期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于Vocab-GCN的中文医疗文本分类方法
1
作者
杜永兴
孙彤彤
+3 位作者
周李涌
李灵芳
李宝山
弓彦章
《传感器与微系统》
CSCD
北大核心
2023年第8期152-156,共5页
提出一种应用于中文医疗文本分类的基于词汇级的图卷积神经网络(Vocab-GCN)模型。该模型不仅可以直接对医学文本关系图进行学习,在图嵌入中保存关系图的全局结构信息,得到含有语义网络的深层病理关系,而且仅依靠两层卷积神经网络(CNN)...
提出一种应用于中文医疗文本分类的基于词汇级的图卷积神经网络(Vocab-GCN)模型。该模型不仅可以直接对医学文本关系图进行学习,在图嵌入中保存关系图的全局结构信息,得到含有语义网络的深层病理关系,而且仅依靠两层卷积神经网络(CNN)就展现出了良好的学习优势。实验结果表明:基于Vocab-GCN的中文医疗文本分类方法相比于最优的深度学习方法提高了6.17%的分类准确率,适用于患者初步对疾病类型做出诊断。
展开更多
关键词
图卷积神经网络
深度学习
中文医疗文本
分类
疾病诊断
下载PDF
职称材料
支持中文医疗问答的基于注意力机制的栈卷积神经网络模型
被引量:
2
2
作者
滕腾
潘海为
+3 位作者
张可佳
牟雪莲
张锡明
陈伟鹏
《计算机应用》
CSCD
北大核心
2022年第4期1125-1130,共6页
当前的中文问答匹配技术大多都需要先进行分词,中文医疗文本的分词问题需要维护医学词典来缓解分词错误对后续任务影响,而维护词典需要大量人力和知识,致使分词问题一直具有极大的挑战性。同时,现有的中文医疗问答匹配方法都是对问题和...
当前的中文问答匹配技术大多都需要先进行分词,中文医疗文本的分词问题需要维护医学词典来缓解分词错误对后续任务影响,而维护词典需要大量人力和知识,致使分词问题一直具有极大的挑战性。同时,现有的中文医疗问答匹配方法都是对问题和答案分开建模,并未考虑问题和答案中各自包含的关键词汇间的关联关系。因此,提出了一种基于注意力机制的栈卷积神经网络(Att-StackCNN)模型来解决中文医疗问答匹配问题。首先,使用字嵌入对问题和答案进行编码以得到二者各自的字嵌入矩阵;然后,通过利用问题和答案的字嵌入矩阵构造注意力矩阵来得到二者各自的特征注意力映射矩阵;接着,利用栈卷积神经网络(Stack-CNN)模型同时对上述矩阵进行卷积操作,从而得到问题和答案各自的语义表示;最后,进行相似度计算,并利用相似度计算最大边际损失以更新网络参数。所提模型在cMedQA数据集上的Top-1正确率比Stack-CNN模型高接近1个百分点,比Multi-CNNs模型高接近0.5个百分点。实验结果表明,Att-StackCNN模型可以提升中文医疗问答匹配效果。
展开更多
关键词
字嵌入
注意力
栈卷积神经网络
中文医疗文本
问答匹配
下载PDF
职称材料
题名
基于Vocab-GCN的中文医疗文本分类方法
1
作者
杜永兴
孙彤彤
周李涌
李灵芳
李宝山
弓彦章
机构
内蒙古科技大学信息工程学院
内蒙古自治区纪检监察大数据实验室包头大数据研发应用中心
出处
《传感器与微系统》
CSCD
北大核心
2023年第8期152-156,共5页
基金
国家自然科学基金资助项目(61961033)
内蒙古自然科学基金资助项目(2019MS06021)
+4 种基金
内蒙古自治区科技重大专项项目(2019ZD025)
内蒙古自治区研究生教育教学改革研究与实践项目(YJG20191012710)
内蒙古科技成果转化专项项目(2020.1—2021.12)
内蒙古纪检监察大数据实验室开放课题基金资助项目(IMDBD2020019)
内蒙古科技大学创新基金资助项目(2019ODL—S10)。
文摘
提出一种应用于中文医疗文本分类的基于词汇级的图卷积神经网络(Vocab-GCN)模型。该模型不仅可以直接对医学文本关系图进行学习,在图嵌入中保存关系图的全局结构信息,得到含有语义网络的深层病理关系,而且仅依靠两层卷积神经网络(CNN)就展现出了良好的学习优势。实验结果表明:基于Vocab-GCN的中文医疗文本分类方法相比于最优的深度学习方法提高了6.17%的分类准确率,适用于患者初步对疾病类型做出诊断。
关键词
图卷积神经网络
深度学习
中文医疗文本
分类
疾病诊断
Keywords
graph convolutional neural network(GCN)
deep learning
Chinese medical text classification
disease diagnosis
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
下载PDF
职称材料
题名
支持中文医疗问答的基于注意力机制的栈卷积神经网络模型
被引量:
2
2
作者
滕腾
潘海为
张可佳
牟雪莲
张锡明
陈伟鹏
机构
哈尔滨工程大学计算机科学与技术学院
出处
《计算机应用》
CSCD
北大核心
2022年第4期1125-1130,共6页
基金
国家自然科学基金资助项目(62072135)。
文摘
当前的中文问答匹配技术大多都需要先进行分词,中文医疗文本的分词问题需要维护医学词典来缓解分词错误对后续任务影响,而维护词典需要大量人力和知识,致使分词问题一直具有极大的挑战性。同时,现有的中文医疗问答匹配方法都是对问题和答案分开建模,并未考虑问题和答案中各自包含的关键词汇间的关联关系。因此,提出了一种基于注意力机制的栈卷积神经网络(Att-StackCNN)模型来解决中文医疗问答匹配问题。首先,使用字嵌入对问题和答案进行编码以得到二者各自的字嵌入矩阵;然后,通过利用问题和答案的字嵌入矩阵构造注意力矩阵来得到二者各自的特征注意力映射矩阵;接着,利用栈卷积神经网络(Stack-CNN)模型同时对上述矩阵进行卷积操作,从而得到问题和答案各自的语义表示;最后,进行相似度计算,并利用相似度计算最大边际损失以更新网络参数。所提模型在cMedQA数据集上的Top-1正确率比Stack-CNN模型高接近1个百分点,比Multi-CNNs模型高接近0.5个百分点。实验结果表明,Att-StackCNN模型可以提升中文医疗问答匹配效果。
关键词
字嵌入
注意力
栈卷积神经网络
中文医疗文本
问答匹配
Keywords
character embedding
attention
Stack Convolutional Neural Network(Stack-CNN)
Chinese medical text
questions and answers matching
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于Vocab-GCN的中文医疗文本分类方法
杜永兴
孙彤彤
周李涌
李灵芳
李宝山
弓彦章
《传感器与微系统》
CSCD
北大核心
2023
0
下载PDF
职称材料
2
支持中文医疗问答的基于注意力机制的栈卷积神经网络模型
滕腾
潘海为
张可佳
牟雪莲
张锡明
陈伟鹏
《计算机应用》
CSCD
北大核心
2022
2
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部