文献类型：期刊文章

作　　者：徐凯[1,2] 王崎[2] 李振彰[3] 康培培[2] 谢峰[2] 刘文印[2]

Xu Kai;Wang Qi;Li Zhenzhang;Kang Peipei;Xie Feng;Liu Wenyin(Guiyang Institute for Big Data and Finance,Guizhou University of Finance and Economics,Guiyang 550025,Guizhou,China;School of Computer,Guangdong University of Technology,Guangzhou 510006,Guangdong,China;School of Mathematics and Systems Science,Guangdong Polytechnic Normal University,Guangzhou 510665,Guangdong,China)

机构地区：[1]贵州财经大学贵阳大数据金融学院,贵州贵阳550025 [2]广东工业大学计算机学院,广东广州510006 [3]广东技术师范大学数学与系统科学学院,广东广州510665

出　　处：《计算机应用与软件》

基　　金：国家自然科学基金项目(91748107,61703109);广东创新研究团队计划项目(2014ZT05G157)。

年　　份：2020

卷　　号：37

期　　号：5

起止页码：151-155

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、IC、JST、ZGKJHX、核心刊

摘　　要：生物医学命名实体识别(BNER)对促进医学信息学研究具有重要意义。针对现有方法识别精度和效率低,特别是不能很好识别组成复杂和罕见的生物医学名称问题,提出一种基于词典注意力双向门控循环单元神经网络和CRF(DABGC)BNER的方法。通过一种高效多模态匹配方法对生物医学词典进行高效匹配,使用双向GRU网络输出包含上下文信息的隐状态。引入多头注意力机制解析词之间的联系,通过权重的方式将词典匹配结果和注意力机制进行结合,融合CRF计算出最优标签序列。在NCBI疾病和BC5CDR化学数据集上,DABGC获得最高F1分数分别为0.868和0.921。

关 键 词：命名实体识别 深度学习  医学词典

分 类 号：TP309.7]