典型文献
基于卷积神经网络的生物医学实体标准化研究
文献摘要：
随着深度学习的崛起,越来越多的人使用深度学习的方法来研究实体标准化.基于神经网络的各种复杂模型都需要大量的标注数据来进行训练,当可用的训练数据较少时其性能急剧下降.文章使用结合基于卷积神经网络的模型来研究实体标准化.标准实体由向量空间模型处理成为标准向量,预标注文本中的通俗实体经由卷积神经网络提取其中的语义特征并转化成为特征向量.在新的特征空间中,词义相近的2个特征向量之间的余弦距离应当较小.文章使用完美匹配模块来提升模型准确率和训练效率,仅采用1个卷积层和2个全连接层的浅层网络结构极大降低模型的复杂程度.整合3个结构相同但卷积核大小不同的网络模型保证模型的可靠性.5-折交叉验证来被用来提升模型的泛化能力.得益于卷积神经网络,该模型能够很好地捕捉到词向量的特征并将其标准化.简单的网络结构使得模型在可用的训练数据较少时也能够有出色表现.
文献关键词：
实体标准化;实体链接;卷积神经网络;神经网络;自然语言处理
中图分类号：
作者姓名：
赵兰枝;史欣沅
作者机构：
河套学院 数学与计算机系,内蒙古 巴彦淖尔 015000;中国科学院大学,北京 101408
文献出处：
引用格式：
[1]赵兰枝;史欣沅-.基于卷积神经网络的生物医学实体标准化研究)[J].科技创新与应用,2022(15):30-35
A类：
实体标准化
B类：
标准化研究,使用深度,复杂模型,训练数据,少时,急剧下降,向量空间模型,模型处理,注文,通俗,语义特征,转化成,特征向量,特征空间,词义,余弦距离,完美匹配,配模,模型准确率,训练效率,卷积层,全连接层,复杂程度,卷积核,交叉验证,泛化能力,捕捉到,词向量,出色,实体链接,自然语言处理
AB值：
0.341263
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
