使用基于池的模拟退火与词向量模型学习可解释医疗文本分类的正则表达式
医学物理
2020-11-19 v1
摘要
本文提出一种由高质量且可解释的正则表达式构成的基于规则的引擎，用于医疗文本分类。这些正则表达式由构造性启发式方法自动生成，并使用基于池的模拟退火（PSA）方法进行优化。尽管现有深度神经网络（DNN）方法在大多数自然语言处理（NLP）应用中表现出高质量性能，但其解被视为对人类不可解释的黑箱。因此，在需要可解释解时，尤其是在医疗领域，常引入基于规则的方法。然而，对于大型数据集，正则表达式的构建可能极其耗费人力。本研究旨在减少人工投入的同时保持高质量解。
引用
@article{arxiv.2011.09352,
title = {Ex vivo estimation of cementless femoral stem stability using an instrumented hammer},
author = {Hugues Albini Lomami and Camille Damour and Giuseppe Rosi and Anne-Sophie Poudrel and Arnaud Dubory and Charles-Henri Flouzat-Lachaniette and Guillaume Haiat},
journal= {arXiv preprint arXiv:2011.09352},
year = {2020}
}