ИССЛЕДОВАНИЕ · RESEARCH · #530
Бенчмарк рекомендации концепций SNOMED CT (masked) на данных SNOMED CT Entity Linking Challenge v1.2.1
Предпечатная статья на arXiv представляет бенчмарк рекомендации «замаскированных» концепций на основе набора SNOMED CT Entity Linking Challenge v1.2.1, полученного из MIMIC‑IV‑Note (75 491 аннотация в 272 выписках; 204 заметки — обучение, 68 — тест). Авторы сравнивают популярностный базовый подход, разрежённые TF‑IDF‑прототипы, плотные LSA‑встраивания, гибриды разреженного и плотного представлений, извлечение доказательств из записей и retrieval‑augmented гибрид; лучшим оказался разрежённый TF‑IDF (Recall@1 14,81%, Recall@10 33,43%, MRR 0,2114, nDCG@10 0,2297), а производительность резко падает для редких или невидимых в обучении концепций.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Предпечатная статья на arXiv представляет бенчмарк рекомендации «замаскированных» концепций на основе набора SNOMED CT Entity Linking Challenge v1.2.1, полученного из MIMIC‑IV‑Note (75 491 аннотация в 272 выписках; 204 заметки — обучение, 68 — тест).
- Авторы сравнивают популярностный базовый подход, разрежённые TF‑IDF‑прототипы, плотные LSA‑встраивания, гибриды разреженного и плотного представлений, извлечение доказательств из записей и retrieval‑augmented гибрид; лучшим оказался разрежённый TF‑IDF (Recall@1 14,81%, Recall@10 33,43%, MRR 0,2114, nDCG@10 0,2297), а производительность резко падает для редких или невидимых в обучении концепций.
- Результат даёт воспроизводимый бенчмарк и показывает, что локальный лексический контекст и покрытие терминологии в обучающем наборе, а не retrieval‑augmentation, в основном ограничивают качество рекомендаций SNOMED CT в условиях малого ресурса.
ПОЧЕМУ ЭТО ВАЖНО
Результат даёт воспроизводимый бенчмарк и показывает, что локальный лексический контекст и покрытие терминологии в обучающем наборе, а не retrieval‑augmentation, в основном ограничивают качество рекомендаций SNOMED CT в условиях малого ресурса.