中医实体识别是智能医学领域一项重要的基础任务,针对通用的实体识别模型忽略了中医实体之间强关联性的问题,文章提出了一种特征融合方法。以预训练BERT(Bidirectional Encoder Representation from Transformers)模型为基础,对输入信...中医实体识别是智能医学领域一项重要的基础任务,针对通用的实体识别模型忽略了中医实体之间强关联性的问题,文章提出了一种特征融合方法。以预训练BERT(Bidirectional Encoder Representation from Transformers)模型为基础,对输入信息进行特征提取后,进一步对每个实体特征与语句特征进行融合,以获得更丰富的上下文特征,进而增强模型对中医实体的提取能力。使用临床数据开展实验证明,该方法与其他模型相比,在草药和症状实体识别任务上获得了更高的F1分数,分别为94.90%和83.92%,能更准确有效地提取医案中的实体。展开更多
文摘中医实体识别是智能医学领域一项重要的基础任务,针对通用的实体识别模型忽略了中医实体之间强关联性的问题,文章提出了一种特征融合方法。以预训练BERT(Bidirectional Encoder Representation from Transformers)模型为基础,对输入信息进行特征提取后,进一步对每个实体特征与语句特征进行融合,以获得更丰富的上下文特征,进而增强模型对中医实体的提取能力。使用临床数据开展实验证明,该方法与其他模型相比,在草药和症状实体识别任务上获得了更高的F1分数,分别为94.90%和83.92%,能更准确有效地提取医案中的实体。
