【论文标题】Biomedical Named Entity Recognition at Scale 【作者团队】Veysel Kocaman, David Talby 【发表时间】2020/11/12 【论文链接】https://arxiv.org/pdf/2011.06315.pdf 【推荐理由】本文基于Apache Spark复现了BiLSTM-CNN-Char深度学习架构，并提出一种单一的可训练的NER模型，该模型无需基于BERT这样的复杂上下文嵌入。同时在7个公共生物医学数据集上均取得了SOTA结果。 命名实体识别是一项应用广泛的自然语言处理任务，是问答、主题建模、信息检索等领域的基础任务。在医疗领域，NER扮演着重要的角色，它从临床笔记和报告中提取有意义的块，然后将这些块反馈给下游任务，如断言状态检测、实体解析、关系提取和去识别。文章主要贡献有三点：1、提供了第一个生产级可伸缩的NER模型实现。2、提供一个最先进的NER模型，超过Stanza和SciSpaCy报告的生物医学NER基准。3、解释了Spark NLP中的NER模型实现，它是唯一可以在Spark集群中扩展的NLP库，同时支持流行的编程语言（Python、Java等）。

内容中包含的图片若涉及版权问题，请及时与我们联系删除