面向中文电子病历的词性标注技术研究-计算机科学与技术专业毕业论文.docxVIP

万方数据 万方数据 Classified Index: TP393.01 U.D.C: 621.3 Dissertation for the Master Degree in Engineering RESEARCH ON PART-OF-SPEECH TAGGING FOR CHINESE ELECTRONIC MEDICAL RECORDS Candidate： Zhao Fangfang Supervisor： Prof. Guan Yi Academic Degree Applied for： Master of Engineering Speciality： Computer Science and Technology Affiliation： School of Computer Science and Technology Date of Defence： June, 2014 Degree-Conferring-Institution： Harbin Institute of Technology 哈尔滨工业大学工学硕士学位论文 哈尔滨工业大学工学硕士学位论文 摘 要 随着大数据时代的到来，“智慧医疗”已经成为全球医疗服务产业的发展趋 势。作为医疗信息化的载体，电子病历蕴含大量的医疗健康知识。电子病历中的 知识可以为医疗诊断、用户健康管理及医疗协调等领域提供服务。挖掘电子病历 中的知识离不开自然语言处理及信息抽取技术。词性标注是自然处理技术的基 础，对其进行研究有助于后续句法分析及信息抽取任务的展开。 由于标注语料的匮乏，目前面向中文电子病历的分词和词性标注研究还处于 空白阶段。与开放领域语料不同，中文电子病历含有大量的专业术语、缩略词和 模式。因此，开放领域的词性标注模型并不能直接用于中文电子病历的标注。 为了更好地进行词性标注模型的研究，本文首先构建了中文电子病历分词和 词性标注语料。本文提出了从数据预处理到语料标注的整体方案，获得了较高的 标注一致性，为进行更大规模更高质量的病历语料标注工作提供了指导。通过实 验量化中文电子病历与开放领域语料的词法统计差异，系统地分析了通用标注模 型在电子病历中的错误分布。为进行适用于中文电子病历分析的自然语言处理技 术研究奠定了基础。 基于对中文电子病历标注语料的分析，本文首次提出适合中文电子病历的词 性标注模型。首先对电子病历进行初步标注，选择使用基于字的分词和词性标注 联合模型，以达到避免错误传递及使用词性标注信息提高分词精度的目的；然 后，利用中文电子病历含有一些常用语言模式的特点，通过使用基于转移的错误 驱动方法学习到的规则，对初步标注结果进行修正，从而提高标注精度。针对跨 领域标注问题，本文通过调整基于字模型里中文电子病历独有特征的权重有效地 提高了标注效果。实验结果表明：本文中构建的模型，在人工标注的测试语料 上，分词和词性标注 F1 值分别达到 94.75%及 93.82%。 关键词 中文电子病历；语料构建；词性标注；联合模型；跨领域标注 I Abstract With the advent of the era of big data, “Smart Healthcare” has become the development trend of global health care industry. As carriers of medical informatization, electronic medical records (EMR) contain a large number of medical and health knowledge. Knowledge of electronic medical records can provide services for medical diagnosis, management of user health and Medical coordination and other fields. Mining knowledge of EMR is inseparable from natural language processing and information extraction technology. Research on CEMR part-of-speech(POS) tagging, which is the foundation of natural processing technology, contribute to the study of follow-up research parsing and information extraction task