典型文献
结合神经文本生成的FLAT模型的中文电子病历命名实体识别
文献摘要：
随着医疗信息化的发展,电子病历命名实体识别受到了广泛关注.电子病历中包含大量的专业词汇,而专业词汇的切分错误会使命名实体识别效果不佳.FLAT模型在引入词边界信息时能有效避免分词错误信息的传播,提高命名实体识别效果,但FALT模型依赖于高质量的词典信息.针对这一问题,提出了结合神经文本生成的FLAT模型,使用神经文本生成方法生成大量新病历文本,通过提出的评分函数筛选通顺的文本训练词向量作为FLAT模型的词典信息.实验表明:结合神经文本生成的FLAT模型在CCKS2017数据集上取得了95.32％的F1分数,比BiLSTM CRF模型提高了1.16％,比BERT CRF模型提高了0.89％;在CCKS2019数据集上取得了85.87％的F1分数,比BiLSTM CRF模型提高了5.19％,比BERT CRF模型提高了1.34％.
文献关键词：
命名实体识别;电子病历;FLAT;神经文本生成
中图分类号：
作者姓名：
陈鹏;苏志同;余肖生
作者机构：
三峡大学 计算机与信息学院, 湖北 宜昌 443000
文献出处：
引用格式：
[1]陈鹏;苏志同;余肖生-.结合神经文本生成的FLAT模型的中文电子病历命名实体识别)[J].重庆理工大学学报,2022(09):98-109
A类：
神经文本生成,FALT
B类：
FLAT,中文电子病历,命名实体识别,医疗信息化,专业词汇,切分,误会,词边界信息,分词,错误信息,词典,生成方法,通顺,文本训练,词向量,CCKS2017,BiLSTM,CRF,BERT,CCKS2019
AB值：
0.209192
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
