XiaoMi-AI文件搜索系统
World File Search SystemEntity
使用实体上下文的白皮书可见到设备，应用程序和用户
此软件包提供了相关的摘要，该信息通常由分析师和安全团队手工制作的信息进行狩猎和事件响应。Corelight将实体定义为企业网络元素，例如系统，服务器，用户，域或证书。这些属性可在一组相互关联的日志中获得，这些日志从完整的Corelight日志流进行了汇总以进行快速搜索。此日志集包括有关网络上所有内容的实体信息，从IT设备（笔记本电脑，服务器，电话，打印机）到工业控制系统（ICS）和操作技术（OT）设备（构建自动化，相机和工业控制系统）。
子宫颈玻璃细胞癌：罕见的实体和文献评论
玻璃状细胞癌是一个极为罕见的实体，发生在所有宫颈癌病例的1％至2％中，影响倾向更大的年轻女性，与较差的前进和远处转移有关。它与高危人乳头瘤病毒（血清型16、18和31）的存在密切相关，并且在组织学上表现为地面玻璃细胞，具有巨大的颗粒和密集的染色质的细胞质，具有较大的核和大核和突起的核仁。我们出示了一名51岁的女性，她在FIGO IB1中被诊断出患有子宫颈的玻璃细胞癌（在世界卫生组织的最新版本肿瘤分类之前），该阶段IB1进行了治疗，该阶段是通过根部性的子宫切除术和双侧骨盆淋巴结剖分进行的，其病理学结果显示了该阴道上三分之二的渗透率，使cagia的渗透率更改为Figo I I I i ia crign conding figo i。她接受了辅助放疗/化学疗法，并具有良好的反应，随后的对照没有复发的迹象，目前还活着。
关键字提取和技术实体提取的破坏性技术政策文本
破坏性技术是由哈佛大学教授克里斯滕森（Christensen）于1997年提出的[1]，并已成为近年来国际机构和研究人员的热门话题。通常认为，破坏性技术是战略创新技术，它基于S＆T的新原理，组合和应用开辟了新的技术轨道，并为传统或主流技术提供了整体或基本的替代方法。破坏性技术具有强大的应用功能，可以增强企业甚至国家的科学和技术竞争力，促进科学和技术产品的更新，提高社会生产效率，并有望在许多领域产生巨大影响。破坏性的技术政策可以刺激技术创新并提供相应的支持和保证，因此有必要研究颠覆性技术政策文本的采矿。
利用大型语言模型进行供应链网络提取和实体分类
供应链网络对于行业的运营效率至关重要，但其日益复杂的特性给映射关系和识别各种实体的角色带来了巨大挑战。构建供应链网络的传统方法严重依赖结构化数据集和手动数据收集，限制了其范围和效率。相比之下，自然语言处理 (NLP) 和大型语言模型 (LLM) 的最新进展为使用非结构化文本数据发现和分析供应链网络提供了新的机会。本文提出了一种新方法，利用 LLM 从公开来源提取和处理原始文本信息以构建全面的供应链图。我们以土木工程领域为例，展示了 LLM 如何揭示公司、项目和其他实体之间的隐藏关系。此外，我们对 LLM 进行了微调，以对供应链图中的实体进行分类，从而提供有关其角色和关系的详细见解。结果表明，特定领域的微调提高了分类准确性，凸显了 LLM 在行业特定供应链分析中的潜力。我们的贡献包括为土木工程领域开发供应链图，以及增强实体分类和供应链网络理解的微调 LLM 模型。
ds@gt clef2024 bionne竞赛工作说明
可能彼此包含的嵌套命名实体的抽象识别可以增强发现命名实体的覆盖范围。此功能对于诸如关系提取，实体链接和知识图种群等任务特别有用。本文介绍了组织者关于Bionne竞赛的报告，该报告的重点是英语和俄语的医学文本中嵌套的名为实体识别系统。比赛包括三个子任务：双语，面向英语和面向俄语。培训和验证集源自Nerel-Bio数据集的一个子集，该数据集是PubMed摘要的语料库。对于Bionne评估，从原始数据集中选择了八种最常见的医疗实体类型。此外，为共享任务开发了一个新颖的测试集，其中包括英语和俄语的154个摘要。在BioASQ研讨会的框架内举行，竞争旨在推进生物医学领域内嵌套的研究。
人工智能技术是人类发展现阶段企业竞争力的因素
除了大公司之外，中小企业也变得更加活跃，由于已经形成的市场利基多种多样，它们已经确定了将要开展工作的领域，并积极开始为未来产品开发有前景的销售市场 [4]。这类组织的例子包括为英特尔开发计算机芯片的 Nervana。根据新的技术趋势，它们的芯片配备了内置 AI，可以根据对载体运行的观察来优化其进一步活动，从而影响其耐磨性和速度。位于美国硅谷的初创公司 Cerebras 目前正在实施一个类似的商业项目。据《福布斯》报道，到 2018 年初，该公司已成功吸引了 1 亿美元的投资资本。
用语言体现的可执行策略学习 -
使用所有这些不同的数据源，可以提供可以为不同处理方法提供支持的格式至关重要。知识图是一种灵活的格式，可以与这些来源中的所有差异相同。这些图可以在文档的不同级别上容纳不同的注释，并能够集成到一个已经存在的，已经存在的半网络生态系统中。要将这些数据转换为信息，我们仍然需要应用自然语言处理（NLP）技术，例如命名的实现识别（NER）和关系发现（RD）。在过去的几年中，NLP领域由于模型（例如卷积神经网络（CNN））的出现而实现了很大的飞跃（Krizhevsky等人。，2012年）和双向长短期记忆（BI-LSTMS）（Lample等人，2016年），最近，使用了经过训练的模型，例如Bert（Devlin等人，2019年）或巴特（Lewis等人，2020年），再加上Others技术，进一步改善了最新技术的状态。但是，作为（Battaglia等人的作者），2018年）注意到，为了使这些模型进一步改善，有必要能够概括其经验，当前的模型依靠关系假设来做出正确的预测。这是可以使用图形和Graphml的使用来改善场（Battaglia等人。，2018年）。这些方法可以处理广泛的概率和数据类型，甚至可以与先前的技术合并。，2021; Cetoli等。，2017年； Madan等。，2023）在不同的领域。几项作品已经为NLP任务或将它们与其他深度学习（DL）技术合并为自己探索的图形网络（Carbonell等人。在这项工作中，我们对葡萄牙语识别（NER）的葡萄牙语技术进行了首次评估。我们处理Wikiner的葡萄牙部分（Nothman等人。，2013）具有通用依赖项（UD）的数据集（de Marneffe
通过大型语言模型的指令调整生物医学中的实体识别
结果：我们开发了一种基于指导的学习范式，该范式将生物医学NER从序列标记任务转换为一代任务。此范式是端到端的，并通过自动重新利用先前存在的生物医学NER数据集来简化培训和评估过程。，我们使用拟议的范式将llama-7b作为基础LLM进一步开发了Bioner-lalama。我们对三个公认的生物医学数据集进行了对Bioner-lalama的广泛测试，该数据集由与疾病，化学物质和基因有关的实体组成。结果表明，与具有不同生物医学实体的数据集中的GPT-4相比，Bioner-lalama始终达到的F1得分范围从5％到30％。我们表明，通用域LLM可以与严格微调的PubMedbert模型和PMC-llama（生物医学特异性语言模型）相匹配。我们的发现强调了我们提出的范式在开发一般域LLM中的范式，这些范式可以与生物医学和健康应用中的多任务，多域中的SOTA表现相媲美。
SCL-RAI：基于跨度的对比学习与检索增强推理，用于 NER 中未标记实体问题
命名实体识别是自然语言处理中的一项基本任务，旨在对文本中的命名实体进行定位和分类。由于大规模且经过良好注释的数据集，基于深度学习的方法（Li et al.，2022b；Devlin et al.，2019）取得了巨大成功。然而，在具有 112 个细粒度命名实体标签的真实数据集（如 Ling 和 Weld（2012））中，大量的实体类别可能会导致不可避免的注释缺失。此外，在实际场景中，为了获得大型 NER 数据集，远程监督方法（Ren et al.，2015；Fries et al.，2017）可能会使这个问题更加严重，因为实体词典无法覆盖所有实体。前人的研究（Li et al.，2021；Shang et al.，2018）发现这个问题严重阻碍了NER模型的性能，并将这个问题命名为无标记实体问题。如图1所示，未标记的第二个“NBA”可能会混淆模型并引入不必要的噪音。为了解决这个问题，人们从不同的角度提出了几种尝试。受到启发
语言实体掩蔽可改善低资源语言的多语言模型的跨语言表示
按照掩蔽语言建模 (MLM) 目标进行训练的多语言预训练语言模型 (multiPLM) 通常用于双语文本挖掘等跨语言任务。然而，这些模型的性能对于低资源语言 (LRL) 仍然不是最优的。为了改进给定 multiPLM 的语言表示，可以进一步对其进行预训练。这称为持续预训练。先前的研究表明，使用 MLM 进行持续预训练，随后使用翻译语言建模 (TLM) 进行预训练可以改进 multiPLM 的跨语言表示。然而，在掩蔽期间，MLM 和 TLM 都会给予输入序列中的所有标记相同的权重，而不管标记的语言属性如何。在本文中，我们引入了一种新颖的掩蔽策略，即语言实体掩蔽 (LEM)，用于持续预训练步骤，以进一步改进现有 multiPLM 的跨语言表示。与 MLM 和 TLM 相比，LEM 将掩码限制在语言实体类型名词、动词和命名实体上，这些实体在句子中占据更重要的地位。其次，我们将掩码限制在语言实体范围内的单个标记上，从而保留更多上下文，而在 MLM 和 TLM 中，标记是随机掩码的。我们使用三个下游任务评估 LEM 的有效性，即双语挖掘、并行数据管理和代码混合情感分析，使用三种低资源语言对英语-僧伽罗语、英语-泰米尔语和僧伽罗语-泰米尔语。实验结果表明，在所有三个任务中，使用 LEM 持续预训练的多 PLM 优于使用 MLM+TLM 持续预训练的多 PLM。