中文電子病歷命名實(shí)體識(shí)別算法研究與系統(tǒng)實(shí)現(xiàn).pdf

1、近年來(lái)，人們對(duì)醫(yī)學(xué)研究不斷進(jìn)行深入挖掘，于此同時(shí)，醫(yī)院的就診人數(shù)也在不斷增加，產(chǎn)生了大批量的醫(yī)療信息。利用自然語(yǔ)言處理技術(shù)處理電子病歷數(shù)據(jù)是醫(yī)療領(lǐng)域研究的重要趨勢(shì)。對(duì)信息內(nèi)容的抽取、對(duì)信息的檢索以及建立問(wèn)答系統(tǒng)等技術(shù)全都需要命名實(shí)體識(shí)別技術(shù)給予支持。因此，為了解決醫(yī)學(xué)中病歷文本中的命名實(shí)體識(shí)別的識(shí)別效率不高、性能不夠優(yōu)秀等問(wèn)題，本文旨在研究設(shè)計(jì)一個(gè)性能更加優(yōu)化的識(shí)別算法，并基于此算法開(kāi)發(fā)實(shí)現(xiàn)一個(gè)能夠識(shí)別病歷文本中的疾病名稱、臨床癥狀、治

2、療手段等命名實(shí)體的信息系統(tǒng)。
　　本文對(duì)命名實(shí)體識(shí)別的研究背景和發(fā)展概況進(jìn)行了深入調(diào)研，并在此基礎(chǔ)上對(duì)三種常用的命名實(shí)體識(shí)別方法進(jìn)行研究學(xué)習(xí)，分析三種算法的優(yōu)缺點(diǎn)。通過(guò)研究分析發(fā)現(xiàn)，基于規(guī)則的方法主要是通過(guò)專家建立各種規(guī)則，并基于此進(jìn)行命名實(shí)體識(shí)別?；谝?guī)則的方法需要專業(yè)領(lǐng)域的專家根據(jù)文本特點(diǎn)定制規(guī)則，對(duì)參與人員的專業(yè)要求比較高，而且耗費(fèi)人力和時(shí)間，同時(shí)可移植性和適應(yīng)性方面都比較差?；谠~典的方法主要通過(guò)詞典與字詞序列進(jìn)行匹配識(shí)別

3、，具有很高的識(shí)別準(zhǔn)確率，但是對(duì)詞典的質(zhì)量有很高的要求，難以識(shí)別出詞典中不存在的未登錄詞。條件隨機(jī)場(chǎng)模型(Conditional Random Fields，CRFs)具有最大熵算法的獨(dú)立性強(qiáng)的特點(diǎn)，又具有隱馬爾料夫模型的識(shí)別性能高的特點(diǎn)，可以有效地避免出現(xiàn)最大熵模型中的標(biāo)記偏置和隱馬爾科夫模型識(shí)別復(fù)雜命名實(shí)體難度大的問(wèn)題，具有良好的識(shí)別性能，但是它受限于訓(xùn)練集的規(guī)模和特征的選取。
　　本文結(jié)合詞典和條件隨機(jī)場(chǎng)模型的特點(diǎn)，提出基于詞

4、典和條件隨機(jī)場(chǎng)模型相結(jié)合的混合模型。一方面利用基于詞典的方法對(duì)訓(xùn)練語(yǔ)料進(jìn)行標(biāo)記處理，并將得到的結(jié)果作為CRF模型的訓(xùn)練語(yǔ)料，這樣旨在人工標(biāo)注數(shù)據(jù)較少的情況下，仍然可以對(duì)CRF模型進(jìn)行多足夠的訓(xùn)練，另一方面是將詞典以特征的方式引入到條件隨機(jī)場(chǎng)的學(xué)習(xí)模型中。本文設(shè)計(jì)實(shí)現(xiàn)了四組實(shí)驗(yàn)，經(jīng)過(guò)四組實(shí)驗(yàn)對(duì)比分析發(fā)現(xiàn)，在條件隨機(jī)場(chǎng)模型中加入實(shí)體詞典可以有效地提高模型的識(shí)別效率，改善命名實(shí)體識(shí)別系統(tǒng)的性能。同時(shí)實(shí)驗(yàn)證明了本文提出的混合模型具有良好的識(shí)別效