基于混合策略的公众健康领域新词识别方法研究 - 图书情报工作.pdf

第５９卷 第２３期　２０１５年１２月 基于混合策略的公众健康领域新词识别方法研究 ■ 侯丽　李姣　侯震　陈松景 中国医学科学院医学信息研究所　北京 １０００２０ 摘要：［目的／意义］从互联网公众查询数据中发现公众使用的健康术语，为建立公众健康术语与医学专业 术语的映射提供基础，进而优化健康类知识服务平台的知识组织与管理性能。［方法／过程］设计规则与 Ｎ? Ｇｒａｍ相结合的健康术语新词的识别模型，采集公众查询数据，开展实验验证，通过多次实验，逐步完善过滤语 料集合，结合人工判读，不断优化并验证方案的有效性。［结果／结论］从互联网中公众提问句抽取出规则，结合 统计算法进行公众使用的健康类新词抽取，该技术方法对识别公众使用的健康术语具有一定的通用性，能为建 立公众术语与医学术语映射提供数据基础。实验结果表明：基于规则进行公众日志数据预处理，能为后续的实 验方案提供较好的预处理文本，而采用ＮＧｒａｍ及各种过滤规则结合的术语识别方法，能较好地识别发现短文 ? 本中的新词。 关键词：互联网查询数据　公众健康术语　ＮＧｒａｍ　实体识别 ? 分类号：ＴＰ３９１．１ 　　ＤＯＩ：１０．１３２６６／ｊ．ｉｓｓｎ．０２５２－３１１６．２０１５．２３．０１７ １　引言 理解的健康术语之间的桥梁，进而提升健康知识服务 平台对知识进行组织与提供服务的能力。 　　随着互联网普及率的提高，公众更倾向于通过互 　　鉴于如上背景，本文拟从汇集大量公众健康表达习 联网获取各种信息。据第八次中国公民科学素养调查 惯的语料库中挖掘出公众使用的健康术语形式，从而更好 结果，中国具备基本科学素养的公民比例为３．２７％， 地为公众提供健康服务。目前大量的机器学习算法都是 ［１］ 健康素养水平是６．４８％（２０１３年达到９．４８％） ，而 ［２］ 基于已经标注好的语料进行算法对比与优化实验，而面向 医学与健康受公民关注的比例则高达８７．４％ 。与 公众的健康表达习惯尚未形成普适的、可供研究人员使用 此同时，医学作为一门快速发展的学科，新的医学词汇 的语料集。因此，本文将百度知道（ ［３］ ｈｔｔｐ：／／ｚｈｉｄａｏ．ｂａｉｄｕ． 经常涌现，如Ｈ７Ｎ９、中东呼吸综合征 ，这些新的术语 ｃｏｍ）中用户的查询数据作为术语挖掘的语料源，抽取出 对于普通公众的理解力而言，存在一定难度。健康素 用户提问ｐａｔｔｅｒｎ（模式）作为术语识别的前期规则，结合命 养低下在世界范围内普遍存在，美国成年人健康素养 ［４］ 名实体识别的相关统计算法，进行公众健康领域的新词识 评估调查显示 ：９３０万美国人拥有“基本”或“低于基 别。这一方面有助于建成公众健康领域新词识别的基础 本”水平的健康素养水平。原因在于电子病历、临床决 策系统、健康知识服务系统中存存在大量公众无法理 语料库，为后续开展深入的机器学习算法应用提供语料基 解与读懂的专业术语，从而造成公民健康素养与健康 础；另一