فایل ورد کامل یـک روش حــاشیـه نویسـی تطبیقـی برای مـوجـودیت هـای زیست پزشکـی و تشخیـص رابطـه

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یـک روش حــاشیـه نویسـی تطبیقـی برای مـوجـودیت هـای زیست پزشکـی و تشخیـص رابطـه،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۳ صفحه

در این مقاله، ما تأثیر یادگیری تعاملی ماشین را نشان می دهیم: ما یک مجموعه داده ی تشخیص موجودیت زیست پزشکی را با استفاده از روش “انسان در حلقه” توسعه می دهیم. در تقابل با یادگیری ماشینی کلاسیک، روش های انسان در حلقه بر روی مجموعه های تست یا آموزش از پیش تعریف شده عمل نمی کنند، بلکه فرض می شود که ورودی انسانی با توجه به پیشرفت سیستم بصورت تکرارشونده عرضه می شود. در اینجا حین حاشیه-نویسی، یک مدل یادگیری ماشینی بر روی حاشیه نویسی قبلی ایجاد شده و جهت ارائه ی برچسب ها برای حاشیه نویسی بعدی استفاده می شود. به منظور نمایش اینکه چنین حاشیه نویسی تعاملی و تکرارشونده ای سرعت و کیفیت حاشیه نویسی مجموعه داده را افزایش می دهد، سه آزمایش انجام دادیم. در آزمایش اول، شبیه سازی تجربی حاشیه نویسی تکرارشونده را انجام داده و نشان دادیم که تنها تعداد انگشت شماری از چکیده های پزشکی جهت ایجاد پیشنهاداتی که سرعت حاشیه نویسی را بالا می برد، نیاز به حاشیه نویسی دارند. در آزمایش دوم، پزشکان بالینی یک مطالعه ی موردی در حاشیه نویسی اسناد بیماری مرتبط با پژوهش خود انجام دادند. آزمایش سوم، حاشیه نویسی روابط معنایی با یادگیری نمونه ی رابطه در سراسر اسناد را مورد بررسی قرار داد. این آزمایشات به مدل ما به لحاظ کیفی و کمّی اعتبار بخشید، و منجر به یک فناوری استخراج اطلاعات پاسخگو و شخصی تر شد.

کلمات کلیدی: حاشیه نویسی تعاملی | یادگیری ماشین | کشف دانش | داده کاوی | انسان در حلقه | تشخیص موجودیت زیست پزشکی | یادگیری رابطه.

عنوان انگلیسی:

An adaptive annotation approach for biomedical entity and relation recognition

~~en~~ writers :

Seid Muhie Yimam : Chris Biemann : Ljiljana Majnaric : Sefket Sabanovic : Andreas Holzinger

In this article, we demonstrate the impact of
interactive machine learning: we develop biomedical entity
recognition dataset using a human-into-the-loop approach.
In contrary to classical machine learning, human-in-theloop approaches do not operate on predefined training or
test sets, but assume that human input regarding system
improvement is supplied iteratively. Here, during annotation, a machine learning model is built on previous annotations and used to propose labels for subsequent
annotation. To demonstrate that such interactive and iterative annotation speeds up the development of quality
dataset annotation, we conduct three experiments. In the
first experiment, we carry out an iterative annotation
experimental simulation and show that only a handful of
medical abstracts need to be annotated to produce suggestions that increase annotation speed. In the second
experiment, clinical doctors have conducted a case study in annotating medical terms documents relevant for their
research. The third experiment explores the annotation of
semantic relations with relation instance learning across
documents. The experiments validate our method qualitatively and quantitatively, and give rise to a more personalized, responsive information extraction technology.

Keywords: Interactive annotation | Machine learning | Knowledge discovery | Data mining | Human in the loop | Biomedical entity recognition | Relation learning

$$en!!