典型文献
一种融入注意力机制的医疗病例实体识别方法
文献摘要：
在医疗病历实体识别领域中,传统的命名实体识别方法因网络模型单一的原因,存在对语义特征提取不充分、模型训练时间过长等问题,导致模型鲁棒性不强、识别精准度不高.针对以上问题,本文提出一种基于文本卷积神经网络、双向简单循环单元网络(BiSRU)和自注意力机制的多网络联合模型(TextCNN-BiSRU-SelfAttention),利用SRU神经网络解决模型训练时间过长的问题,引入文本卷积神经网络解决传统BiLSTM神经网络模型无法提取局部语义特征的问题,通过自注意力机制使得模型训练的重点放在相关数据上,尽可能忽视无关数据,从而解决传统模型不能很好关注相关数据的问题.最后将多元特征向量融合,充分提取相关数据的局部特征和全局特征以提高模型识别的精确度.实验结果表明,在ChineseBLUE(cMedQANER)[17]数据集上,该模型在精准度、召回率、F1-Measure值都有较为显著的提升,同时模型训练时间明显缩短.
文献关键词：
注意力机制;神经网络;条件随机场;医疗病历实体
中图分类号：
作者姓名：
帅英杰;黄勇
作者机构：
广西民族大学人工智能学院,广西 南宁 530000;广西壮族自治区党委网信办,广西 南宁 530000
文献出处：
引用格式：
[1]帅英杰;黄勇-.一种融入注意力机制的医疗病例实体识别方法)[J].广西教育学院学报,2022(06):46-52
A类：
医疗病历实体,多网络联合,SelfAttention,ChineseBLUE,cMedQANER
B类：
实体识别方法,命名实体识别,法因,语义特征,模型训练,训练时间,模型鲁棒性,文本卷积神经网络,双向简单循环单元,元网络,BiSRU,自注意力机制,联合模型,TextCNN,BiLSTM,传统模型,多元特征,特征向量,向量融合,分提,局部特征,全局特征,模型识别,召回率,Measure,条件随机场
AB值：
0.256196
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。
