• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

使用独立命名实体识别服务改进spaCy依存关系标注和词性标注网络服务。

Improving spaCy dependency annotation and PoS tagging web service using independent NER services.

作者信息

Colic Nico, Rinaldi Fabio

机构信息

Institute of Computational Linguistics, University of Zurich, CH-8050 Zurich, Switzerland.

IDSIA, CH-6928 Manno, Switzerland.

出版信息

Genomics Inform. 2019 Jun;17(2):e21. doi: 10.5808/GI.2019.17.2.e21. Epub 2019 Jun 24.

DOI:10.5808/GI.2019.17.2.e21
PMID:31307136
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC6808626/
Abstract

Dependency parsing is often used as a component in many text analysis pipelines. However, performance, especially in specialized domains, suffers from the presence of complex terminology. Our hypothesis is that including named entity annotations can improve the speed and quality of dependency parses. As part of BLAH5, we built a web service delivering improved dependency parses by taking into account named entity annotations obtained by third party services. Our evaluation shows improved results and better speed.

摘要

依存句法分析通常被用作许多文本分析流程中的一个组件。然而，其性能，尤其是在专业领域，会受到复杂术语的影响。我们的假设是，包含命名实体注释可以提高依存句法分析的速度和质量。作为BLAH5的一部分，我们构建了一个网络服务，通过考虑第三方服务获得的命名实体注释来提供改进后的依存句法分析。我们的评估显示结果得到了改善，速度也更快。

https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/c79669e312ec/gi-2019-17-2-e21f8.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/7d1cca1ac226/gi-2019-17-2-e21f1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/1089ce4063e2/gi-2019-17-2-e21f2.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/0a12334e9138/gi-2019-17-2-e21f3.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/931d9586c759/gi-2019-17-2-e21f4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/25e1bd3e6d0e/gi-2019-17-2-e21f5.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/f29d09ca2d6e/gi-2019-17-2-e21f6.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/9a2681bedf77/gi-2019-17-2-e21f7.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/c79669e312ec/gi-2019-17-2-e21f8.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/7d1cca1ac226/gi-2019-17-2-e21f1.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/1089ce4063e2/gi-2019-17-2-e21f2.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/0a12334e9138/gi-2019-17-2-e21f3.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/931d9586c759/gi-2019-17-2-e21f4.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/25e1bd3e6d0e/gi-2019-17-2-e21f5.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/f29d09ca2d6e/gi-2019-17-2-e21f6.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/9a2681bedf77/gi-2019-17-2-e21f7.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/6f34/6808626/c79669e312ec/gi-2019-17-2-e21f8.jpg

相似文献

1
Improving spaCy dependency annotation and PoS tagging web service using independent NER services.使用独立命名实体识别服务改进spaCy依存关系标注和词性标注网络服务。
Genomics Inform. 2019 Jun;17(2):e21. doi: 10.5808/GI.2019.17.2.e21. Epub 2019 Jun 24.
2
A fine-grained Chinese word segmentation and part-of-speech tagging corpus for clinical text.一个用于临床文本的细粒度中文分词和词性标注语料库。
BMC Med Inform Decis Mak. 2019 Apr 9;19(Suppl 2):66. doi: 10.1186/s12911-019-0770-7.
3
Extraction of CYP chemical interactions from biomedical literature using natural language processing methods.使用自然语言处理方法从生物医学文献中提取CYP化学相互作用。
J Chem Inf Model. 2009 Feb;49(2):263-9. doi: 10.1021/ci800332w.
4
Design, implementation, and operation of a rapid, robust named entity recognition web service.一个快速、强大的命名实体识别网络服务的设计、实现与运营。
J Cheminform. 2019 Mar 8;11(1):19. doi: 10.1186/s13321-019-0344-9.
5
A deep learning model incorporating part of speech and self-matching attention for named entity recognition of Chinese electronic medical records.基于词性和自匹配注意力的深度学习模型在中文电子病历命名实体识别中的应用。
BMC Med Inform Decis Mak. 2019 Apr 9;19(Suppl 2):65. doi: 10.1186/s12911-019-0762-7.
6
From POS tagging to dependency parsing for biomedical event extraction.从词性标注到生物医学事件抽取的依存句法分析。
BMC Bioinformatics. 2019 Feb 12;20(1):72. doi: 10.1186/s12859-019-2604-0.
7
Boosting drug named entity recognition using an aggregate classifier.使用聚合分类器提升药物命名实体识别
Artif Intell Med. 2015 Oct;65(2):145-53. doi: 10.1016/j.artmed.2015.05.007. Epub 2015 Jun 17.
8
BCC-NER: bidirectional, contextual clues named entity tagger for gene/protein mention recognition.BCC-NER：用于基因/蛋白质提及识别的双向上下文线索命名实体标记器。
EURASIP J Bioinform Syst Biol. 2017 Dec;2017(1):7. doi: 10.1186/s13637-017-0060-6. Epub 2017 May 5.
9
How to make the most of NE dictionaries in statistical NER.如何在统计命名实体识别中充分利用命名实体词典。
BMC Bioinformatics. 2008 Nov 19;9 Suppl 11(Suppl 11):S5. doi: 10.1186/1471-2105-9-S11-S5.
10
OGER++: hybrid multi-type entity recognition.OGER++：混合多类型实体识别
J Cheminform. 2019 Jan 21;11(1):7. doi: 10.1186/s13321-018-0326-3.

本文引用的文献

1
Design, implementation, and operation of a rapid, robust named entity recognition web service.一个快速、强大的命名实体识别网络服务的设计、实现与运营。
J Cheminform. 2019 Mar 8;11(1):19. doi: 10.1186/s13321-019-0344-9.
2
OGER++: hybrid multi-type entity recognition.OGER++：混合多类型实体识别
J Cheminform. 2019 Jan 21;11(1):7. doi: 10.1186/s13321-018-0326-3.
3
TaggerOne: joint named entity recognition and normalization with semi-Markov Models.TaggerOne：使用半马尔可夫模型进行联合命名实体识别与归一化
Bioinformatics. 2016 Sep 15;32(18):2839-46. doi: 10.1093/bioinformatics/btw343. Epub 2016 Jun 9.