目的解决当前中医医案命名实体识别模型识别效果欠佳的问题,提升中医医案结构化的效率与精准度。方法构建融合多维度信息的BDM-CRF命名实体识别神经网络模型,融合双向长短期记忆网络模型(Bidirectional long short-term memory,BiLSTM)...目的解决当前中医医案命名实体识别模型识别效果欠佳的问题,提升中医医案结构化的效率与精准度。方法构建融合多维度信息的BDM-CRF命名实体识别神经网络模型,融合双向长短期记忆网络模型(Bidirectional long short-term memory,BiLSTM)、门控空洞卷积神经网络模型(Gated-dilated convolutional neural networks,DGCNN)和多头注意力机制模型(Multi-head attention,MHA)进行多维度特征抽取,通过条件随机场(Conditional random field,CRF)模型对特征抽取结果进行约束输出;通过对比实验、消融实验、预训练模型对比实验及神经网络结构对比实验验证该模型的有效性,通过个案分析验证并展示模型的提取效果。结果本研究提出的模型比对照模型精确率平均提升2.30%、召回率平均提升4.73%、F1值平均提升3.53%。个案分析结果表明,本研究模型能正确识别出中医医案文本中的大部分实体内容。结论本研究提出的融合多维度信息的中医医案命名实体识别模型能取得更佳的识别效果,可有效提升中医医案结构化的精准度及效率,促进中医医案处理智能化。展开更多
文摘目的解决当前中医医案命名实体识别模型识别效果欠佳的问题,提升中医医案结构化的效率与精准度。方法构建融合多维度信息的BDM-CRF命名实体识别神经网络模型,融合双向长短期记忆网络模型(Bidirectional long short-term memory,BiLSTM)、门控空洞卷积神经网络模型(Gated-dilated convolutional neural networks,DGCNN)和多头注意力机制模型(Multi-head attention,MHA)进行多维度特征抽取,通过条件随机场(Conditional random field,CRF)模型对特征抽取结果进行约束输出;通过对比实验、消融实验、预训练模型对比实验及神经网络结构对比实验验证该模型的有效性,通过个案分析验证并展示模型的提取效果。结果本研究提出的模型比对照模型精确率平均提升2.30%、召回率平均提升4.73%、F1值平均提升3.53%。个案分析结果表明,本研究模型能正确识别出中医医案文本中的大部分实体内容。结论本研究提出的融合多维度信息的中医医案命名实体识别模型能取得更佳的识别效果,可有效提升中医医案结构化的精准度及效率,促进中医医案处理智能化。
