Models:
Philip Bordner
philipB/
CODER
0
Downloads: 1
[c3444c]: / test / embeddings_reimplement / ndfrt_result.txt

Download this file

58 lines (57 with data), 7.2 kB 

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
cui count: 4264719

str2cui count: 16991956

MRCONSO count: 8101235

ORIGIN

../../embeddings/claims_codes_hs_300.txt

Cui count:1013

Origin: 0.1524390243902439

../../embeddings/GoogleNews-vectors-negative300.bin

Tokenize

100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1013/1013 [00:00<00:00, 13325.06it/s]

Calculate average word embedding

1012it [00:00, 13586.83it/s]

Cui count:846

Origin: 0.058823529411764705

../../models/2020_eng

100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1013/1013 [00:00<00:00, 6768.15it/s]

100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1012/1012 [00:00<00:00, 1277.90it/s]

Cui count:1012

Origin: 0.022900763358778626

../../models/2020_eng

100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1013/1013 [00:00<00:00, 6711.85it/s]

100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1012/1012 [00:00<00:00, 1298.26it/s]

Cui count:1012

Origin: 0.010687022900763359

BETA

../../models/2020_eng

100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1013/1013 [00:00<00:00, 6796.40it/s]

100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1012/1012 [00:00<00:00, 1291.59it/s]

Cui count:1012

may_treat: 0.0183206106870229

../../models/2020_eng

100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1013/1013 [00:00<00:00, 6778.01it/s]

100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1012/1012 [00:00<00:00, 1295.40it/s]

Cui count:1012

may_treat: 0.22442748091603054

ALL

../../embeddings/claims_codes_hs_300.txt

Cui count:1013

1216it [06:14,  3.25it/s]

Average: 0.3472199935815148

Max: 0.5396341463414634

../../embeddings/GoogleNews-vectors-negative300.bin

Tokenize

100%|████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1013/1013 [00:00<00:00, 14792.48it/s]

Calculate average word embedding

1012it [00:00, 18229.45it/s]

Cui count:846

837it [03:33,  3.92it/s]

Average: 0.06890856701103378

Max: 0.1213235294117647

../../models/2020_eng

100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1013/1013 [00:00<00:00, 6772.47it/s]

100%|█████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████| 1012/1012 [00:00<00:00, 1272.17it/s]

Cui count:1012

1215it [06:20,  3.19it/s]

Average: 0.22862564005905825

Max: 0.36946564885496186