基于E-CNN和BLSTM-CRF的临床文本命名实体识别

• 作者: 关鹏举 曹春萍
• 来源期刊: 计算机应用研究
• 关键词: 命名实体识别 临床文本 集成的卷积神经网络
• 年，卷（期）: 2019,（12）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 3748-3751
• 页数: 4页
• 分类号: TP391
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2018.09.0606

摘要

在生物医学临床病历文本的命名实体识别任务中,传统的解决方案由于对实体的边界划分不够精确,影响了部分复合实体的识别.通过研究复合实体的特性,提出一种集成的卷积神经网络(E-CNN)模型与双向长短期记忆网络(BLSTM)和条件随机场(CRF)结合的模型,通过对CNN中的卷积层设定不同卷积窗口的大小,来捕获多个词语之间更丰富的边界特征信息.然后将集成的特征信息传递给BLSTM模型进行训练,最后由CRF模型得到最终的序列标注.实验结果表明,该方法针对临床病历文本中的复合实体识别具有良好的效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	曹春萍	上海理工大学光电信息与计算机工程学院	52	244	8.0	13.0
2	关鹏举	上海理工大学光电信息与计算机工程学院	2	2	1.0	1.0