基于LSTM-CRF的中医医案症状命名实体抽取研究

被引：14

作者：

高佳奕 ^{[1
]}

杨涛 ^{[1
]}

董海艳 ^{[1
]}

史话跃 ^{[2
]}

胡孔法 ^{[1
]}

机构：

[1] 南京中医药大学人工智能与信息技术学院

[2] 南京中医药大学中医学院

来源：

中国中医药信息杂志 | 2021年 / 28卷 / 05期

基金：

国家重点研发计划;

关键词：

长短时记忆网络; 条件随机场; 中医医案; 命名实体识别; 信息抽取;

D O I：

10.19879/j.cnki.1005-5304.202002142

中图分类号：

TP391.1 [文字信息处理]; R2-03 [中医现代化研究];

学科分类号：

100602 ;

摘要：

目的研究中医医案中症状命名实体的抽取方法,为中医临床信息的自动化抽取提供方法学参考。方法基于已标注过的名老中医诊治肺癌医案构建长短时记忆网络(LSTM)与条件随机场(CRF)混合模型,应用LSTM层结合预训练字向量抽取医案的抽象特征,通过CRF进行序列标注,使用多分类评价指标对抽取结果进行评价。同时设计不同变体的算法,在肺癌数据集上进行测试,分析比较不同模型的优劣。结果带有Peephole机制的双向LSTM识别效果最好,其症状词的3个评价指标准确率(P)、召回率(R)和F1-测度值(F1)分别为0.844 6±0.022 7、0.840 2±0.019 2、0.842 3±0.019 4,程度词分别为0.813 5±0.028 0、0.833 4±0.045 6、0.822 9±0.032 6,部位词分别为0.766 3±0.082 7、0.720 6±0.078 7、0.740 5±0.068 2。结论利用带有Peephole机制的双向LSTM能够有效实现中医医案症状命名实体识别,提高传统CRF模型的召回能力。

引用

页码：20 / 24

页数：5

共 6 条

[1] 基于LSTM-CRF的中医医案症状术语识别
李明浩
刘忠
姚远哲
[J]. 计算机应用, 2018, 38(S2) (S2) : 42 - 46
[2] 基于条件随机场模型的复杂时间信息抽取研究
逯万辉
马建霞
[J]. 现代图书情报技术, 2011, (10) : 29 - 33
[3] 信息抽取研究综述
李保利
陈玉忠
俞士汶
不详
[J]. 计算机工程与应用 , 2003, (10) : 1 - 5+66
[4] From feedforward to recurrent LSTM neural networks for language modeling.[J]..IEEE/ACM Transactions on Audio; Speech and Language Processing (TASLP).2015, 3
[5] LSTM recurrent networks learn simple context-free and context-sensitive languages
Gers, FA
Schtmidhuber, J
[J]. IEEE TRANSACTIONS ON NEURAL NETWORKS, 2001, 12 (06): : 1333 - 1340
[6] Learning to forget: Continual prediction with LSTM
Gers, FA
Schmidhuber, J
Cummins, F
[J]. NEURAL COMPUTATION, 2000, 12 (10) : 2451 - 2471

← 1 →