BiMcGRU在医疗病历命名实体关系识别中的应用

摘要

为提升医疗病历实体命名的效果，对基于词汇增强的平格变压器（flat lattice transformer,FLAT）模型进行改进，并利用基于双向神经网络改进的共享多向单元（bi-directional multi-cell GRU,BiMcGRU）模型对传统命名实体识别系统进行优化。在脑血管疾病数据集中，相比于传统FLAT模型，汉字部首特征引入后FLAT模型精确率、召回率和F₁值分别提升了0.91%、0.73%和0.82%。两种实验数据集测试中，基于多任务学习的医疗病历命名实体模型的F₁值分别为89.34%和91.53%，比多任务BERT-BiGRU-ATT-CRF模型的F₁值高，说明BiMcGRU模型能够提升多任务训练识别的效果，研究结果为医疗病历实体命名识别提供新的方法。

关键词

命名实体识别 / 医疗病历 / 平格变压器 / 卷积神经网络 / 条件随机场