目的通过对创伤性脑损伤(TBI)研究文献进行计量学分析,探索TBI领域的研究热点和研究趋势。方法基于Web of Science核心数据库检索2016~2020年TBI研究的相关文献,通过CiteSpace.5.8.R3对发表文章年度分布、作者、机构、国家、期刊、被引...
详细信息
目的通过对创伤性脑损伤(TBI)研究文献进行计量学分析,探索TBI领域的研究热点和研究趋势。方法基于Web of Science核心数据库检索2016~2020年TBI研究的相关文献,通过CiteSpace.5.8.R3对发表文章年度分布、作者、机构、国家、期刊、被引情况和关键词等进行分析,并根据关键词的词频、中心性和聚类情况探讨TBI领域的研究热点和趋势。结果(1)筛选后共纳入14991篇文献,美国是发文量最多的国家,哈佛大学医学院是发文量最多的机构。(2)氧化应激、死亡率、儿童TBI、创伤后应激障碍、康复治疗是近5年TBI领域研究热点。(3)TBI的模型及损伤效应-生物学机制-诊断及治疗指南-个体治疗是TBI研究领域的研究趋势。结论青少年人群TBI的损伤效应、分子机制、治疗方法的可靠性及有效性是TBI领域现在和未来研究的重点和方向。
随着网络空间安全文档数量的快速增长,网络空间安全领域命名实体识别变的越来越重要。与通用领域命名实体识别任务相比,网络空间安全领域的命名实体识别面临许多挑战。例如网络空间安全实体类型多样、新词语经常作为新的实体出现并引起超出词表(out-of-vocabulary,OOV)的问题。现有的深度学习识别模型(如循环神经网络、卷积神经网络)的性能不足以应对这些挑战。随着预训练模型的快速发展,它已被广泛用于许多任务中并获得了最优的表现。但是,在网络空间安全命名实体识别领域,很少有关于预训练模型的研究。本文提出了两个基于预训练pre-training of deep bidirectional transformers(BERT)模型的网络空间安全命名实体识别模型来从网络空间安全文本中提取安全实体,分别称为“First Subword Replaced(FSR)”和“Masked Cross-Entropy Loss(MCEL)”。FSR模型和MCEL模型还可以解决因BERT使用WordPiece分词器引起的子词和标签之间的不匹配问题。本文基于真实的网络空间安全文本语料库进行了充分的实验。结果表明,本文提出基于预训练的模型在网络空间安全数据集上的F1值比之前的最优模型高了1.88%。
暂无评论