tailieunhanh - Báo cáo khoa học: "Learning to Temporally Order Medical Events in Clinical Text"

We investigate the problem of ordering medical events in unstructured clinical narratives by learning to rank them based on their time of occurrence. We represent each medical event as a time duration, with a corresponding start and stop, and learn to rank the starts/stops based on their proximity to the admission date. | Learning to Temporally Order Medical Events in Clinical Text Preethi Raghavan Eric Fosler-Lussier and Albert M. Lai Department of Computer Science and Engineering Department of Biomedical Informatics The Ohio State University Columbus Ohio USA raghavap fosler @ Abstract We investigate the problem of ordering medical events in unstructured clinical narratives by learning to rank them based on their time of occurrence. We represent each medical event as a time duration with a corresponding start and stop and learn to rank the starts stops based on their proximity to the admission date. Such a representation allows us to learn all of Allen s temporal relations between medical events. Interestingly we observe that this methodology performs better than a classification-based approach for this domain but worse on the relationships found in the Timebank corpus. This finding has important implications for styles of data representation and resources used for temporal relation learning clinical narratives may have different language attributes corresponding to temporal ordering relative to Timebank implying that the field may need to look at a wider range of domains to fully understand the nature of temporal ordering. 1 Introduction There has been considerable research on learning temporal relations between events in natural language. Most learning problems try to classify event pairs as related by one of Allen s temporal relations Allen 1981 . before simultaneous in-cludes during overlaps begins starts ends finishes and their inverses Mani et al. 2006 . The Timebank corpus widely used for temporal relation learning consists of newswire text annotated for events temporal expressions and temporal relations between events using TimeML Pustejovsky et al. 2003 . In Timebank the notion of an event primarily consists of verbs or phrases that denote change in state. 70 However there may be a need to rethink how we learn temporal relations .

• Báo cáo khoa học
• Learning to Temporally Order Medical Events
• Clinical Text
• Preethi Raghavan
• báo cáo khoa học
• báo cáo ngôn ngữ
• ngôn ngữ tự nhiên
• Bài giảng Xử lý ngôn ngữ tự nhiên
• Xử lý ngôn ngữ tự nhiên
• Kỹ thuật lập trình
• Mô hình ngôn ngữ
• Mô hình n gram
• Dịch máy
• Phương pháp dịch máy
• Hiểu ngôn ngữ
• Phân loại tin tự động
• Tạo chí tin học
• Điều khiển học
• Truy vấn ngôn ngữ tự nhiên
• Phép dịch truy vấn ngôn ngữ tự nhiên
• Truy vấn SQL
• Văn phạm ngữ nghĩa
• Xử lý nhập nhằng ngữ nghĩa
• Xử lý ngữ nghĩa
• Phân tích ngữ nghĩa
• Biểu diễn vị từ
• Thuộc tính về sự kiện
• Thuộc tính về sự kiện
• Xử lý ngôn ngữ
• Natural Language Processing
• Ngôn ngữ lập trình
• Nhập nhằng cấu trúc
• Tri thức về ngôn ngữ
• Mô hình ngôn ngữ Google Book N grams
• Mô hình ngôn ngữ KenLM
• Phương pháp làm mịn
• Bài toán PTCP
• Phân tích cú pháp
• Cấu trúc ngữ pháp
• Phân tích cú pháp xác suất
• CKY kết hợp xác suất
• Văn phạm phi ngữ cảnh xác suất
• Hình thái học
• Gán nhãn từ loại
• Ngôn ngữ tự nhiên trong dịch máy
• Hệ thống dịch máy
• Phương pháp xây dựng bảng từ
• Tác từ
• Conditional random fields
• Nhận dạng thực thể có tên
• Đối tượng vật lý trừu tượng
• Phân lớp văn bản
• Biểu diễn nhị phân
• Ma trận từ văn bản
• Wolfram Alpha
• Trích rút thông tin
• Phương pháp Snowball