論文の概要: Informative Causality Extraction from Medical Literature via
Dependency-tree based Patterns
- arxiv url: http://arxiv.org/abs/2203.06592v1
- Date: Sun, 13 Mar 2022 07:26:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 09:50:22.156783
- Title: Informative Causality Extraction from Medical Literature via
Dependency-tree based Patterns
- Title（参考訳）: 依存木型パターンを用いた医学文献からの有益因果抽出
- Authors: Md. Ahsanul Kabir, AlJohara Almulhim, Xiao Luo, Mohammad Al Hasan
- Abstract要約: 医学文献では、文中の因果句は単に名詞や名詞句ではなく、複数の単語からなる複雑な句である。
提案手法はまず,原因・影響関連パターンの集合をテンプレートとして用いて,原因・影響句の見出しを抽出する。
PubMedの記事の文から構築された因果効果データセットの実験は、PatternCausalityが既存の方法よりもかなり優れていることを示している。
- 参考スコア（独自算出の注目度）: 5.105000853556319
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Extracting cause-effect entities from medical literature is an important task
in medical information retrieval. A solution for solving this task can be used
for compilation of various causality relations, such as, causality between
disease and symptoms, between medications and side effects, between genes and
diseases, etc. Existing solutions for extracting cause-effect entities work
well for sentences where the cause and the effect phrases are name entities,
single-word nouns, or noun phrases consisting of two to three words.
Unfortunately, in medical literature, cause and effect phrases in a sentence
are not simply nouns or noun phrases, rather they are complex phrases
consisting of several words, and existing methods fail to correctly extract the
cause and effect entities in such sentences. Partial extraction of cause and
effect entities conveys poor quality, non informative, and often, contradictory
facts, comparing to the one intended in the given sentence. In this work, we
solve this problem by designing an unsupervised method for cause and effect
phrase extraction, PatternCausality, which is specifically suitable for the
medical literature. Our proposed approach first uses a collection of
cause-effect dependency patterns as template to extract head words of cause and
effect phrases and then it uses a novel phrase extraction method to obtain
complete and meaningful cause and effect phrases from a sentence. Experiments
on a cause-effect dataset built from sentences from PubMed articles show that
for extracting cause and effect entities, PatternCausality is substantially
better than the existing methods with an order of magnitude improvement in the
F-score metric over the best of the existing methods.
- Abstract（参考訳）: 医学文献から原因因子を抽出することは医療情報検索において重要な課題である。
この課題を解決するための解決策は、疾患と症状間の因果関係、薬物と副作用間の因果関係、遺伝子と疾患間の因果関係などの様々な因果関係のコンパイルに利用できる。
因果効果エンティティを抽出する既存のソリューションは、因果句と効果句が名前実体、単語名詞、または2語から3語からなる名詞句である文に対してうまく機能する。
残念なことに、医学文献では、文の因果句は単に名詞や名詞句ではなく、複数の単語からなる複雑な句であり、既存の方法はそのような文の因果語や効果語を正しく抽出することができない。
原因と効果の実体の部分的抽出は、品質の悪い非情報的かつしばしば矛盾した事実を、与えられた文で意図されたものと比較して伝達する。
そこで本研究では, 医学文献に特に適している, 原因・効果句抽出のための教師なし手法, パターンカウシリティを考案し, この問題を解決した。
提案手法は,まず,原因効果依存パターンの集合をテンプレートとして,原因・効果句の見出し語を抽出し,その後,新しい句抽出法を用いて文から完全かつ有意義な原因・効果句を得る。
pubmedアーティクルの文から構築された原因効果データセットの実験では、原因と効果の実体を抽出する場合、既存の手法よりもパターンカウサリティが大幅に優れており、既存の手法よりもf-scoreメトリックが桁違いに改善されていることが示されている。
関連論文リスト
- Causal Micro-Narratives [62.47217054314046]
テキストから因果マイクロナラティブを分類する新しい手法を提案する。
これらの物語は、対象対象の因果関係と/または効果の文レベルの説明である。
論文 参考訳（メタデータ） (2024-10-07T17:55:10Z) - Automatic Counterfactual Augmentation for Robust Text Classification
Based on Word-Group Search [12.894936637198471]
一般に、ラベルと表面的関連を生じると、キーワードはショートカットと見なされ、結果として誤った予測となる。
キーワードの組み合わせの因果効果を捉え,予測に最も影響を与える組み合わせを注文する,新しいWord-Groupマイニング手法を提案する。
提案手法は,効率的なポストホック解析とビームサーチに基づいて,マイニング効果の確保と複雑さの低減を図っている。
論文 参考訳（メタデータ） (2023-07-01T02:26:34Z) - Neighboring Words Affect Human Interpretation of Saliency Explanations [65.29015910991261]
単語レベルのサリエンシの説明は、しばしばテキストベースのモデルで特徴属性を伝えるために使われる。
近年の研究では、単語の長さなどの表面的要因が、コミュニケーションされたサリエンシスコアの人間の解釈を歪めてしまうことが報告されている。
本研究では,単語の近傍にある単語のマーキングが,その単語の重要性に対する説明者の認識にどのように影響するかを検討する。
論文 参考訳（メタデータ） (2023-05-04T09:50:25Z) - Causalainer: Causal Explainer for Automatic Video Summarization [77.36225634727221]
多くのアプリケーションシナリオにおいて、不適切なビデオ要約は大きな影響を与える可能性がある。
説明可能性のモデリングは重要な関心事です。
Causalainerと呼ばれるCausal Explainerがこの問題に対処するために提案されている。
論文 参考訳（メタデータ） (2023-04-30T11:42:06Z) - CausalDialogue: Modeling Utterance-level Causality in Conversations [83.03604651485327]
クラウドソーシングを通じて、CausalDialogueという新しいデータセットをコンパイルし、拡張しました。
このデータセットは、有向非巡回グラフ(DAG)構造内に複数の因果効果対を含む。
ニューラル会話モデルの訓練における発話レベルにおける因果性の影響を高めるために,Exponential Average Treatment Effect (ExMATE) と呼ばれる因果性強化手法を提案する。
論文 参考訳（メタデータ） (2022-12-20T18:31:50Z) - Supporting Medical Relation Extraction via Causality-Pruned Semantic
Dependency Forest [8.73855139557187]
本稿では,因果的説明理論に基づく医用テキストからの意味的・統語的情報をモデル化する手法を提案する。
我々はセマンティック埋め込み1-best依存木からなる依存林を生成する。
タスク固有の因果説明器を用いて依存林をプルークし、それを設計したグラフ畳み込みネットワークに入力し、対応する表現を学習する。
論文 参考訳（メタデータ） (2022-08-29T10:17:47Z) - Clinical Named Entity Recognition using Contextualized Token
Representations [49.036805795072645]
本稿では,各単語の意味的意味をより正確に把握するために,文脈型単語埋め込み手法を提案する。
言語モデル(C-ELMo)とC-Flair(C-Flair)の2つの深い文脈型言語モデル(C-ELMo)を事前訓練する。
明示的な実験により、静的単語埋め込みとドメインジェネリック言語モデルの両方と比較して、我々のモデルは劇的に改善されている。
論文 参考訳（メタデータ） (2021-06-23T18:12:58Z) - ENTRUST: Argument Reframing with Language Models and Entailment [19.168400198484164]
フラーミング」とは、聴衆や講演者の目標によって議論や問題を肯定的あるいは否定的に提示することである。
本稿では,制御可能なテキスト生成(肯定的意味)と復号後包含成分(サム・デノメーション)を結合した議論再フレーミング法を提案する。
論文 参考訳（メタデータ） (2021-03-11T16:15:13Z) - Knowledge-based Extraction of Cause-Effect Relations from Biomedical
Text [37.06925225826795]
我々のアプローチは、因果的引き金を発見する教師なし機械学習技術と、高精度な言語規則の組み合わせである。
568,528文からなる58,761個の白血病関連PubMed抽象語を用いたアプローチの評価を行った。
論文 参考訳（メタデータ） (2021-03-10T14:31:46Z) - Unifying Relational Sentence Generation and Retrieval for Medical Image
Report Composition [142.42920413017163]
現在の手法は、個々のケースのデータセットバイアスにより、しばしば最も一般的な文を生成する。
テンプレート検索と文生成を一体化し、共通およびまれな異常に対処する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-01-09T04:33:27Z)
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。