معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Pretrained BERT models for encoding clinical trial documents to compact embeddings.

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	Trial2Vec-0.0.3
نام	Trial2Vec
نسخه کتابخانه	0.0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Zifeng Wang
ایمیل نویسنده	zifengw2@illinois.edu
آدرس صفحه اصلی	https://github.com/RyanWangZf/Trial2Vec
آدرس اینترنتی	https://pypi.org/project/Trial2Vec/
مجوز	-

# Trial2Vec [![PyPI version](https://badge.fury.io/py/transtab.svg)](https://badge.fury.io/py/trial2vec) [![Downloads](https://pepy.tech/badge/trial2vec)](https://pepy.tech/project/trial2vec) ![GitHub Repo stars](https://img.shields.io/github/stars/ryanwangzf/trial2vec) ![GitHub Repo forks](https://img.shields.io/github/forks/ryanwangzf/trial2vec) Wang, Zifeng and Sun, Jimeng. (2022). Trial2Vec: Zero-Shot Clinical Trial Document Similarity Search using Self-Supervision. Findings of EMNLP'22. # Update 10/27/2022 Support `word_vector` and `sentence_vector`! ```python # sentence vectors inputs = ['I am a sentence', 'I am another sentence'] outputs = model.sentence_vector(inputs) # torch.tensor w/ shape [2, 128] ``` ```python # word vectors inputs = ['I am a sentence', 'I am another sentence abcdefg xyz'] outputs = model.word_vector(inputs) # {'word_embs': torch.tensor w/ shape [2, max_token, 128], 'mask': torch.tensor w/ shape [2, max_token]} ``` # Usage Get pretrained Trial2Vec model in three lines: ```python from trial2vec import Trial2Vec model = Trial2Vec() model.from_pretrained() ``` A jupyter example is shown at https://github.com/RyanWangZf/Trial2Vec/blob/main/example/demo_trial2vec.ipynb. # How to install Install the correct `PyTorch` version by referring to https://pytorch.org/get-started/locally/. Then install `Trial2Vec` by ```bash pip install git+https://github.com/RyanWangZf/Trial2Vec.git ``` or ```bash pip install trial2vec ``` # Search similar trials Use `Trial2Vec` to search similar clinical trials: ```python # load demo data from trial2vec import load_demo_data data = load_demo_data() # contains trial documents test_data = {'x': data['x']} # make prediction pred = model.predict(test_data) ``` # Encode trials Use `Trial2Vec` to encode clinical trial documents: ```python test_data = {'x': df} # contains trial documents emb = model.encode(test_data) # make inference # or just find the pre-encoded trial documents emb = [model[nct_id] for test_data['x']['nct_id']] ``` # Continue training One can continue to train the pretrained models on new trials as ```python # just formulate trial documents as the format of `data` data = load_demo_data() model.fit( { 'x':data['x'], # document dataframe 'fields':data['fields'], # attribute field columns 'ctx_fields':data['ctx_fields'], # context field columns 'tag': data['tag'], # nct_id is the unique tag for each trial }, valid_data={ 'x':data['x_val'], 'y':data['y_val'] }, ) # save model.save_model('./finetuned-trial2vec') ```

نیازمندی

مقدار	نام
-	datasets
-	joblib
-	nltk
-	numpy
-	pandas
-	textaugment
-	tqdm
-	transformers
-	wget
-	openpyxl

نحوه نصب

نصب پکیج whl Trial2Vec-0.0.3:

pip install Trial2Vec-0.0.3.whl

نصب پکیج tar.gz Trial2Vec-0.0.3:

pip install Trial2Vec-0.0.3.tar.gz