多任务学习的中文电子病历命名实体识别研究

扫码查看

原文链接

国家科技期刊平台
NETL
NSTL
万方数据
维普

中文摘要：中文医疗实体识别是中文电子病历文本信息抽取的关键环节,然而电子病历标注数据较为稀缺,导致在文本信息抽取结果上有一定的局限性.针对中文电子病历标注数据较为稀缺的现状,提出一种具有交叉共享结构的医疗实体命名识别多任务学习模型,以克服通用深度学习模型需要大量中文电子病历标注数据的困难.将该模型与其他模型在中文电子病历实体识别任务上进行实验比较,基于交叉共享结构的多任务学习模型在CCKS2017和CCKS2018数据集上的精确率分别为90.5％、90.8％.研究表明,基于NEZHA和多任务的医疗命名实体识别模型可以有效地学习多个相关任务的信息,从而提高目标域的识别率.

外文标题：Chinese Electronic Medical Record Naming Entity Recognition Based on Multi-Task Learning

作者：

余俊康

展开 >

作者单位：

广东工业大学计算机学院,广东广州510006

关键词：

NEZHA 多任务学习命名实体识别中文电子病历交叉共享结构

出版年：

2021

DOI：

10.11907/rjdk.211179