典型文献
中文常见医疗问题命名实体识别研究
文献摘要：
为了达到提高中文常见医疗问题命名实体识别的效果,并为医疗领域知识图谱及其知识搜索奠定基础的目的,文中借助BiLSTM?CRF模型在解决序列问题时的优越性和BERT模型的强大表义能力,将BERT集成到BiLSTM?CRF中组成BERT?BiLSTM?CRF模型.该模型通过引入BERT提取文本全局特征和局部特征,从而生成表义更加丰富的字向量,同时还具备BiLSTM网络捕获上下文语义信息和CRF标注偏置纠错的能力.鉴于目前缺少该领域的标注语料,该研究采用人工方式构建标注语料库.实验结果表明:BERT?BiLSTM?CRF模型的医疗实体识别效果优于传统的BiLSTM?CRF模型;且该模型在基于BIOE标注方案下实体识别效果较好,F1值达到97％;从类别上看,疾病类、症状类、检查类F1值达到99％,药物类达到92％.总体而言,中文常见医疗问题在基于BERT?BiLSTM?CRF模型并采用BIOE标注方案下实体识别效果最好,其中疾病类、症状类、检查类的实体识别效果较好.
文献关键词：
中文常见医疗问题;命名实体识别;BERT-BiLSTM-CRF模型;特征提取;语义信息;标注偏置纠错
中图分类号：
作者姓名：
赵瑛;任燕春;王铁;许丹彤
作者机构：
内蒙古科技大学 信息工程学院,内蒙古 包头 014010
文献出处：
引用格式：
[1]赵瑛;任燕春;王铁;许丹彤-.中文常见医疗问题命名实体识别研究)[J].现代电子技术,2022(16):121-126
A类：
中文常见医疗问题,标注偏置纠错,BIOE
B类：
命名实体识别,医疗领域,领域知识图谱,知识搜索,BiLSTM,CRF,BERT,表义,文本全局,全局特征,局部特征,字向量,上下文语义,语义信息,语料库,总体而言
AB值：
0.1651
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。
