整合BiLSTM-CRF网络和词典资源的中文电子病历实体识别

• 作 者: 李纲 潘荣清 毛进 操玉杰
• 机 构: 武汉大学信息资源研究中心
• 出 处: 现代情报
• 发表日期: 2020年4期
• 关键词: 实体识别 长短期记忆网络 条件随机场 电子病历 词典资源 深度学习 BiLSTM-CRF神经网络模型
• 基金项目: 国家自然科学基金青年项目“基于学术异质网络表示学习的知识群落发现”(项目编号:71804135);国家自然科学基金重大课题“国家安全大数据综合信息集成与分析方法”(项目编号:71790612);中国博士后科学基金项目“融合语义与关系的科研社群识别与演化研究”(项目编号:2018M630885)

[目的/意义]通过整合BiLSTM-CRF神经网络和具有先验领域知识的词典资源,提高中文电子病历领域中的实体识别效果。[方法/过程]采用BiLSTM-CRF神经网络模型,以CCKS-2017测评任务提供的脱敏中文电子病历数据为实验数据集,结合Word2Vec和外部词典构造神经网络的词嵌入输入改进实体识别模型。[结果/结论]与传统的CRF和单纯的BiLSTM-CRF模型相比,引入先验知识的词典资源可以取得更好的实体识别效果,F1值达到最高的90.41%。深度学习模型BiLSTM-CRF能够显著提升传统CRF