相关实验视频
Updated: May 30, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
生物医学命名实体识别使用改进的绿色子辅助基于Bi-GRU的层次化ResNet模型
Ram Chandra Bhushan1, Rakesh Kumar Donthi2, Yojitha Chilukuri3
1Software Architect, Alstom Transport India Limited, Bengaluru, India.
BMC bioinformatics
|January 30, 2025
概括
一种新的深度学习模型,即改进的绿色子辅助的基于BI-GRU的层次化ResNet BNER模型 (IGa-BiHR BNERM),在生物医学命名实体识别 (NER) 中达到99.11%的准确性. 这种先进的模型克服了传统方法的局限性,并增强了从科学文本中提取信息的能力.
科学领域:
- 生物医学文本挖掘技术
- 自然语言处理 (NLP) 是一种自然语言处理.
- 深度学习 (DL) 是指深度学习.
背景情况:
- 传统的命名实体识别 (NER) 方法依赖于字典或规则,这些有局限性.
- 深度学习 (DL) 方法提供了进步,但与远距离关系作斗争,需要大量的注释数据集.
- 生物医学文本挖掘从科学文献中提取关键信息.
研究的目的:
- 为改进生物医学命名实体识别 (NER) 开发一种新的深度学习模型.
- 解决在基于DL的NER中识别远距离关系和数据需求的挑战.
- 提高从文本中提取生物医学实体的准确性和效率.
主要方法:
- 提出了改进的绿色阿纳孔达辅助的基于Bi-GRU的层次化ResNet BNER模型 (IGa-BiHR BNERM).
- 使用了MACCROBAT数据集,通过Stop Word过,WordNet处理和代币化进行预处理.
- 在功能提取和词嵌入方面采用了强大优化的BERT-Whole Word Masking模型.
- 应用改进的绿色阿纳孔达优化用于在模型训练期间选择最佳体重参数.
主要成果:
- IGa-BiHR BNERM在识别命名实体方面表现出高度准确性.
- 该模型在MACCROBAT数据集上实现了99.11%的显著准确率.
- 预处理和特征提取步骤改善了数据的质量和语义信息.
结论:
- 在生物医学NER方面,IGA-BiHR BNERM显著优于以前的模型.
- 该模型有效且准确地识别文本中的生物医学名称.
- 这项研究代表了生物医学文本挖掘领域的重大进展.
