10.3969/j.issn.1673-629X.2019.02.022
基于LSTM-CRF命名实体识别技术的研究与应用
随着深度神经网络的发展, 深度学习不仅占据了模式识别等领域的统治地位, 而且已应用到自然语言处理的各个方面, 如中文命名实体识别.对电子病历中的命名实体进行识别时, 构建了内嵌条件随机场的长短时神经网络模型, 使用长短时神经网络隐含层的上下文向量作为输出层标注的特征, 使用内嵌的条件随机场模型表示标注之间的约束关系.该模型识别出了电子病历中的身体部位、疾病名称、检查、症状和治疗五类实体, 准确率达到96.29%, 精确率达到了91. 61%, 召回率96.22%, F值93.85, 其中症状这一实体类别, 精确率达到96.08%, 召回率98.98%, F值97.51.实验结果表明, 内嵌条件随机场的长短时记忆神经网络模型在识别中文命名实体方面是有效的, 有助于自动抽取中文电子病历中实体之间的关系、构建医疗知识图谱.
长短时记忆神经网络、条件随机场、命名实体、电子病历
29
TP319(计算技术、计算机技术)
河南省科技攻关项目152102310313;河南师范大学专业学位研究生课程案例库建设项目5101119500706
2019-05-31(万方平台首次上网日期,不代表论文的发表时间)
共4页
106-108,142