星空的博客

消除由NER模型识别的实体提及的歧义，因为不同的结构可以表示相同的实体(图1C)。pubmedKB结合了一种新的探索性文献挖掘方法和为研究人员提供的交互界面，从而可以快速、智能地搜索大型生物医学文献，从而提供有用的知识和见解。在未来，我们希望扩展当前的PubMed摘要数据集，以包括PubMed Central全文文章，尽管这将需要在速度和准确性方面提高搜索性能，以应对数据集规模的大幅增加。指的是在同一篇文献中，不同种类的生物医学概念（如基因、蛋白质、疾病、药物、生物过程等）同时出现的情况。

本文提出了多种基于神经网络的序列标注模型。这些模型包括LSTM网络、双向LSTM网络(BI-LSTM)、带CRF层的LSTM网络(LSTM-CRF)和带CRF层的双向LSTM网络(BILSTM-CRF)。我们的贡献可以概括如下。1)系统比较了上述模型在NLP标注数据集上的性能;2)我们的工作首次将双向LSTM CRF(表示为BI-LSTM-CRF)模型应用于NLP基准序列标记数据集。由于双向LSTM组件，该模型可以使用过去和未来的输入特征。此外，由于有CRF层，该模型可以使用句子级别的标记信息。