基于LSTM生物医学核心实体提取模型研究.docVIP

基于LSTM生物医学核心实体提取模型研究 　　摘 要：识别一篇生物医学文献中的核心实体是准确提取该文献信息的前提。针对目前生物医学文献实体识别和筛选方法的局限性，提出了基于LSTM的生物医学核心实体提取模型。该模型以LSTM为核心，通过更为优秀的词向量和输入生成规则改良模型输入，使用双向LSTM模型改进处理过程，将结果保存为树形结构并对该树进行合理剪枝获取标注链，实现输出结果处理，最终使实体识别的F1值达到了89.35%。此外，在核心实体筛选过程中，基于TF/IDF算法规则，充分考虑了词频、位置、逆文档频率等因素，使核心实体筛选的F1值达到了76.85%。 　　关键词：实体识别；改进词向量；双向LSTM；剪枝策略；核心实体筛选 　　DOI：10.11907/rjdk.173178 　　中图分类号：TP319 　　文献标识码：A 文章编号：1672-7800（2018）005-0132-06 　　Abstract：Identifying the core entities in a biomedical document is a prerequisite for accurate extraction of important information of the document. In view of the difficulties of entity and the limitations of existing methods of entity recognition and core entity screening in biomedical literature， a model of biomedical core entity extraction based on LSTM is proposed in this paper. The model takes LSTM as the core， applies the more excellent word vector and input generation rules to improve the model input， and employs the two-dimensional LSTM model to improve model of the process， The results are saved into the tree structure and reasonable pruning of the tree to achieve the output chain annotation way to obtain. Entity recognition F1 value reached 89.35%. In addition， in the process of core entity screening， the factors such as word frequency， location and inverse document frequency are fully taken into account on the premise of TF/IDF algorithm rules， and the F1 value of core entity screening is up to 76.85%. 　　Key Words：entity recognition； improved word vector； bidirectional LSTM； pruning strategy； core entity screening 　　0 引言 　　生物?t学科技的飞速发展带来生物医学文献量空前庞大，文献数量的指数级增长不可避免地导致生物医学信息爆炸，要从文献中获取核心信息，依靠人工阅读需要耗费大量的时间成本和人力资源。如何迅速且精准地获取文章观点，以短小精悍的文本形式呈现给读者，成为当下亟待解决的难题。 　　2008年，孙风梅[1]提出医学文献主题分为单元主题、多元主题、多主题等类型。单元主题指一个概念即可表达一个主题，如抑癌基因（tumor suppressor genes）、脑缺血（brain ischemia）、高血压（hypertension）；多元主题指一个主题概念需要几个概念组在一起共同表达，如食道皮肤瘘是由食道瘘和皮瘘（esophageal fistula + cutaneous fistula）组成的概念；多主题指一篇文献涉及到多个既相互独立又相互联系的主题概念，如“体外循环的脑保护和肺保护”涉及到了“体外循环的脑保护”和“体外循环的肺保护”两个主题概念。主题往往会涉及到一些医学上的