结合主动学习的中文医疗命名实体识别研究.pdfVIP

华东师范大学硕士学位论文 摘要 摘 要 在医疗临床领域，能够准确地识别电子病历中的命名实体，无论对于构建完 善的医疗知识库，还是构建精准的患者用户画像都具有重要的意义。在中文命名 实体识别中，由于中文分词的词边界问题和汉语表述的多样性，目前还不能够做 到精准识别中文电子样例中的命名实体。当前存在的中文医疗领域命名实体识别 （Chinese Medical Named Entity Recognition ，简称CMNER ，下同）的深度学习 方法中，通常都是将汉字级别的编码向量输入神经网络系统，这样做的目的是避 免分词给实体识别带来的噪声问题。但是这样往往忽略了词汇级别丰富的语义信 息。为了解决此问题，本文将基于正向最大匹配算法（FMM ）的词汇编码向量加 入神经网络，用来表征更丰富的语义和位置特征。 针对中文语言的词边界难点，本文提出了两种基于汉字-词汇不同粒度联合 编码的深度学习模型。本文在传统 BiLSTM-CRF 模型的基础上，根据词汇级向 量传入模型的不同方式，提出了平行编码模型和混合编码模型。另外，本文还对 比了改进的n-gram 特征、结合位置的实体特征 （TLCP ）、与位置无关的实体特 征（TLNP ）三种不同特征信息对深度学习模型的影响。实验结果表明，基于汉 字-词汇不同粒度的联合编码方式能够获得更丰富的语义和位置特征，在全国知 识图谱与语义计算大会（CCKS 2017 ）测评任务2 中取得了更好的结果，相关工 作成果发表在IJCNN2019 （CCF-C 类）会议中。 针对已标注样本和未标注样本的数据集特点，将主动学习方法应用于平行编 码模型和混合编码模型，提出了主动学习-深度学习联合模型。本文得到了比赛 数据中 1596 份已标注的中文电子病历文本和 10420 份未标注的中文电子病历文 本。为了充分利用未标注样例、有效扩大训练集的样本个数，本文提出一种基于 池的主动学习方法，从多样性和不确定性两个角度筛选出有代表性的未标注文本 200 份。对主动学习筛选出的样本，本文采用众包的方式进行人工标注，得到新 增词汇106 个。实验结果表明，在平行编码模型和混合编码模型中加入主动学习 后，不仅能够取得更为准确的实体识别效果，而且能够获得更快的模型收敛速度。 I 华东师范大学硕士学位论文 摘要 综上所述，本文主要研究了结合主动学习的平行编码模型和混合编码模型， 实验表明文中的方法能够取得更快的收敛速度和更好的实验效果。另外，本文在 构建n-gram 特征、设计众包标注方法等方面具有一定的创新性，在实际应用中 具有一定的参考意义。 关键词：中文医疗文本，命名实体识别，深度学习，联合编码，主动学习 II 华东师范大学硕士学位论文 ABSTRACT ABSTRACT In the medical clinical field, the ability to accurately recognize named entities in electronic medical records is of great significance for the construction of a complete medical knowledge base and the construction of accurate patient user portraits. In the field of Chinese named entity recognition, due to the word boundary problem of Chinese word segmentation and the diversity of