醫(yī)學文本中經(jīng)常存在某個化學物質(zhì)與多個不同疾病同時相關(guān)的情況,傳統(tǒng)的深度學習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,導致醫(yī)學實體較多的長文本中存在核心實體關(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習文本的多種特征,分段池化后通過分類完成關(guān)系抽取.通過實驗驗證,本文模型在化學物質(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 注意力機制
        3.2.2 卷積神經(jīng)網(wǎng)絡(luò)
        3.2.3 softmax分類
4 實驗及結(jié)果分析
    4.1 實驗數(shù)據(jù)
    4.2 實驗過程與評價標準
        4.2.1 實驗過程
        4.2.2 評價標準
    4.3 實驗結(jié)果與分析
        1)使用不同大小的卷積核進行對比
        2)注意力機制對模型表現(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