Event extraction is one of the most challenging tasks in information extraction.It is a common phenomenon where multiple events exist in the same sentence.However,extracting multiple events is more difficult than extr...Event extraction is one of the most challenging tasks in information extraction.It is a common phenomenon where multiple events exist in the same sentence.However,extracting multiple events is more difficult than extracting a single event.Existing event extraction methods based on sequence models ignore the interrelated information between events because the sequence is too long.In addition,the current argument extraction relies on the results of syntactic dependency analysis,which is complicated and prone to error trans-mission.In order to solve the above problems,a joint event extraction method based on global event-type guidance and attention enhancement was proposed in this work.Specifically,for multiple event detection,we propose a global-type guidance method that can detect event types in the candidate sequence in advance to enhance the correlation information between events.For argument extraction,we converted it into a table-flling problem,and proposed a table-flling method of the attention mechanism,that is simple and can enhance the correlation between trigger words and arguments.The experimental results based on the ACE 2005 dataset showed that the proposed method achieved 1.6%improvement in the task of event detection,and obtained state-of-the-art results in the argument extraction task,which proved the effectiveness of the method.展开更多
针对现有的类案检索(LCR)方法缺乏对案情要素的有效利用而容易被案例内容的语义结构相似性误导的问题,提出一种融合时序行为链与事件类型的类案检索方法。首先,采取序列标注的方法识别案情描述中的法律事件类型,并利用案例文本中的行为...针对现有的类案检索(LCR)方法缺乏对案情要素的有效利用而容易被案例内容的语义结构相似性误导的问题,提出一种融合时序行为链与事件类型的类案检索方法。首先,采取序列标注的方法识别案情描述中的法律事件类型,并利用案例文本中的行为要素构建时序行为链,以突出案情的关键要素,从而使模型聚焦于案例的核心内容,进而解决现有方法易被案例内容的语义结构相似性误导的问题;其次,利用分段编码构造时序行为链的相似性向量表征矩阵,从而增强案例间行为要素的语义交互;最后,通过聚合评分器,从时序行为链、法律事件类型、犯罪类型这3个角度衡量案例的相关性,从而增加案例匹配得分的合理性。实验结果表明,相较于SAILER(Structure-Aware pre-traIned language model for LEgal case Retrieval)方法,所提方法在LeCaRD(Legal Case Retrieval Dataset)上的P@5值提升了4个百分点、P@10值提升了3个百分点、MAP值提升了4个百分点,而NDCG@30值提升了0.8个百分点。可见,该方法能有效利用案情要素来避免案例内容的语义结构相似性的干扰,并能为类案检索提供可靠的依据。展开更多
事件类型归纳能够从无标注文本中自动发现并命名新事件类型,可以有效获取多个领域的事件知识。现有研究将所有样本视为单一事件样本,仅考虑样本包含的某个事件类型,忽略了多事件样本对事件语义学习和事件类型命名的负面影响。针对上述问...事件类型归纳能够从无标注文本中自动发现并命名新事件类型,可以有效获取多个领域的事件知识。现有研究将所有样本视为单一事件样本,仅考虑样本包含的某个事件类型,忽略了多事件样本对事件语义学习和事件类型命名的负面影响。针对上述问题,提出了一种结合对比学习和迭代优化的事件类型归纳方法。针对多事件样本对事件语义学习的影响,提出了一种基于提示学习的多事件检测方法,在模型训练前检测并剔除多事件样本。为了优化事件语义表示,提出了一种基于抽象语义表示(abstract meaning representation,AMR)的候选触发词识别策略,并引入外部锚点和聚类伪标签,优化对比学习训练效果。为了提升未知事件类型的命名质量,提出了一种基于ChatGPT反馈的事件类型命名迭代优化方法,根据ChatGPT的命名结果,剔除影响事件类型命名的样本,并使用经过处理的数据集微调模型。迭代上述过程,直到生成预期质量的事件类型名称。在ACE2005数据集上的实验结果表明,该方法能够显著提升未知事件类型的聚类效果,并能够有效生成高质量的事件类型名称。展开更多
目的研究旨在探讨连续血糖监测(CGM)与实时胰岛素调节(RTIA)联合应用对1型糖尿病(T1DM)患者低血糖事件的影响,并分析个体特征对该干预效果的影响。研究旨在为T1DM患者的个性化血糖管理提供科学依据,优化低血糖风险管理。方法采用回顾性...目的研究旨在探讨连续血糖监测(CGM)与实时胰岛素调节(RTIA)联合应用对1型糖尿病(T1DM)患者低血糖事件的影响,并分析个体特征对该干预效果的影响。研究旨在为T1DM患者的个性化血糖管理提供科学依据,优化低血糖风险管理。方法采用回顾性研究设计,纳入2023年8月至2024年6月符合标准的60例T1DM患者。所有患者佩戴CGM设备14天,同步接受RTIA干预。通过CareLinkTMPro软件分析血糖指标(包括低血糖事件次数、血糖波动参数等),采用HPLC法检测HbA1c,ELISA法测定C肽水平。统计方法包括t检验、ANOVA、ROC曲线及Logistic回归分析(显著性阈值P<0.05)。结果末期HbA1c显著低于基线(P=0.041);低血糖时间占比(TBR)从5.31%降至4.22%(P=0.022);血糖波动指标MAGE(3.18 vs 3.82 mmol/L)和CONGA(2.50 vs 2.82 mmol/L)均显著降低(P<0.05)。低血糖持续时间缩短(P=0.027),但事件总次数无显著变化(P>0.05)。CGM联合RTIA预测低血糖的AUC为0.81(95%CI:0.75~0.87),灵敏度85.23%,特异度70.35%,优于单一方法(P<0.05)。Logistic回归显示,联合干预显著降低低血糖风险(OR=0.45,P=0.027);年龄(OR=1.05)与高HbA1c(OR=1.35)为独立风险因素(P<0.05)。残余胰岛功能组(餐后C肽≥0.4 ng/mL)低血糖减少幅度达60%,显著高于衰竭组(30%,P<0.05)。结论连续血糖监测联合实时胰岛素调节技术能够有效减少1型糖尿病患者的低血糖事件,并改善血糖波动性,尤其在个体特征较为理想的患者中效果更加显著。展开更多
基金This work was supported by the Hunan Provincial Natural Science Foundation of China(Grant No.2020JJ4624,2019JJ50655)the Scientific Research Fund of Hunan Provincial Education Department(Grant No.19A020)the National Social Science Fund of China(Grant No.20&ZD047)。
文摘Event extraction is one of the most challenging tasks in information extraction.It is a common phenomenon where multiple events exist in the same sentence.However,extracting multiple events is more difficult than extracting a single event.Existing event extraction methods based on sequence models ignore the interrelated information between events because the sequence is too long.In addition,the current argument extraction relies on the results of syntactic dependency analysis,which is complicated and prone to error trans-mission.In order to solve the above problems,a joint event extraction method based on global event-type guidance and attention enhancement was proposed in this work.Specifically,for multiple event detection,we propose a global-type guidance method that can detect event types in the candidate sequence in advance to enhance the correlation information between events.For argument extraction,we converted it into a table-flling problem,and proposed a table-flling method of the attention mechanism,that is simple and can enhance the correlation between trigger words and arguments.The experimental results based on the ACE 2005 dataset showed that the proposed method achieved 1.6%improvement in the task of event detection,and obtained state-of-the-art results in the argument extraction task,which proved the effectiveness of the method.
文摘针对现有的类案检索(LCR)方法缺乏对案情要素的有效利用而容易被案例内容的语义结构相似性误导的问题,提出一种融合时序行为链与事件类型的类案检索方法。首先,采取序列标注的方法识别案情描述中的法律事件类型,并利用案例文本中的行为要素构建时序行为链,以突出案情的关键要素,从而使模型聚焦于案例的核心内容,进而解决现有方法易被案例内容的语义结构相似性误导的问题;其次,利用分段编码构造时序行为链的相似性向量表征矩阵,从而增强案例间行为要素的语义交互;最后,通过聚合评分器,从时序行为链、法律事件类型、犯罪类型这3个角度衡量案例的相关性,从而增加案例匹配得分的合理性。实验结果表明,相较于SAILER(Structure-Aware pre-traIned language model for LEgal case Retrieval)方法,所提方法在LeCaRD(Legal Case Retrieval Dataset)上的P@5值提升了4个百分点、P@10值提升了3个百分点、MAP值提升了4个百分点,而NDCG@30值提升了0.8个百分点。可见,该方法能有效利用案情要素来避免案例内容的语义结构相似性的干扰,并能为类案检索提供可靠的依据。
文摘事件类型归纳能够从无标注文本中自动发现并命名新事件类型,可以有效获取多个领域的事件知识。现有研究将所有样本视为单一事件样本,仅考虑样本包含的某个事件类型,忽略了多事件样本对事件语义学习和事件类型命名的负面影响。针对上述问题,提出了一种结合对比学习和迭代优化的事件类型归纳方法。针对多事件样本对事件语义学习的影响,提出了一种基于提示学习的多事件检测方法,在模型训练前检测并剔除多事件样本。为了优化事件语义表示,提出了一种基于抽象语义表示(abstract meaning representation,AMR)的候选触发词识别策略,并引入外部锚点和聚类伪标签,优化对比学习训练效果。为了提升未知事件类型的命名质量,提出了一种基于ChatGPT反馈的事件类型命名迭代优化方法,根据ChatGPT的命名结果,剔除影响事件类型命名的样本,并使用经过处理的数据集微调模型。迭代上述过程,直到生成预期质量的事件类型名称。在ACE2005数据集上的实验结果表明,该方法能够显著提升未知事件类型的聚类效果,并能够有效生成高质量的事件类型名称。
文摘目的研究旨在探讨连续血糖监测(CGM)与实时胰岛素调节(RTIA)联合应用对1型糖尿病(T1DM)患者低血糖事件的影响,并分析个体特征对该干预效果的影响。研究旨在为T1DM患者的个性化血糖管理提供科学依据,优化低血糖风险管理。方法采用回顾性研究设计,纳入2023年8月至2024年6月符合标准的60例T1DM患者。所有患者佩戴CGM设备14天,同步接受RTIA干预。通过CareLinkTMPro软件分析血糖指标(包括低血糖事件次数、血糖波动参数等),采用HPLC法检测HbA1c,ELISA法测定C肽水平。统计方法包括t检验、ANOVA、ROC曲线及Logistic回归分析(显著性阈值P<0.05)。结果末期HbA1c显著低于基线(P=0.041);低血糖时间占比(TBR)从5.31%降至4.22%(P=0.022);血糖波动指标MAGE(3.18 vs 3.82 mmol/L)和CONGA(2.50 vs 2.82 mmol/L)均显著降低(P<0.05)。低血糖持续时间缩短(P=0.027),但事件总次数无显著变化(P>0.05)。CGM联合RTIA预测低血糖的AUC为0.81(95%CI:0.75~0.87),灵敏度85.23%,特异度70.35%,优于单一方法(P<0.05)。Logistic回归显示,联合干预显著降低低血糖风险(OR=0.45,P=0.027);年龄(OR=1.05)与高HbA1c(OR=1.35)为独立风险因素(P<0.05)。残余胰岛功能组(餐后C肽≥0.4 ng/mL)低血糖减少幅度达60%,显著高于衰竭组(30%,P<0.05)。结论连续血糖监测联合实时胰岛素调节技术能够有效减少1型糖尿病患者的低血糖事件,并改善血糖波动性,尤其在个体特征较为理想的患者中效果更加显著。
