Sequence-to-Sequence Models for Extracting Information from Registration and Legal Documents

Pires, Ramon; Souza, Fábio C. de; Rosa, Guilherme J. M.; Lotufo, Roberto de Alencar; Nogueira, Rodrigo

doi:10.1007/978-3-031-06555-2_6

Cited by 2 publications

(2 citation statements)

References 20 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…PLN está presentes em diversos contextos, mostrando avanc ¸os no estudo da eficácia das técnicas de extrac ¸ão e abrindo novas possibilidades para seu uso na área médica. No trabalho recente de [Pires et al 2022], os autores utilizam documentos legais e de registro para extrair informac ¸ões contidas neles. O trabalho avaliou a pertinência de substituir a extrac ¸ão utilizando métodos a nível de token por modelos seq2seq, que realizaram a extrac ¸ão através de (Question Answering -QA), concluindo que o uso do modelo seq2seq pode substituir parte do processo clássico de extrac ¸ão de informac ¸ões usando tokens.…”

Section: Trabalhos Relacionadosunclassified

Análise da Influência de Características Textuais no Processo de Automatização da Regulação Médica

Sabino,

Anchiêta,

Moura

2023

Anais Do XVI Encontro Unificado De Computação Do Piauí (ENUCOMPI 2023)

View full text Add to dashboard Cite

Este artigo descreve uma investigação da influência de características textuais em modelos de Apredizagem de Máquina (AM) para a predição da resposta de solicitações médicas de uma Operadora de Planos de Saúde (OPS). Usou-se técnicas de Processamento de Linguagem Natural (PLN) na etapa de pré-processamento para limpeza e normalização dos dados clínicos, além de recuperação de siglas e termos técnicos da área. Neste trabalho, investigouse, especificamente, dois algoritmos de AM supervisionados para classificar as solicitações de exames em duas classes: Aprovada e Recusada. Como resultado, obteve-se 71%, 70% e 72% de acurácia para os algoritmos Naive Bayes (versões: MultinomialNB e BernoulliNB) e LinearSVC, respectivamente.

show abstract

Section: Trabalhos Relacionadosunclassified

Análise da Influência de Características Textuais no Processo de Automatização da Regulação Médica

Sabino,

Anchiêta,

Moura

2023

Anais Do XVI Encontro Unificado De Computação Do Piauí (ENUCOMPI 2023)

View full text Add to dashboard Cite

show abstract

“…Additionally, QA has recently been employed as a preliminary training step for models before they are trained on downstream NLP tasks. These tasks include event extraction (Du and Cardie, 2020), named entity recognition (Li et al, , 2020, relation classification (Cohen et al, 2021), information extraction (Pires et al, 2022), and other downstream tasks (Hashavit et al, 2018).…”

Section: Introductionmentioning

confidence: 99%

Automatic Translation of Span-Prediction Datasets

Masad,

Bar,

Cohen

2023

Proceedings of the 13th International Joint Conference on Natural Language Processing and the 3rd Conference of the Asia-Pacifi

View full text Add to dashboard Cite

Generating high-quality non-English language datasets is crucial for achieving high performance in various Natural Language Processing (NLP) tasks. In this paper, we propose a new approach for translating NLP datasets that relies on a two-phase pipeline and online translation services. Our approach focuses on solving the alignment problem that affects span prediction tasks and utilizes automatically labeled data for training an alignment model. We demonstrate that our model-based approach shows higher accuracy than any other alignment method and improves the average F1 score on several Question-Answering (QA) datasets, specifically on the XQuAD Translated-train dataset, achieving new state-of-the-art results.

show abstract

Sequence-to-Sequence Models for Extracting Information from Registration and Legal Documents

Cited by 2 publications

References 20 publications

Análise da Influência de Características Textuais no Processo de Automatização da Regulação Médica

Análise da Influência de Características Textuais no Processo de Automatização da Regulação Médica

Automatic Translation of Span-Prediction Datasets

Contact Info

Product

Resources

About