10.3778/j.issn.1002-8331.1909-0211
采用Transformer-CRF的中文电子病历命名实体识别
命名实体识别是自然语言处理的基本任务之一.针对中文电子病历命名实体识别传统模型识别效果不佳的问题,提出一种完全基于注意力机制的神经网络模型.实验采用自建真实中文电子病历数据集并对数据集进行人工标注、分词等预处理;对Transformer模型进行训练优化,以提取文本特征;利用条件随机场对提取到的文本特征进行分类识别.为验证所提方法的有效性,将构建的Transformer-CRF神经网络模型与其他7种传统模型进行比较研究,实验采用精确率、召回率和F1值三个指标评估模型的识别性能.实验结果显示,在同一语料集下,Transformer-CRF模型对身体部位类的命名实体识别效果较好,F1值高达95.02%;且与其他7种传统模型相比,Transformer-CRF模型的精确率、召回率和F1值均较高,在一定程度上验证了所构建模型具有较好的识别性能.
电子病历(EMR)、命名实体识别、Transformer、条件随机场(CRF)
56
TP391(计算技术、计算机技术)
京津冀协同创新项目No.17YFXTZC00020
2020-03-31(万方平台首次上网日期,不代表论文的发表时间)
共7页
153-159