Three monitor models of enterprise crisis were introduced,i.e.,the monitoring model of enterprise crisis based on intelligent Meta search,the enterprise crisis management model based on artificial neural network and t...Three monitor models of enterprise crisis were introduced,i.e.,the monitoring model of enterprise crisis based on intelligent Meta search,the enterprise crisis management model based on artificial neural network and the combined early-warning model.Combined with the advantages of cloud computing,the prominent crisis management models are improved and more efficient,comprehensive and accurate in enterprise crisis management.Through the empirical study of the models,cloud computing makes the early warning structures of enterprise crisis tend to be more simple and efficient,cloud computing can effectively enhance the recognition ability and learning ability of the crisis management,and cloud computing can keep data information updating and realize the dynamic management of enterprise joint early-warning.At the same time,according to the comparative analysis and the experimental result,the crisis management models based on cloud computing also need some improvements.展开更多
药物不良事件信息往往以非结构化自由文本的形式分散于多元数据源中,其语义表达具有高维稀疏性,难以捕捉其跨模态语义关联,导致关键信息提取的精确率失衡,进而影响不良事件监测预警的准确性。研究提出基于知识图谱与自然语言处理(Natura...药物不良事件信息往往以非结构化自由文本的形式分散于多元数据源中,其语义表达具有高维稀疏性,难以捕捉其跨模态语义关联,导致关键信息提取的精确率失衡,进而影响不良事件监测预警的准确性。研究提出基于知识图谱与自然语言处理(Natural Language Processing,NLP)的药物不良事件监测预警方法。方法采用MEARank模型,整合NLP工具、预训练语言模型及定制化算法,通过关联性评分与位置正则化算法实现病程记录中药物、症状等关键词的精准提取。提取的关键词与结构化医学知识库中的不良事件报告相结合,构建药物不良事件知识图谱,并利用TransE模型进行知识图谱嵌入,获得实体和关系的低维向量表示。基于医疗专家经验构建的贝叶斯网络模型将知识图谱中的实体与关系转化为联合概率求解问题,实现药物不良事件风险等级的动态评估与预警。实验表明:上述方法构建的知识图谱平均倒数排名(MRR)达到0.9,TransE模型仅需40次迭代即可收敛,能够实现风险等级的精细化评估与准确预警,为临床用药安全提供可靠的技术支持。展开更多
基于“预训练+微调”范式的实体关系联合抽取方法依赖大规模标注数据,在数据标注难度大、成本高的中文古籍小样本场景下微调效率低,抽取性能不佳;中文古籍中普遍存在实体嵌套和关系重叠的问题,限制了实体关系联合抽取的效果;管道式抽取...基于“预训练+微调”范式的实体关系联合抽取方法依赖大规模标注数据,在数据标注难度大、成本高的中文古籍小样本场景下微调效率低,抽取性能不佳;中文古籍中普遍存在实体嵌套和关系重叠的问题,限制了实体关系联合抽取的效果;管道式抽取方法存在错误传播问题,影响抽取效果。针对以上问题,提出一种基于提示学习和全局指针网络的中文古籍实体关系联合抽取方法。首先,利用区间抽取式阅读理解的提示学习方法对预训练语言模型(PLM)注入领域知识以统一预训练和微调的优化目标,并对输入句子进行编码表示;其次,使用全局指针网络分别对主、客实体边界和不同关系下的主、客实体边界进行预测和联合解码,对齐成实体关系三元组,并构建了PTBG(Prompt Tuned BERT with Global pointer)模型,解决实体嵌套和关系重叠问题,同时避免了管道式解码的错误传播问题;最后,在上述工作基础上分析了不同提示模板对抽取性能的影响。在《史记》数据集上进行实验的结果表明,相较于注入领域知识前后的OneRel模型,PTBG模型所取得的F1值分别提升了1.64和1.97个百分点。可见,PTBG模型能更好地对中文古籍实体关系进行联合抽取,为低资源的小样本深度学习场景提供了新的研究思路与方法。展开更多
为提升医院智能导诊与问答服务的准确性,本文设计并实现了一套基于B/S架构的智能导诊问答系统。系统采用三层架构,划分为数据层、逻辑层与展示层,以满足功能解耦与可扩展性需求。首先,构建面向中文医疗领域的知识图谱;其次,提出基于BER...为提升医院智能导诊与问答服务的准确性,本文设计并实现了一套基于B/S架构的智能导诊问答系统。系统采用三层架构,划分为数据层、逻辑层与展示层,以满足功能解耦与可扩展性需求。首先,构建面向中文医疗领域的知识图谱;其次,提出基于BERT的双向长短期记忆网络与条件随机场联合模型的命名实体识别模型(BERT-Bidirectional Long Short-Term Memory-Conditional Random Field,BERT-BiLSTM-CRF),用于从非结构化文本中精准抽取医疗知识图谱中的关键实体;患者交互界面通过Qt框架实现,支持自然语言问答与导诊结果可视化。通过仿真实验与系统测试对模型性能及系统功能进行验证,结果表明:所提BERT-BiLSTM-CRF模型在中文医疗命名实体识别任务中,准确率、精确率、召回率和F1值分别达到93.14%、93.67%、95.02%和94.12%;系统整体功能完备,具备良好的安全性、易用性与可扩展性,符合设计预期。研究表明,该系统能够有效支撑医院智能导诊与问答服务,显著提升诊疗效率与服务质量,为医院无纸化与智能化建设提供技术基础。展开更多
基金The Central College Fund Free Exploration Projects,China(No.14D111002)The Research Achievements of Shanghai Public Crisis of Cross-Border Governance Research Achievements,China(No.15D111001)
文摘Three monitor models of enterprise crisis were introduced,i.e.,the monitoring model of enterprise crisis based on intelligent Meta search,the enterprise crisis management model based on artificial neural network and the combined early-warning model.Combined with the advantages of cloud computing,the prominent crisis management models are improved and more efficient,comprehensive and accurate in enterprise crisis management.Through the empirical study of the models,cloud computing makes the early warning structures of enterprise crisis tend to be more simple and efficient,cloud computing can effectively enhance the recognition ability and learning ability of the crisis management,and cloud computing can keep data information updating and realize the dynamic management of enterprise joint early-warning.At the same time,according to the comparative analysis and the experimental result,the crisis management models based on cloud computing also need some improvements.
文摘药物不良事件信息往往以非结构化自由文本的形式分散于多元数据源中,其语义表达具有高维稀疏性,难以捕捉其跨模态语义关联,导致关键信息提取的精确率失衡,进而影响不良事件监测预警的准确性。研究提出基于知识图谱与自然语言处理(Natural Language Processing,NLP)的药物不良事件监测预警方法。方法采用MEARank模型,整合NLP工具、预训练语言模型及定制化算法,通过关联性评分与位置正则化算法实现病程记录中药物、症状等关键词的精准提取。提取的关键词与结构化医学知识库中的不良事件报告相结合,构建药物不良事件知识图谱,并利用TransE模型进行知识图谱嵌入,获得实体和关系的低维向量表示。基于医疗专家经验构建的贝叶斯网络模型将知识图谱中的实体与关系转化为联合概率求解问题,实现药物不良事件风险等级的动态评估与预警。实验表明:上述方法构建的知识图谱平均倒数排名(MRR)达到0.9,TransE模型仅需40次迭代即可收敛,能够实现风险等级的精细化评估与准确预警,为临床用药安全提供可靠的技术支持。
文摘基于“预训练+微调”范式的实体关系联合抽取方法依赖大规模标注数据,在数据标注难度大、成本高的中文古籍小样本场景下微调效率低,抽取性能不佳;中文古籍中普遍存在实体嵌套和关系重叠的问题,限制了实体关系联合抽取的效果;管道式抽取方法存在错误传播问题,影响抽取效果。针对以上问题,提出一种基于提示学习和全局指针网络的中文古籍实体关系联合抽取方法。首先,利用区间抽取式阅读理解的提示学习方法对预训练语言模型(PLM)注入领域知识以统一预训练和微调的优化目标,并对输入句子进行编码表示;其次,使用全局指针网络分别对主、客实体边界和不同关系下的主、客实体边界进行预测和联合解码,对齐成实体关系三元组,并构建了PTBG(Prompt Tuned BERT with Global pointer)模型,解决实体嵌套和关系重叠问题,同时避免了管道式解码的错误传播问题;最后,在上述工作基础上分析了不同提示模板对抽取性能的影响。在《史记》数据集上进行实验的结果表明,相较于注入领域知识前后的OneRel模型,PTBG模型所取得的F1值分别提升了1.64和1.97个百分点。可见,PTBG模型能更好地对中文古籍实体关系进行联合抽取,为低资源的小样本深度学习场景提供了新的研究思路与方法。
文摘为提升医院智能导诊与问答服务的准确性,本文设计并实现了一套基于B/S架构的智能导诊问答系统。系统采用三层架构,划分为数据层、逻辑层与展示层,以满足功能解耦与可扩展性需求。首先,构建面向中文医疗领域的知识图谱;其次,提出基于BERT的双向长短期记忆网络与条件随机场联合模型的命名实体识别模型(BERT-Bidirectional Long Short-Term Memory-Conditional Random Field,BERT-BiLSTM-CRF),用于从非结构化文本中精准抽取医疗知识图谱中的关键实体;患者交互界面通过Qt框架实现,支持自然语言问答与导诊结果可视化。通过仿真实验与系统测试对模型性能及系统功能进行验证,结果表明:所提BERT-BiLSTM-CRF模型在中文医疗命名实体识别任务中,准确率、精确率、召回率和F1值分别达到93.14%、93.67%、95.02%和94.12%;系统整体功能完备,具备良好的安全性、易用性与可扩展性,符合设计预期。研究表明,该系统能够有效支撑医院智能导诊与问答服务,显著提升诊疗效率与服务质量,为医院无纸化与智能化建设提供技术基础。
