文献类型：期刊文章

作　　者：张芳丛[1] 秦秋莉[1] 姜勇[2] 庄润涛[3]

Zhang Fangcong;Qin Qiuli;Jiang Yong;Zhuang Runtao(School of Economics and Management,Beijing Jiaotong University,Beijing 100044,China;National Clinical Medical Research Center for Nervous System Diseases,Beijing Tiantan Hospital Affiliated to Capital Medical University,Beijing 100050,China;Community Health Service Center,Beijing Jiaotong University,Beijing 100044,China)

机构地区：[1]北京交通大学经济管理学院,北京100044 [2]首都医科大学附属北京天坛医院国家神经系统疾病临床医学研究中心,北京100050 [3]北京交通大学社区卫生服务中心,北京100044

出　　处：《数据分析与知识发现》

基　　金：教育部人文社会科学规划项目(项目编号:18YJA870017);吉林省社会科学基金项目(项目编号:2019B59);吉林大学研究生创新基金项目(项目编号:101832020CX279)的研究成果之一。

年　　份：2022

卷　　号：6

期　　号：2

起止页码：242-250

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、CSSCI、CSSCI2021_2022、NSSD、RCCSE、RWSKHX、SCOPUS、ZGKJHX、核心刊

摘　　要：【目的】解决中文电子病历实体识别中存在的一词多义、词识别不全等问题。【方法】采用深度学习模型RoBERTa-WWM-BiLSTM-CRF,改善中文电子病历的命名实体识别的效果并用4组实验进行对比,分析不同模型对中文电子病历实体识别的效果的影响。【结果】所提模型的实体识别效果F1值达到了0.8908。【局限】使用的数据集规模较小,部分科室实体识别效果较一般,如呼吸科F1值仅为0.8111。【结论】通过实验表明RoBERTa-WWM-BiLSTM-CRF模型更适用于中文电子病历命名实体识别任务,有效解决了中文电子病历命名实体识别中存在的一词多义和词识别不全的问题。

关 键 词：电子病历 命名实体识别 RoBERTa-wwm  动态融合  

分 类 号：TP393]