检索结果-内蒙古大学图书馆

计算机技术与发展 2020年第4期30卷 57-62页

作者：张明淘韩普南京邮电大学管理学院江苏南京210003 江苏省数据工程与知识服务重点实验室江苏南京210023

深入了解医疗实体识别的现状和进展,有助于进一步提升医疗实体识别的效果。通过梳理国内外医疗实体识别的相关研究进展和研究成果,并分别从医疗实体概念和分类、国内外重要医疗实体识别评测会议,以及传统的和当代的医疗实体识别方法三... 详细信息

深入了解医疗实体识别的现状和进展,有助于进一步提升医疗实体识别的效果。通过梳理国内外医疗实体识别的相关研究进展和研究成果,并分别从医疗实体概念和分类、国内外重要医疗实体识别评测会议,以及传统的和当代的医疗实体识别方法三方面进行归纳和总结,系统全面地阐述了医疗实体识别的研究现状,指出了当前研究存在的问题,并对医疗实体识别的未来发展趋势进行了展望。从深度学习的视角,仅仅对循环神经网络、长短时记忆神经网络等主流的神经网络模型在医疗实体识别领域的应用进行了分析和总结。在医疗大数据和人工智能背景下,医疗实体识别是医疗领域信息处理和人工智能的基础,并且该研究已经发展成为自然语言处理中新的研究方向,对医疗大数据分析和医疗人工智能具有重要意义。

关键词：医疗实体识别深度学习神经网络医疗大数据人工智能

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的问答社区中医疗实体识别研究

基于深度学习的问答社区中医疗实体识别研究

引用

作者：张明淘南京邮电大学

学位级别：硕士

随着互联网在人们日常生活中的日益渗透,各类在线医疗健康社区已经成为公众检索、获取和分享医疗健康知识的重要渠道之一。近些年,在线医疗健康社区吸引了大量的用户参与其中,积累了海量的在线医疗数据,潜藏着宝贵的医疗健康知识,已经... 详细信息

随着互联网在人们日常生活中的日益渗透,各类在线医疗健康社区已经成为公众检索、获取和分享医疗健康知识的重要渠道之一。近些年,在线医疗健康社区吸引了大量的用户参与其中,积累了海量的在线医疗数据,潜藏着宝贵的医疗健康知识,已经成为患者需求分析、流行病监测、药物不良反应检测以及疾病预测的重要数据源。医疗实体识别是医疗领域信息处理的基础,并且已经成为在线医疗健康信息抽取和知识发现中重要的研究方向。与英文相比,面向中文领域的医疗实体识别主要聚焦于电子病历、医学文献等数据,而对在线医疗健康社区的关注度还远远不够。已有的中文医疗实体识别研究大多采用传统的机器学习方法,未能考虑深层语义信息。在深度学习模型Bi LSTM-CRF基础上,提出融合外部语义特征和引入Self-Attention机制的Self-Att-Med模型,该模型能够捕捉更多潜在的信息以提升中文在线问答社区中医疗实体识别效果。首先,在已有研究基础上,将医疗实体定义为疾病、症状、身体部位、检查和治疗五类,采用{B,I,O}标注体系,借助YEDDA标注工具进行实体标注;其次,利用word2vec将未标记的开放领域语料和医疗领域语料分别生成具有语义特征的字符级向量;接着,将两字符级向量作为特征嵌入Bi LSTM-CRF生成LSTM-Wiki和LSTM-Med模型,并进行对比实验;最后,在效果最优模型上引入Self-Attention机制。通过十折交叉验证实验表明,嵌入医疗领域语料生成字符级向量的LSTM-Med模型表现最优;本文提出的Self-Att-Med模型F值较Bi LSTM-CRF提升了0.72%;另外,实验发现Self-Attention机制对不同语料的F值提升幅度有差异。本文还对各类实体识别效果和错误结果进行了分析。

关键词：问答社区深度学习医疗实体识别外部语义特征 Self-Attention机制

来源：评论

学校读者我要写书评

暂无评论

面向深度学习的医疗实体识别研究与实现

面向深度学习的医疗实体识别研究与实现

引用

作者：张博江汉大学

学位级别：硕士

随着计算机技术的迅速发展,加上近几年全球新冠疫情和流感的影响,医疗领域产生了海量的文本数据。如何从这些数据中有效地提取关键信息,依赖于医疗实体识别技术。医疗实体识别旨在从医疗文本中提取特定的实体,以促进后续知识图谱构建和... 详细信息

随着计算机技术的迅速发展,加上近几年全球新冠疫情和流感的影响,医疗领域产生了海量的文本数据。如何从这些数据中有效地提取关键信息,依赖于医疗实体识别技术。医疗实体识别旨在从医疗文本中提取特定的实体,以促进后续知识图谱构建和临床决策等应用。医疗实体识别具有一定的挑战,例如实体名称专业性强、实体嵌套边界不清、存在缩写和歧义性等。尽管已有相关研究,但其方法存在模型算法不稳定、泛化能力弱、识别精度不高等问题。基于这一研究背景,本文致力于深度学习医疗实体识别的研究和实现。本文的主要工作如下: (1)针对噪声数据干扰,提高模型稳定性和文本对长距离依赖关系的建模能力,本文提出了一种基于自注意力机制和对抗训练的医疗实体识别模型AABSC。该模型将字形嵌入和预训练模型ALBERT得到的词嵌入融合,并对融合后的词嵌入进行对抗训练,然后馈送到双向长短期记忆网络。然后通过自注意力机制相互作用,模型学习到序列的局部和全局语义信息。最终通过解码器输出结果。实验表明,该模型的性能优于基线方法,取得了优异的实体识别效果。 (2)针对医疗实体存在嵌套,跨度间边界不清的问题,本文提出了一种基于特征融合和跨度边界感知机制的嵌套医疗实体识别模型AMBD。该模型融合了词嵌入和字形嵌入,利用多头Biaffine双仿射结构进行解码,通过跨度边界感知机制来确定实体边界,利用膨胀卷积神经网络捕捉相邻跨度间的空间关系。在嵌套医疗实体识别任务的实验中取得了优异的表现。 (3)基于上述模型算法,设计并实现了一个在线医疗实体识别系统。该系统操作方便,能够协助医务人员从医疗文本中提取实体信息,并提供医疗数据扩充和模型训练等功能,为医疗组织机构信息化建设提供技术支持。

关键词：医疗实体识别自注意力机制对抗训练特征融合跨度边界感知

来源：评论

学校读者我要写书评

暂无评论

基于弱监督和多特征融合的医疗实体识别方法研究

基于弱监督和多特征融合的医疗实体识别方法研究

引用

作者：段冶恒中国科学院大学

学位级别：硕士

命名实体识别技术是指构建一个智能的模型或系统自动化地从无结构的生文本中抽取出关键命名实体的人工智能技术。实体通常表示专有名词或包含特定场景下具有特殊含义的词汇。实体识别技术是自然语言处理领域中一项重要的基础技术，它为... 详细信息

命名实体识别技术是指构建一个智能的模型或系统自动化地从无结构的生文本中抽取出关键命名实体的人工智能技术。实体通常表示专有名词或包含特定场景下具有特殊含义的词汇。实体识别技术是自然语言处理领域中一项重要的基础技术，它为构建大规模知识图谱、智能问答系统、机器翻译系统等下游人工智能任务提供重要的技术支持，有很高的实际应用价值。实体识别技术在医疗领域的应用，即从医疗文本中自动识别特殊定义的医疗实体，该技术对于机器理解医学文本、人工智能辅助诊断等应用都有着重要作用。目前实体识别的主流方法对标注训练数据的要求较高，而医疗领域的高质量标注文本数据获取成本也较高。本文提出了基于外部知识的弱监督学习医疗实体识别方法，有效降低了该任务对训练数据量的需要，并且使用多特征融合的方法，结合多种医疗文本特征进一步提升了识别效果。最后本文搭建了一个医疗实体识别系统，为上述研究工作提供应用支撑。本文主要工作如下:　　基于外部知识的弱监督学习医疗实体识别方法。目前基于深度神经网络的实体识别方法在医疗领域的应用中已经取得了较好的效果，但这类方法依赖于大量高质量的人工标注训练数据，而且在医疗领域这样的标注数据比较难获得。本方法仅使用少量标注的数据以及无标注的医疗领域生文本，在一个弱监督学习框架下有效融合外部知识，并使用bootstrapping的方法迭代式地生成无标注数据的标签，从而扩充了标注语料。其中外部知识包括医疗领域实体词典以及一系列人工规则。本方法得到了与全量数据监督下的模型性能相近的识别结果。　　基于多特征融合的医疗实体识别方法。传统基于统计学习方法的实体识别技术依赖人工制定的特征模板，再用特征训练机器学习模型来对序列的标签进行预测，需要花费大量精力手工构造特征以满足任务需求。基于深度学习的方法则用神经网络自动学习出文本数据的高维向量表示，但这种方法容易忽略领域文本数据的独有特征。本方法从多特征融合的角度出发，提取多种不同角度的医疗文本特征，并结合由神经网络预训练的高维特征向量表示，使模型获得更佳的医疗实体识别效果。　　医疗实体识别系统应用。本文将前面所研究的医疗实体识别方法进行实际应用，构建了一个医疗实体识别平台系统。该系统实现了训练医疗实体识别模型、在测试集上测试模型性能以及从用户输入的医疗文本中抽取医疗实体并展示等功能。本系统将研究过程中所用到的所有成果和方法进行集成和封装，提供了数据处理模块、模型训练模块、多特征抽取模块、医疗实体识别展示模块等。

关键词：医疗实体识别信息处理弱监督学习多特征融合

来源：评论

学校读者我要写书评

暂无评论

面向中文电子病历的医疗实体识别及事件抽取研究

面向中文电子病历的医疗实体识别及事件抽取研究

引用

作者：梁文桐湖南工业大学

学位级别：硕士

随着医学的发展和医疗数据的不断增长,如何从大量非结构化的中文电子病历中抽取出相应的医疗知识成为目前研究的热点。医疗实体识别和事件抽取作为结构化医疗文本的重要技术,可以识别并抽取电子病历中的实体及事件,为下一步构建医疗知... 详细信息

随着医学的发展和医疗数据的不断增长,如何从大量非结构化的中文电子病历中抽取出相应的医疗知识成为目前研究的热点。医疗实体识别和事件抽取作为结构化医疗文本的重要技术,可以识别并抽取电子病历中的实体及事件,为下一步构建医疗知识图谱和支持医学智能化决策打下基础。本文主要研究了医疗实体识别和事件抽取技术,主要研究成果包括:(1)提出一种基于BERT(Bidirectional Encoder Representations from Transformers)预训练语言模型的医疗实体识别方法,其中BERT建模电子病历上下文语义,迭代膨胀卷积神经网络(IDCNN)对局部医疗实体信息进行更准确的卷积编码,多头注意力(MHA)多次计算文本中每个字符和所有字符的注意力概率来增加关联字符的权重,CRF解码最优的医疗文本序列。实验结果表明,所提出方法在CCKS2019医疗实体识别数据集上取得较好的抽取效果。(2)提出一种基于深度学习多模型融合的医疗实体识别方法。该方法中首先提出一种基于变异系数的加权投票算法,用于构建基于BERT、IDCNN和图注意力网络(GAT)的融合模型,其中BERT可以获得电子病历上下文相关的语义表示,IDCNN可以高效地抽取电子病历语义信息,GAT通过构建三种字词图来充分利用词语的边界和语义信息,并提出一种基于历史信息的实体纠错算法用于优化融合结果。实验结果表明,所提出方法的精确率、召回率和F1值分别达到89.56%、82.77%和86.03%。(3)提出一种基于伪标签置信选择的半监督医疗事件抽取方法。该方法构建基于Transformer编码器、Bi LSTM和注意力机制的医疗事件联合抽取模型,并提出一种用于选择高置信度数据的伪标签置信选择算法。通过计算伪标签一致概率来选择高置信度的伪标签数据,将其用于扩充数据来更新医疗事件联合抽取模型,使用更新的模型对电子病历中肿瘤原发部位、病灶大小和转移部位事件进行抽取,并使用多数投票优化最终的抽取结果。实验结果表明,所提出方法在CCKS2020医疗事件抽取数据集上取得了优异的性能。

关键词：医疗实体识别预训练语言模型深度学习医疗事件抽取伪标签置信选择

来源：评论

学校读者我要写书评

暂无评论

面向中文电子病历的医疗实体及关系识别技术研究

面向中文电子病历的医疗实体及关系识别技术研究

引用

作者：周侗西北师范大学

学位级别：硕士

随着医疗信息系统的加快建设,电子病历数量急剧增长。电子病历中不仅包含患者的临床信息(如检查结果、临床诊断等),还包含丰富的医疗实体,这些医疗实体大部分之间存在一定关系。使用自然语言处理技术从电子病历文本中抽取医疗实体以及... 详细信息

随着医疗信息系统的加快建设,电子病历数量急剧增长。电子病历中不仅包含患者的临床信息(如检查结果、临床诊断等),还包含丰富的医疗实体,这些医疗实体大部分之间存在一定关系。使用自然语言处理技术从电子病历文本中抽取医疗实体以及实体间的语义关系,构建可用于临床决策的医疗知识库,对于推动电子病历在智慧医疗中的应用具有重要意义。目前,电子病历医疗实体识别和实体关系识别的研究主要面向英文电子病历,在中文电子病历上公开的评测及语料较少;另外,已有的研究主要基于传统机器学习方法,这些方法依赖大量人工构造的特征。综上,本文的研究内容是中文电子病历医疗实体识别及实体关系识别,主要的研究工作包括:(1)在标注规则及语料方面,制定了中文电子病历实体关系标注规则,并标注构建了实体关系语料库。在参考2010年I2B2/VA挑战评测发布的英文电子病历标注规范的基础上,并根据中文电子病历的语言和结构特点,制定了适用于中文电子病历的实体关系标注规则。在标注人员熟悉标注规则的前提下,采取传统的标注方案,以抽样检查的方式,确保标注结果真实可靠,共标注了3500份电子病历。(2)在医疗实体识别方面,提出了基于医疗知识注意力增强的实体识别方法。医疗知识词典中对于实体定义有着详细的描述,能够为电子病历实体识别提供辅助信息。因此,本文首先将CNN提取的字级向量和预训练的字级向量拼接;然后利用双向LSTM对句子编码,抽取每个字的上下文表示;接着使用注意力机制引入医疗知识词典,学习电子病历中文本和医疗知识词典中实体的共享语义;最后利用CRF来预测句子中的实体标签。在手工标注的电子病历实体语料库上实验证明,引入医疗知识词典能够有效提升实体识别的性能,F1值为92.03%。(3)在实体关系识别方面,提出了融合双向GRU和注意力的实体关系识别方法。传统的关系识别大多以句子为处理单元,忽略了语料中标注错误的句子对模型的影响,并且没有充分利用包含实体对的多个句子在分类时的相互增强作用。因此,本文首先将字向量和位置向量拼接;然后利用双向GRU学习字的上下文信息,获取更细粒度的特征;接着用字注意力机制提高对关系识别起决定作用的字符权重;最后通过句子级注意力机制获取多个句子的特征,降低错误标注对分类的影响。实验结果表明,本文方法在手工标注的语料库上取得了较好的结果,F1值为82.17%。(4)在医疗实体与实体关系联合识别方面,提出了基于多任务的医疗实体与关系识别联合识别方法。已有的联合识别方法先进行实体识别,再进行关系识别,导致实体识别的错误会传播到关系识别,忽视了两个任务间的相互支撑作用。因此,本文首先将CNN提取的字级向量跟预训练的字级向量拼接;然后利用双向LSTM抽取每个字的上下文表示;接着使用CRF来预测句子中的实体标签;最后利用图卷积网络对实体节点和关系节点联合学习,并输出节点级向量,进行关系分类。在手工标注的语料库上进行实验,实体识别和关系识别结果均优于其他模型,F1值分别为88.05%和84.81%。实验证明,我们有效的将实体识别和关系识别结合起来,充分考虑了两任务间的相互支撑作用。

关键词：中文电子病历标注规则深度学习医疗实体识别实体关系识别联合识别

来源：评论

学校读者我要写书评

暂无评论

基于领域词典与CRF双层标注的中文电子病历实体识别

引用

工程科学学报 2020年第4期42卷 469-475页

作者：龚乐君张知菲南京邮电大学计算机学院、软件学院、网络空间安全学院南京210023 江苏省大数据安全与智能处理重点实验室南京210023

医疗实体识别是电子病历文本信息抽取的基本任务.针对中文电子病历文本复合实体较多、实体长度较长、句子成分缺失严重、实体边界不清的语言特点以及标注语料难以获取的现状,提出了一种基于领域词典和条件随机场(CRF)的双层标注模型.该... 详细信息

医疗实体识别是电子病历文本信息抽取的基本任务.针对中文电子病历文本复合实体较多、实体长度较长、句子成分缺失严重、实体边界不清的语言特点以及标注语料难以获取的现状,提出了一种基于领域词典和条件随机场(CRF)的双层标注模型.该模型通过对外部资源的统计分析构建医疗领域词典,再结合条件随机场,进行了两次不同粒度的标注,将领域词典识别的准确性和机器学习的自动性融为一体,从中文电子病历文本中识别出疾病、症状、药品、操作四类医疗实体.该模型在测试数据中的宏精确率为96.7%、宏召回率为97.7%、宏F1值为97.2%.同时对比分析了采用注意力机制的深度神经网络的识别效果,因受到领域数据集大小的限制,在该测试数据集中后者表现不佳.实验结果表明了该双层标注模型对中文医疗实体识别的高效性.

关键词：中文电子病历医疗实体识别领域词典条件随机场注意力机制

来源：评论

学校读者我要写书评

暂无评论

基于深度学习和多特征融合的中文电子病历实体识别研究

引用

南京大学学报（自然科学版） 2019年第6期55卷 942-951页

作者：韩普刘亦卓李晓艳南京邮电大学管理学院南京210023 江苏省数据工程与知识服务重点实验室南京大学南京210023 南京大学信息管理学院南京210023 南京医科大学基础医学院南京211166

电子病历实体识别是医疗领域人工智能和医疗信息服务中非常关键的基础任务.为了更充分地挖掘电子病历中的实体语义知识以提升中文医疗实体识别效果,提出融入外部语义特征的中文电子病历实体识别模型.该模型首先利用语言模型word2vec将... 详细信息

电子病历实体识别是医疗领域人工智能和医疗信息服务中非常关键的基础任务.为了更充分地挖掘电子病历中的实体语义知识以提升中文医疗实体识别效果,提出融入外部语义特征的中文电子病历实体识别模型.该模型首先利用语言模型word2vec将大规模的未标记文本生成具有语义特征的字符级向量,接着通过医疗语义资源的整合以及实体边界特征分析构建了医疗实体及特征库,将其与字符级向量相拼接以更好地挖掘序列信息,最后采用改进的Voting算法将深度学习结果与条件随机场(Conditional Random Fields,CRF)的结果加以整合来纠正标签偏置.实验表明,融入外部语义特征的改进模型的F值达到94.06%,较CRF高出1.55%.此外,还给出了模型最佳效果的各项参数.

关键词：医疗实体识别深度学习电子病历人工神经网络

来源：评论

学校读者我要写书评

暂无评论

基于知识图谱的人机交互智能问答方法研究

基于知识图谱的人机交互智能问答方法研究

引用

作者：常开志湖南大学

学位级别：硕士

随着人工智能与机器人技术的发展,智能问答系统逐渐成为人机自然交互的重点研究内容,通过一问一答的形式为交互对象提供智能化服务。在智慧医疗领域,以知识图谱为基础的智能问答系统能够根据结构化的医疗知识生成简洁的答案,自动回复用... 详细信息

随着人工智能与机器人技术的发展,智能问答系统逐渐成为人机自然交互的重点研究内容,通过一问一答的形式为交互对象提供智能化服务。在智慧医疗领域,以知识图谱为基础的智能问答系统能够根据结构化的医疗知识生成简洁的答案,自动回复用户的自然语言问句,帮助用户更便捷地获取知识。传统的问答系统技术不能有效地处理包含多种意图的复杂问句,导致意图识别不全面或不准确,并且中文医疗领域缺乏适用于医疗咨询和导诊服务的知识图谱,难以生成高质量的回复语句,导致基于知识图谱的智能问答研究任务充满挑战和困难。针对以上问题,本文以深度学习和自然语言处理技术为基础,面向医疗导诊机器人开展基于知识图谱的人机交互智能问答方法研究,构建了医疗实体识别模型和医疗知识图谱,提出了一种复杂问句意图理解方法,并开发了导诊机器人智能医疗咨询问答系统。具体研究内容如下:1)针对医疗知识图谱构建中传统的命名实体识别模型在上下文语义信息表示方面存在不足的问题,本文提出了基于深度学习和结构先验的医疗知识图谱构建方法。开发网页数据解析软件获取医疗网站上开放的医疗知识数据,通过融合语言模型的命名实体识别模型抽取其中的医疗知识,以结构化形式存储到本地数据库,并构建了一个包含6类实体和8种关系共约14万个节点的医疗知识图谱。本文的命名实体识别方法在Bi LSTM-CRF模型和IDCNN-CRF模型的基础上,分别使用Word2Vec词向量和预训练语言模型提取文本语义特征信息进行对比实验,实验结果表明融合语言模型能显著提升医疗实体识别模型的性能。本文使用特定的关键词信息和人工制定的关系抽取规则完成医疗关系的抽取任务,然后使用Neo4j图数据库存储医疗知识数据完成医疗知识图谱的构建任务。2)针对多意图复杂问句理解问题,本文提出了一种基于深度学习和语义分析的复杂问句意图智能理解方法。该方法分为问句语法成分规范化和医疗意图识别两个部分。问句语法成分规范化首先通过医疗实体识别和依存句法分析得到输入问句的核心依存句法树以及实体之间的关联性,然后在此基础上通过问句语法成分规范化算法将多意图复杂问句分解成若干个属性类或关系类的简单问句组合。医疗意图识别对语法成分规范化之后的每个简单问句使用预训练语言模型提取特征信息,然后输入到Text CNN模型中对问句意图进行分类。实验结果表明,将多意图复杂问句分解之后再进行意图识别能够降低自然语言口语化表达对问句意图理解的影响,提高解析问句完整意图的能力。3)基于本文所提出的医疗知识图谱、医疗实体识别模型和复杂问句意图理解方法设计了一种新的智能问答系统框架,包括人机交互模块、问句语法分析、问句规范化、医疗意图识别、智能知识检索和自然语言答案生成6个处理模块,并开发了面向导诊机器人的医疗咨询智能问答系统。智能问答系统支持使用语音或文字等不同模态的交互方式输入自然语言问句,然后对输入的问句进行语义解析,获取医疗实体和关系谓词,并转化为检索语句在医疗知识图谱中检索相关知识,最后根据检索到的医疗知识生成自然语言答案反馈给用户。

关键词：智能问答系统知识图谱医疗实体识别多意图问句分解医疗意图识别

来源：评论

学校读者我要写书评

暂无评论

融合多元特征和注意力机制的病历实体及关系抽取技术研究

融合多元特征和注意力机制的病历实体及关系抽取技术研究

引用

作者：彭辉西北师范大学

学位级别：硕士

智慧医疗是基于人工智能和互联网技术的医疗健康服务模式,它能够为患者提供更加智能化、便捷化的医疗服务,进而提升医疗效率和医疗质量。如何有效提取患者病历中的关键信息,将非结构化的医疗信息转化为结构化数据,一直以来都是智慧医疗... 详细信息

智慧医疗是基于人工智能和互联网技术的医疗健康服务模式,它能够为患者提供更加智能化、便捷化的医疗服务,进而提升医疗效率和医疗质量。如何有效提取患者病历中的关键信息,将非结构化的医疗信息转化为结构化数据,一直以来都是智慧医疗领域中亟需解决的问题。为了应对这一挑战,采用高效、智能的方法从病历文本中提取医疗实体和关系,是智慧医疗领域中的重点研究任务。然而,目前关于中文医疗实体识别和关系抽取任务的研究较少,面临着诸多挑战:(1)现有实体识别研究方法没有充分考虑中文病历文本包含的语言特性,对中文医疗特征利用不足;(2)现有实体及关系抽取研究方法没有充分考虑实体和关系之间的相互作用,两个子任务间的信息利用不充分。针对以上挑战,本文主要工作如下:提出基于双分支TENER的中文病历医疗实体识别模型。首先,在TENER预训练模型对中文医疗文本进行编码的过程中,使用Char-Entity-Transformer将医疗实体词典信息集成到模型中,帮助TENER获取更多中文医疗专业术语的特征信息。其次,提出分而治之的策略,将实体识别分为实体边界识别和实体类型识别两个任务。其中,实体边界识别任务采用CRF获取实体的边界信息;实体类型识别任务则通过A-Softmax确定实体的类别。最后,为了提高模型对实体的分类能力,将卷积神经网络在中文病历文本中提取的偏旁部首特征融入到实体类别识别任务中。在四个中文病历数据集上的实验结果验证了模型的有效性。提出融合注意力引导图卷积的Cross-TENER模型,对中文病历医疗实体及关系进行联合抽取。该模型首先使用注意力引导的图卷积网络学习语句的依存结构,从而选择性地关注对关系抽取任务有用的相关信息。其次利用Star-Transformer的自注意力机制引入实体边界信息增强实体边界,以更好地捕捉句子中不同字词之间的位置关系,进一步增强模型的表达能力。最后,Cross-TENER分别计算不同医疗实体关系的相关性,捕获不同关系之间的联系和字词中细粒度的语义特征以及医疗实体的边界信息,减少了实体识别中不相关关系带来的噪声。实验结果表明,相较于其他基线模型,本文模型在三个中文医疗数据集上的实验性能更好,有助于提高中文医疗实体及关系联合抽取的性能。

关键词：中文医疗文本医疗实体识别实体及关系联合抽取注意力机制

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：