典型文献
KBLCC:融合实体关键字特征的医疗领域实体分类方法
文献摘要：
实体抽取是自然语言处理中的一项基础任务,基于实体抽取的医疗领域实体分类是医疗知识图谱构建的基础,现有的实体抽取方法鲜有基于字符级的特征.文中提出了KBLCC方法,一种融合实体关键字特征的医疗领域实体分类方法.通过对医疗领域文本的语言特点进行分析与总结,发现医疗领域实体通常包含一些明显的关键字特征,能够辅助实体分类任务.融合实体关键字特征构建了BERT-BILSTM-CNN-CRF混合模型对医疗领域实体进行抽取,并将医疗实体分为检验指标、疾病、症状这三大类.实验结果表明,使用KBLCC模型进行医疗领域实体分类能够提高实验效果,准确率、召回率和F1值分别达到89.38％、92.46％和90.89％.
文献关键词：
实体抽取;实体分类;KBLCC;关键字;混合模型
中图分类号：
作者姓名：
王星予;吕学强;游新冬
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
文献出处：
引用格式：
[1]王星予;吕学强;游新冬-.KBLCC:融合实体关键字特征的医疗领域实体分类方法)[J].小型微型计算机系统,2022(01):27-34
A类：
KBLCC
B类：
关键字,医疗领域,实体分类,分类方法,实体抽取,自然语言处理,医疗知识图谱,知识图谱构建,字符,语言特点,分类任务,特征构建,BERT,BILSTM,CRF,混合模型,检验指标,行医,高实,实验效果,召回率
AB值：
0.278134
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。
