背景:近年来,绝经后骨质疏松症受到社会的广泛关注,随着动物模型研究的逐渐深入,动物模型已然成为现代中医药研究的重要手段以及实验基础,因此了解动物模型的研究现状、热点及发展趋势尤为重要。目的:分析国内外绝经后骨质疏松症动物模...背景:近年来,绝经后骨质疏松症受到社会的广泛关注,随着动物模型研究的逐渐深入,动物模型已然成为现代中医药研究的重要手段以及实验基础,因此了解动物模型的研究现状、热点及发展趋势尤为重要。目的:分析国内外绝经后骨质疏松症动物模型的研究现状、热点及发展趋势,为后续研究提供一定的理论基础及参考依据。方法:以“主题词=绝经后骨质疏松AND主题词=鼠+兔+犬+猪+羊+猴+鱼+实验动物+动物实验”为检索式,对1999-01-01/2023-10-01在中国知网、万方数据库中的文章进行主题词检索;同时以“TS=(Postmenopausal osteoporosis)AND TS=(mouse OR mice OR rat OR rabbit OR dog OR swine OR pig OR sheep OR monkey OR fish or flies OR“laboratory animal”OR“experiment animal”)”为检索式,对1999-01-01/2023-10-01在Web of Science核心合集数据库中的文章进行主题词检索。应用Citespace软件对文献作者、机构、国家、关键词以及文献共被引量进行可视化分析。结果与结论:①分析后筛选中国知网及万方数据库共纳入1238篇文献,Web of Science核心合集数据库共纳入3419篇文献。自1999年来,该领域发文量总体呈上升趋势,研究中心性最高的是美国,发文量最高的是中国,研究中心性最高的机构为美国加利福尼亚大学。②去除与文章主题直接相关的关键词,综合共现频率及中心性,“生物力学”“左归丸”“阿仑膦酸盐”“乳腺癌”“生化指标”处于该研究领域较为核心的地位。③通过文献共被引分析,被引频次前10位的文献中有5篇文献与绝经后骨质疏松症治疗措施与临床疗效有关。④综合关键词与共被引文献分析显示,探究成骨细胞的形成以及骨形成的机制、代谢组学的作用机制、中药复方的治疗、信号通路、甲状旁腺激素治疗及硬骨素抗体治疗等方面是当下的研究热点也是未来的研究趋势。展开更多
属性级情感分析作为一种细粒度情感分析方法,目前在许多应用场景中都具有重要作用.然而,随着社交媒体和在线评论的日益广泛以及各类新兴领域的出现,使得跨领域属性级情感分析面临着标签数据不足以及源领域与目标领域文本分布差异等挑战...属性级情感分析作为一种细粒度情感分析方法,目前在许多应用场景中都具有重要作用.然而,随着社交媒体和在线评论的日益广泛以及各类新兴领域的出现,使得跨领域属性级情感分析面临着标签数据不足以及源领域与目标领域文本分布差异等挑战.目前已有许多数据增强方法试图解决这些问题,但现有方法生成的文本仍存在语义不连贯、结构单一以及特征与源领域过于趋同等问题.为了克服这些问题,提出一种基于大语言模型(large language model,LLM)数据增强的跨领域属性级情感分析方法.所提方法利用大模型丰富的语言知识,合理构建针对跨领域属性级别情感分析任务的引导语句,挖掘目标领域与源领域相似文本,通过上下文学习的方式,使用领域关联关键词引导LLM生成目标领域有标签文本数据,用以解决目标领域数据缺乏以及领域特异性问题,从而有效提高跨领域属性级情感分析的准确性和鲁棒性.所提方法在多个真实数据集中进行实验,实验结果表明,该方法可以有效提升基线模型在跨领域属性级情感分析中的表现.展开更多
文摘背景:近年来,绝经后骨质疏松症受到社会的广泛关注,随着动物模型研究的逐渐深入,动物模型已然成为现代中医药研究的重要手段以及实验基础,因此了解动物模型的研究现状、热点及发展趋势尤为重要。目的:分析国内外绝经后骨质疏松症动物模型的研究现状、热点及发展趋势,为后续研究提供一定的理论基础及参考依据。方法:以“主题词=绝经后骨质疏松AND主题词=鼠+兔+犬+猪+羊+猴+鱼+实验动物+动物实验”为检索式,对1999-01-01/2023-10-01在中国知网、万方数据库中的文章进行主题词检索;同时以“TS=(Postmenopausal osteoporosis)AND TS=(mouse OR mice OR rat OR rabbit OR dog OR swine OR pig OR sheep OR monkey OR fish or flies OR“laboratory animal”OR“experiment animal”)”为检索式,对1999-01-01/2023-10-01在Web of Science核心合集数据库中的文章进行主题词检索。应用Citespace软件对文献作者、机构、国家、关键词以及文献共被引量进行可视化分析。结果与结论:①分析后筛选中国知网及万方数据库共纳入1238篇文献,Web of Science核心合集数据库共纳入3419篇文献。自1999年来,该领域发文量总体呈上升趋势,研究中心性最高的是美国,发文量最高的是中国,研究中心性最高的机构为美国加利福尼亚大学。②去除与文章主题直接相关的关键词,综合共现频率及中心性,“生物力学”“左归丸”“阿仑膦酸盐”“乳腺癌”“生化指标”处于该研究领域较为核心的地位。③通过文献共被引分析,被引频次前10位的文献中有5篇文献与绝经后骨质疏松症治疗措施与临床疗效有关。④综合关键词与共被引文献分析显示,探究成骨细胞的形成以及骨形成的机制、代谢组学的作用机制、中药复方的治疗、信号通路、甲状旁腺激素治疗及硬骨素抗体治疗等方面是当下的研究热点也是未来的研究趋势。
文摘属性级情感分析作为一种细粒度情感分析方法,目前在许多应用场景中都具有重要作用.然而,随着社交媒体和在线评论的日益广泛以及各类新兴领域的出现,使得跨领域属性级情感分析面临着标签数据不足以及源领域与目标领域文本分布差异等挑战.目前已有许多数据增强方法试图解决这些问题,但现有方法生成的文本仍存在语义不连贯、结构单一以及特征与源领域过于趋同等问题.为了克服这些问题,提出一种基于大语言模型(large language model,LLM)数据增强的跨领域属性级情感分析方法.所提方法利用大模型丰富的语言知识,合理构建针对跨领域属性级别情感分析任务的引导语句,挖掘目标领域与源领域相似文本,通过上下文学习的方式,使用领域关联关键词引导LLM生成目标领域有标签文本数据,用以解决目标领域数据缺乏以及领域特异性问题,从而有效提高跨领域属性级情感分析的准确性和鲁棒性.所提方法在多个真实数据集中进行实验,实验结果表明,该方法可以有效提升基线模型在跨领域属性级情感分析中的表现.
