基于CTD-BLSTM的医疗领域中文命名实体识别模型

• 作者: 刘崇 吴炀 祝锡永
• 来源期刊: 计算机系统应用
• 关键词: 双向长短期记忆网络 协同训练 中文命名实体识别 问答系统 医疗领域
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 软件技术·算法
• 页码范围: 173-178
• 页数: 6页
• 字数: 5054字
• 语种: 中文
• DOI: 10.15888/j.cnki.csa.007609

摘要

为在模型训练期间保留更多信息,用预训练词向量和微调词向量对双向长短期记忆网络(Bi-LSTM)神经模型进行扩展,并结合协同训练方法来应对医疗文本标注数据缺乏的情况,构建出改进模型CTD-BLSTM (Co-Training Double word embedding conditioned Bi-LSTM)用于医疗领域的中文命名实体识别.实验表明,与原始BLSTM与BLSTM-CRF相比,CTD-BLSTM模型在语料缺失的情况下具有更高的准确率和召回率,能够更好地支持医疗领域知识图谱的构建以及知识问答系统的开发.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	祝锡永	浙江理工大学经济管理学院	40	349	10.0	17.0
2	刘崇	浙江理工大学经济管理学院	2	7	1.0	2.0
3	吴炀	浙江理工大学经济管理学院	1	0	0.0	0.0