文献类型：期刊文章

作　　者：李博[1] 康晓东[1] 张华丽[1] 王亚鸽[1] 陈亚媛[1] 白放[1]

LI Bo;KANG Xiaodong;ZHANG Huali;WANG Yage;CHEN Yayuan;BAI Fang(College of Medical Imaging,Tianjin Medical University,Tianjin 300203,China)

机构地区：[1]天津医科大学医学影像学院

出　　处：《计算机工程与应用》

基　　金：京津冀协同创新项目（No.17YFXTZC00020）

年　　份：2020

卷　　号：56

期　　号：5

起止页码：153-159

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：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,TransformerCRF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。

关 键 词：电子病历(EMR)  命名实体识别 TRANSFORMER 条件随机场(CRF)  

分 类 号：TP391]