醫(yī)學(xué)文本中經(jīng)常存在某個化學(xué)物質(zhì)與多個不同疾病同時(shí)相關(guān)的情況,傳統(tǒng)的深度學(xué)習(xí)方法不能充分利用句子的長距離依賴信息和其他文本特征,導(dǎo)致醫(yī)學(xué)實(shí)體較多的長文本中存在核心實(shí)體關(guān)系不精確的問題.為此提出雙向簡單循環(huán)神經(jīng)網(wǎng)絡(luò)(BSRU)與帶注意力機(jī)制的卷積神經(jīng)網(wǎng)絡(luò)(ATT-CNN)相結(jié)合的模型,雙向簡單循環(huán)網(wǎng)絡(luò)實(shí)現(xiàn)文本的長距離依賴信息和多種特征信息的向量表示,注意力機(jī)制-卷積神經(jīng)網(wǎng)絡(luò)減少噪聲影響后使用不同大小的卷積核學(xué)習(xí)文本的多種特征,分段池化后通過分類完成關(guān)系抽取.通過實(shí)驗(yàn)驗(yàn)證,本文模型在化學(xué)物質(zhì)與疾病的關(guān)系抽取中具有良好表現(xiàn).

【文章頁數(shù)】：6 頁

【文章目錄】：
1 引言
2 相關(guān)研究
3 BSRU和ATT-CNN模型
    3.1 BSRU模塊
        3.1.1 詞向量表示
        3.1.2 位置特征
        3.1.3 上下文信息特征
    3.2 ATT-CNN模塊
        3.2.1 注意力機(jī)制
        3.2.2 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.3 softmax分類
4 實(shí)驗(yàn)及結(jié)果分析
    4.1 實(shí)驗(yàn)數(shù)據(jù)
    4.2 實(shí)驗(yàn)過程與評價(jià)標(biāo)準(zhǔn)
        4.2.1 實(shí)驗(yàn)過程
        4.2.2 評價(jià)標(biāo)準(zhǔn)
    4.3 實(shí)驗(yàn)結(jié)果與分析
        1)使用不同大小的卷積核進(jìn)行對比
        2)注意力機(jī)制對模型表現(xiàn)的影響
        3)本文模型與其他模型的對比
5 結(jié)束語



本文編號：3761389