针对医学糖尿病领域命名实体识别中存在实体种类多样性、数据稀缺等问题,提出了基于特征融合的糖尿病命名实体识别方法.以BERT+BILSTM+CRF为基准模型,在3方面进行改进.首先,使用预训练模型RoBERTa-wwm-ext作为模型嵌入层,提供字符级嵌入,利用其在训练阶段进行全词掩码来获取含有先验知识的语义表示.其次,使用双向长短时记忆网络和迭代膨胀卷积神经网络并行提取特征,以获取不同粒度的特征.同时,结合注意力机制进行动态特征融合,从而更好地理解数据的关键信息,以获得更丰富的上下文特征.最后,采用条件随机场进行解码,获得最终的预测结果.该模型在包含18种实体类别的中文糖尿病数据集DiaKG上的F1值达到了79.58%,实验结果表明,与High-Order MKGragh模型相比,该模型的F1值提升了5.38%,充分说明了特征融合的方法能够有效识别糖尿病实体.

目的:探索分析BERT-BiLSTM-CRF模型抽取中医文献摘要中的实体的可行性及识别效果.方法:在知网数据中导出500条中医疗法治疗功能性胃肠病的论文摘要,对文本中的西医病名、临床表现、方剂、中药等11类实体进行BIO标注,基于BERT-BiLSTM-CRF模型进行训练及参数调整,而后对模型进行测试,并应用于实体识别.结果:模型测试的精确率为85.07％,召回率为88.48％,F1值为0.867 4,中药、方剂、西医诊断等实体类别的识别效果较好;模型应用中,自动化实体抽取结果整体较好,能够反映该领域文献的主要研究方向.结论:BERT-BiLSTM-CRF模型能够识别出论文摘要中大部分的实体,可以为知识图谱的自动化构建提供基础,同时也对中医药领域的自然语言处理应用提供了参考和借鉴.

目的:基于深度学习方法,对《脉经》中的术语命名实体识别进行研究.方法:针对中医典籍《脉经》涵盖了大量专业术语、知识体系复杂且分词困难等问题,采用迁移学习与BERT相结合的方法,对《脉经》数据集进行预处理,并与BERT-CRF、BiLSTM-CRF、BERT-BiLSTM-CRF模型进行对比.结果:本实验构建的BERT-BiLSTM-CRF-部首特征模型命名实体识别的F1值为84.77%,相较于BERT-CRF、BiLSTM-CRF、BERT-BiLSTM-CRF模型,该模型在词向量的构建过程中,充分考虑了中医领域的专业性和特殊性,不仅针对上下文语境进行了学习,还针对实体词的部首特征进行了学习,效果最优.结论:利用BERT-BiLSTM-CRF-部首特征模型能够有效实现中医古籍术语命名实体类别识别,有效提高了中医古籍的实体识别准确率,为后续知识图谱构建奠定技术基础,亦为临床诊断提供高质量数据支持.

目的:基于BiLSTM-CRF的命名实体识别技术挖掘并展示《神农本草经》蕴含的药物理论.方法:构建自定义中医术语词库,由计算机自动化序列标注,根据不同主流命名实体识别方法以及中医古籍的文本特点,以字向量作为初始输入,构建BiLSTM-CRF模型对《神农本草经》进行命名实体识别.结果:测试结果表明,BiLSTM-CRF模型的精确率89.00％,召回率88.83％,F 1值为88.91％,相对于其他模型效果较优.结论:BiLSTM-CRF模型能够有效识别《神农本草经》的实体类型,适用于中医古籍的知识挖掘,有助于中医理论实践和发挥临床应用价值.

目的/意义 利用因果关系词相对位置辅助深度学习模型,提高因果关系预测能力,挖掘医疗文本增益信息.方法/过程 将医疗文本因果关系词相对位置信息表示为关系特征层嵌入预训练语言模型,融合基线模型进行实体识别及关系抽取.结果/结论 嵌入关系特征层的模型F1 值较基线模型BERT-BiLSTM-CRF和CasRel分别提升2.92 个百分点和6.41 个百分点,因果关系预测能力较好.

目的/意义 构建面向老年疾病康复的知识图谱,以探索预防、康复一体化的居家老年人自主管理体系,提高智能老年疾病康复和照护体系的个性化水平和效能,为应对人口老龄化提供助力.方法/过程 通过自然语言处理算法、医学专家人工标注构建面向老年疾病康复的知识图谱,使用Med-BERT+BiLSTM+CRF组合算法进行实体抽取,并搭建基于知识图谱的智能问答系统.结果/结论 新设计的面向老年疾病康复的知识图谱质量达到预期,基于知识图谱的问答系统能够为老年用户提供交互友好的知识获取方式.

目的 基于Neo4j探究肺癌中医诊疗知识图谱构建.方法 收集整理中国知网名老中医治疗肺癌医案的文献,采用自底而上的构建方式,运用BiLSTM-CRF、人工定义规则、内容分析法和Neo4j技术构建肺癌中医诊疗知识图谱.结果 共检索376篇名老中医治疗肺癌医案的文献,抽取实体有5901个,定义关系有5种,构建了"病-证-症-方-药"名老中医治疗肺癌医案的知识图谱.结论 肺癌中医诊疗知识图谱能够更直观地呈现了肺癌医案中疾病、证候、症状、方剂、中药之间的关联,为深入开展肺癌领域相关研究和实体间潜在的关系发掘奠定一定基础.

目的/意义研究提取中医医案中医疗术语的方法,实现医案自动结构化,为医案知识发现提供结构化数据.方法/过程提出一种BERT结合长短期记忆人工神经网络、条件随机场和部首特征的深度学习命名实体识别模型,在BERT词向量中嵌入汉字部首,采用双向长短期记忆人工神经网络提取实体特征,使用条件随机场进行序列预测.将人工标注的400份共计5万余字的医案按照3:1划分为训练集和测试集,使用该模型识别中医医案中的身体部位、药物、症状、疾病4类命名实体.结果/结论该模型在测试集F1值为84.81％,优于其他未嵌入部首的模型,表明该模型能够更有效地识别中医医案中的命名实体,更好地结构化医案.

介绍命名实体识别及模型应用研究情况,以中医典籍作为数据源,采用深度学习方法,进行中医疾病、方剂、中草药等实体抽取,设计BiLSTM-CRF序列标注模型,构建中医典籍实验语料进行实验,结果表明该模型算法具有高度准确性.

目的:利用深度学习方法自动抽取中文生物医学文本中的开放式概念关系,以增强生物医学文本理解及医学知识网络构建.方法:使用BiLSTM-CRF模型从中文生物医学文献数据中抽取以句子上下文短语描述的开放式概念关系,并与基于条件随机场(Conditional Random Fields,CRF)和基于长短时记忆网络(Long Short-Term Memory,LSTM)的方法进行对比分析.结果:基于BiLSTM-CRF的中文生物医学开放式概念关系抽取方法取得F1值为0.5221,显著高于基于CRF模型的方法(F1值为0.2353)和基于LSTM模型的方法(F1值为0.3355).结论:与单独使用CRF模型或LSTM模型的方法相比,基于BiLSTM-CRF的开放式概念关系抽取方法具有更好的鲁棒性和泛化性,对于生物医学文本理解、医学知识网络构建等研究具有借鉴意义.