典型文献
基于IDCNN+CRF和注意力机制的电子病历命名实体识别方法及模型稳定性研究
文献摘要：
目的:基于膨胀卷积+条件随机场(IDCNN+CRF)和注意力机制进行电子病历的实体识别,观察识别效果及模型的稳定性.方法:电子病历实体识别的实体抽取环节采用IDCNN+CRF架构,实体对齐环节采用Seq2Seq+注意力机制的翻译框架.与其他算法模型比较,观察所构建模型对电子病历实体的识别效果;逐步增加电子病历数量,分析对模型性能的提升效果.结果:IDCNN+CRF+注意力模型对于电子病历实体识别的准确率为97.17％,精确率为95.75％,召回率为95.06％,Fβ值为95.51％,优于Bi-LSTM+CRF、CRF、HMM等其他模型;在电子病历增加15篇后Fβ-score值趋于平稳.结论:基于IDCNN+CRF和注意力机制构建的模型具有良好的电子病历实体关系识别效果,且模型稳定性优异,为后续电子病历命名实体结构化提供了一种稳定可行的方案.
文献关键词：
电子病历;命名实体识别;深度学习;膨胀卷积;条件随机场
中图分类号：
作者姓名：
陈廷寅;冯嵩
作者机构：
410008长沙,中南大学湘雅医院网络信息中心
文献出处：
引用格式：
[1]陈廷寅;冯嵩-.基于IDCNN+CRF和注意力机制的电子病历命名实体识别方法及模型稳定性研究)[J].中国数字医学,2022(11):1-5
A类：
IDCNN+CRF,Seq2Seq+,IDCNN+CRF+
B类：
注意力机制,电子病历,命名实体识别,实体识别方法,模型稳定性,稳定性研究,膨胀卷积,条件随机场,察识,实体抽取,取环,实体对齐,算法模型,模型比较,观察所,构建模型,加电,历数,模型性能,提升效果,注意力模型,精确率,召回率,Bi,LSTM+CRF,HMM,score,趋于平稳,机制构建,实体关系,关系识别,实体结构
AB值：
0.324324
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。
