.
主要成果:
- 拟议的树-LSTM模型与增强的注意力机制在MLEE和BioNLP'09数据集上取得了最佳表现.
- 该模型在BioNLP'09/11/13测试集中在最复杂的事件类别中表现出卓越的性能.
结论:
- 集成到Tree-LSTM中的增强注意力机制显著改善了对生物医学事件触发词的检测.
- 该模型的性能验证了结合深层语法依赖和注意力机制的优势.
更多相关视频
10:02Event Related Potentials ERPs and other EEG Based Methods for Extracting Biomarkers of Brain Dysfunction: Examples from Pediatric Attention Deficit/Hyperactivity Disorder ADHD
Published on: March 12, 2020
15.8K
07:50A Metadata Extraction Approach for Clinical Case Reports to Enable Advanced Understanding of Biomedical Concepts
Published on: September 20, 2018
16.0K
