論文の概要: A survey on natural language processing (nlp) and applications in insurance

• arxiv url: http://arxiv.org/abs/2010.00462v1
• Date: Thu, 1 Oct 2020 14:56:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 07:00:01.297750
• Title: A survey on natural language processing (nlp) and applications in insurance
• Title（参考訳）: 自然言語処理(nlp)とその保険への応用に関する研究
• Authors: Antoine Ly, Benno Uthayasooriyar, Tingting Wang
• Abstract要約: 本稿では,NLP(Natural Language Processing)が保険を提供する機会を説明する。 現在使われている様々な方法の詳細は、その物語にさかのぼる。 また,オープンソースライブラリとpythonコードを用いた特定のメソッドの実装についても解説する。
• 参考スコア（独自算出の注目度）: 4.040320146147257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Text is the most widely used means of communication today. This data is abundant but nevertheless complex to exploit within algorithms. For years, scientists have been trying to implement different techniques that enable computers to replicate some mechanisms of human reading. During the past five years, research disrupted the capacity of the algorithms to unleash the value of text data. It brings today, many opportunities for the insurance industry.Understanding those methods and, above all, knowing how to apply them is a major challenge and key to unleash the value of text data that have been stored for many years. Processing language with computer brings many new opportunities especially in the insurance sector where reports are central in the information used by insurers. SCOR's Data Analytics team has been working on the implementation of innovative tools or products that enable the use of the latest research on text analysis. Understanding text mining techniques in insurance enhances the monitoring of the underwritten risks and many processes that finally benefit policyholders.This article proposes to explain opportunities that Natural Language Processing (NLP) are providing to insurance. It details different methods used today in practice traces back the story of them. We also illustrate the implementation of certain methods using open source libraries and python codes that we have developed to facilitate the use of these techniques.After giving a general overview on the evolution of text mining during the past few years,we share about how to conduct a full study with text mining and share some examples to serve those models into insurance products or services. Finally, we explained in more details every step that composes a Natural Language Processing study to ensure the reader can have a deep understanding on the implementation.
• Abstract（参考訳）: テキストは現在最も広く使われているコミュニケーション手段である。 このデータは豊富だが、アルゴリズム内で利用するには複雑である。 長年にわたり、科学者はコンピュータが人間の読書のメカニズムを再現できる様々な技術を実装してきた。 過去5年間で、研究はテキストデータの価値を解き放つアルゴリズムの能力を破壊した。 今日では、保険業界にとって多くの機会をもたらしており、その方法や適用方法を知ることは大きな課題であり、長年保存されてきたテキストデータの価値を解き放つ鍵となっている。 コンピュータによる処理言語は、特に保険会社が使用する情報の中心にある保険分野において、多くの新しい機会をもたらす。 SCORのデータ分析チームは、テキスト分析に関する最新の研究を利用できる革新的なツールや製品の実装に取り組んでいる。 保険におけるテキストマイニング手法の理解は、不履行リスクの監視と、最終的に政策ステークホルダーに利益をもたらす多くのプロセスを強化する。この記事では、自然言語処理(NLP)が保険にもたらす機会を説明することを提案する。 実際に使われている様々な方法の詳細は、それらの物語に遡る。 また、これらの手法の活用を促進するために開発したオープンソースライブラリやピソンコードを用いた特定の手法の実装についても解説し、過去数年間のテキストマイニングの進化を概観した上で、テキストマイニングによる完全な研究方法と、それらのモデルを保険製品やサービスに提供するためのいくつかの例について紹介する。 最後に、自然言語処理研究を構成するすべてのステップを詳細に説明して、読者が実装について深く理解できるようにしました。

関連論文リスト

• DeTeCtive: Detecting AI-generated Text via Multi-Level Contrastive Learning [24.99797253885887]
  このタスクを達成するための鍵は、異なる著者のスタイルを区別することにある、と我々は主張する。 DeTeCtiveは,マルチタスクの補助的,マルチレベルのコントラスト学習フレームワークである。 我々の手法はテキストエンコーダと互換性がある。
  論文  参考訳（メタデータ） (2024-10-28T12:34:49Z)
• A Universal Prompting Strategy for Extracting Process Model Information from Natural Language Text using Large Language Models [0.8899670429041453]
  生成型大規模言語モデル(LLM)は,広範囲なデータを必要とすることなく,非常に高品質なNLPタスクを解くことができることを示す。 新たなプロンプト戦略に基づいて,LLMが最先端の機械学習手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-26T06:39:35Z)
• MultiADE: A Multi-domain Benchmark for Adverse Drug Event Extraction [11.458594744457521]
  アクティブな有害事象監視は、異なるデータソースからの逆薬物イベント(ADE)を監視する。 ほとんどのデータセットや共有タスクは、特定のタイプのテキストからADEを抽出することに焦点を当てている。 ドメインの一般化 - 新しい、目に見えないドメイン(テキストタイプ)でうまく機能する機械学習モデルの能力は、まだ解明されていない。 我々はMultiADEと名づけた有害薬物イベント抽出のためのベンチマークを構築した。
  論文  参考訳（メタデータ） (2024-05-28T09:57:28Z)
• Large Language Models for Generative Information Extraction: A Survey [89.71273968283616]
  大規模言語モデル(LLM)は、テキスト理解と生成において顕著な能力を示した。 各種IEサブタスクと技術の観点から,これらの作品を分類して概観する。 我々は,最も先進的な手法を実証的に分析し,LLMによるIEタスクの出現傾向を明らかにする。
  論文  参考訳（メタデータ） (2023-12-29T14:25:22Z)
• Active Retrieval Augmented Generation [123.68874416084499]
  外部知識資源から情報を取得することで、大きな言語モデル(LM)を拡張することは、有望な解決策である。 ほとんどの既存の検索拡張LMは、入力に基づいて一度だけ情報を検索する検索と生成のセットアップを採用している。 本稿では,将来的な内容を予測するために,文の予測を反復的に利用する汎用手法であるフォワード・フォワード・アクティブ・レトリヴァル・ジェネレーション・ジェネレーション(FLARE)を提案する。
  論文  参考訳（メタデータ） (2023-05-11T17:13:40Z)
• Mining Healthcare Procurement Data Using Text Mining and Natural Language Processing -- Reflection From An Industrial Project [8.092450321868004]
  我々は、医療分野における何百万もの異質な調達文書を採掘するテキストマイニングとNLPソリューションを開発する産業プロジェクトについて述べる。 ドメイン知識を効果的に活用し、複数のテキストマイニングやNLPタスクや言語に一般化する手法を用いる。 この手法を適用して数百万の調達文書をマイニングし,最初の構造化された調達契約データベースを開発する。
  論文  参考訳（メタデータ） (2023-01-09T15:59:55Z)
• On Decoding Strategies for Neural Text Generators [73.48162198041884]
  言語生成タスクと復号化戦略の相互作用について検討する。 生成したテキストの属性の変化をデコード戦略とタスクの両方の関数として測定する。 以上の結果から,これまで観察された結果と意外な結果の両方が明らかとなった。
  論文  参考訳（メタデータ） (2022-03-29T16:25:30Z)
• TEACHTEXT: CrossModal Generalized Distillation for Text-Video Retrieval [103.85002875155551]
  本研究では,大規模言語前訓練を利用した一般化蒸留法TeachTextを提案する。 提案手法をビデオ側モダリティに拡張し,テスト時に使用するモダリティの数を効果的に削減できることを示す。 提案手法は,いくつかのビデオ検索ベンチマークの精度を著しく向上させ,テスト時の計算オーバーヘッドを増加させない。
  論文  参考訳（メタデータ） (2021-04-16T17:55:28Z)
• Text Mining for Processing Interview Data in Computational Social Science [0.6820436130599382]
  我々は、市販のテキスト分析技術を用いて、計算社会科学研究からのインタビューテキストデータを処理する。 局所的クラスタリングと用語的エンリッチメントが,応答の探索と定量化に有用であることがわかった。 我々は社会科学の研究にテキスト分析を使うことを奨励し、特に探索的オープンエンドな研究に力を入れている。
  論文  参考訳（メタデータ） (2020-11-28T00:44:35Z)
• A Survey of Knowledge-Enhanced Text Generation [81.24633231919137]
  テキスト生成の目標は、機械を人間の言語で表現できるようにすることである。 入力テキストを出力テキストにマッピングすることを学ぶことで、目的を達成するために、様々なニューラルエンコーダデコーダモデルが提案されている。 この問題に対処するために、研究者は入力テキスト以外の様々な種類の知識を生成モデルに組み込むことを検討してきた。
  論文  参考訳（メタデータ） (2020-10-09T06:46:46Z)
• Knowledge-Aware Procedural Text Understanding with Multi-Stage Training [110.93934567725826]
  本稿では,このような文書の理解とプロセス中のエンティティの状態や場所の追跡を目的とした手続き的テキスト理解の課題に焦点をあてる。 常識的推論の難しさとデータ不足という2つの課題はまだ未解決のままである。 我々は、複数の外部知識を効果的に活用する、KnOwledge-Aware ProceduraL text understAnding (KOALA)モデルを提案する。
  論文  参考訳（メタデータ） (2020-09-28T10:28:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。