Bài viết nghiên cứu và thử nghiệm một mô hình DL cho bài toán SRL trên văn bản Y Sinh và phân tích, đánh giá kết quả đạt được của mô hình. Để nắm chi tiết hơn nội dung nghiên cứu, mời các bạn cùng tham khảo bài viết. | Tạp chí Phát triển Khoa học và Công nghệ Khoa học Tự nhiên 5 2 1032-1039 Open Access Full Text Article Bài nghiên cứu Mô hình học sâu cho bài toán gán nhãn ngữ nghĩa trên văn bản y sinh Tuấn Nguyên Hoài Đức1 Lê Đình Việt Huy2 Trần Tiền Lợi Long Tứ3 TÓM TẮT Chúng tôi xây dựng một mô hình gán nhãn Cấu trúc Đối số Vị ngữ cho văn bản Y Sinh. Cấu trúc Đối số Vị ngữ là thông tin ngữ nghĩa quan trọng của văn bản do nó chuyển tải sự kiện chính được Use your smartphone to scan this nói đến trong mỗi câu. Rút trích được Cấu trúc Đối số Vị ngữ trong câu là tiền đề quan trọng để QR code and download this article máy tính có thể giải quyết được hàng loạt bài toán khác liên quan đến ngữ nghĩa của văn bản như rút trích sự kiện rút trích thực thể hệ hỏi đáp Cấu trúc Đối số Vị ngữ phụ thuộc vào lĩnh vực của văn bản. Do đó trong lĩnh vực Y Sinh văn bản cần xác định khung Đối số Vị ngữ hoàn toàn mới so với lĩnh vực tổng quát. Với đặc thù phải xử lý trên một khung đối số mới việc xác định bộ đặc trưng cho học máy là khó và đòi hỏi nhiều công sức chuyên gia. Để giải quyết thách thức này chúng tôi chọn huấn luyện mô hình của mình bằng phương pháp Học sâu Deep learning với Mạng nơ ron bộ nhớ ngắn dài hai chiều Bi-directional Long Short Term Memory . Học sâu là phương pháp học máy không đòi hỏi con người phải xác định bộ đặc trưng một cách thủ công. Ngoài ra chúng tôi cũng tích hợp kết nối cao tốc Highway Connection giữa những tầng nơ ron ẩn không liên tiếp để hạn chế mất mát đạo hàm. Bên cạnh đó để khắc phục vấn đề ngữ liệu huấn luyện ít chúng tôi tích hợp Học sâu với kỹ thuật Học đa tác vụ. Học Đa tác vụ giúp cho tác vụ chính bài toán gán nhãn Cấu trúc Đối số Vị ngữ được bổ trợ tri thức từ một tác vụ phụ có liên quan mật thiết là bài toán rút trích Thực thể. Mô hình của chúng tôi đạt F1 72 mà không cần chuyên gia thiết kế bất kỳ đặc trưng nào qua đó cho thấy triển vọng của Học sâu trong bài toán này. Ngoài ra kết quả thực nghiệm cũng cho thấy Học đa tác vụ là kỹ thuật phù hợp để khắc .
