典型文献
一种融合实体类别特征的医疗领域关系抽取方法
文献摘要：
关系抽取是自然语言处理中的核心任务,也是构建医疗领域知识图谱中的关键问题.现有的关系抽取方法鲜有融合实体类别的特征,针对医疗领域中实体类别的特点,提出一种融合实体类别特征的医疗领域关系抽取方法CBBS(category BERT BiLSTM Sigmoid).首先融入实体类别特征,采用基于Transformer的双向编码器表示(bidirectional ecoder representations from Transformers,BERT)-双向长短时记忆(bidirectional long short-term memory,BiLSTM)-Sigmoid 模型进行医疗关系抽取,将医疗领域关系抽取问题转化为序列标注问题,提升了单条语料中同一实体处于多种关系时的抽取效果.对比实验表明,CBBS方法在构建的医疗领域关系抽取数据集上与其他方法相比取得了最好的实验效果,精确率达到了83.97％,能够有效地解决医疗领域关系抽取问题.
文献关键词：
关系抽取;实体类别;BERT;序列标注;混合模型
中图分类号：
作者姓名：
游新冬;赵明智;王星予;徐戈;吕学强
作者机构：
北京信息科技大学网络文化与数字传播北京市重点实验室,北京100101;闽江学院计算机与控制工程学院,闽江350108;福建省信息处理与智能控制重点实验室,闽江350108
文献出处：
引用格式：
[1]游新冬;赵明智;王星予;徐戈;吕学强-.一种融合实体类别特征的医疗领域关系抽取方法)[J].北京信息科技大学学报（自然科学版）,2022(06):19-25
A类：
CBBS,ecoder
B类：
实体类别,类别特征,医疗领域,关系抽取,自然语言处理,核心任务,领域知识图谱,category,BERT,BiLSTM,Sigmoid,双向编码器表示,bidirectional,representations,from,Transformers,双向长短时记忆,long,short,term,memory,行医,问题转化,序列标注,单条,语料,其他方法,实验效果,精确率,混合模型
AB值：
0.276853
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。
