命名实体识别方法、装置及可读存储介质制造方法及图纸

本发明专利技术提供一种命名实体识别方法、装置及可读存储介质，本发明专利技术方法中，将待识别电子病历输入至命名实体识别模型，输出与所述待识别电子病历对应的医疗实体识别结果，其中，所述命名实体识别模型是基于电子病历样本数据以及预先确定的医疗实体标签进行训练后得到的，所述命名实体识别模型用于基于预设双向长短期记忆网络

【技术实现步骤摘要】
命名实体识别方法、装置及可读存储介质


[0001]本专利技术涉及信息识别
，尤其涉及一种命名实体识别方法、装置及可读存储介质。

技术介绍

[0002]随着大数据、人工智能的发展，医疗电子病历目前已被广泛的应用到医院的信息化系统中，但电子病历中的信息大多是以非结构化形式进行存储的，无法对其进行进一步的研究，因此对电子病历进行结构化处理就显得尤为重要，电子病历命名实体识别就是将其进行结构化处理的重要方法之一。
[0003]在医疗领域中，由于医疗实体的同一实体有多种中文表示方法、医疗实体间关联性强等问题增加了医疗实体识别的难度。目前常用字向量或词向量方式作为模型输入，采用字向量作为模型输入忽略了字与字之间相互联系、相互表示的关系；采用词向量作为输入，存在由于分词错误造成误差进一步传播的问题；即仅仅通过字向量和词向量无法捕捉到较为全面的特征信息，对同一实体的多种表示方法和实体间关联性强等问题不能充分解决。
[0004]同时，以BiLSTM+CRF(Bi-directional Long Short-Term Memory+Conditional Random Field，双向长短期记忆网络+条件随机场)为代表的医疗实体识别方法，训练样本经过BILSTM模型得到的特征相对比较简单，不能捕捉到句子的全面信息，用这个特征进行CRF训练可能会出现实体识别错误，使得训练好的模型的识别结果不够精准。

技术实现思路

[0005]针对现有技术存在的上述技术问题，本专利技术提供一种命名实体识别方法、装置及可读存储介质。
[0006]本专利技术提供一种命名实体识别方法，包括：
[0007]将待识别电子病历输入至命名实体识别模型；
[0008]输出与所述待识别电子病历对应的医疗实体识别结果；
[0009]其中，所述命名实体识别模型是基于电子病历样本数据以及预先确定的医疗实体标签进行训练后得到的，所述命名实体识别模型用于基于预设双向长短期记忆网络-条件随机场模型对所述待识别电子病历的基于拼音首字母、字和词的融合特征向量进行处理，以获得所述待识别电子病历对应的医疗实体识别结果。
[0010]根据本专利技术提供的一种命名实体识别方法，所述拼音首字母、字和词的融合特征向量是基于所述待识别电子病历的拼音首字母特征向量、字特征向量和词特征向量进行融合得到的；
[0011]所述预设双向长短期记忆网络-条件随机场模型包括依次连接的输入层、双向长短期记忆网络-卷积神经网络层、双向长短期记忆网络-注意力机制层和条件随机场层，所述双向长短期记忆网络-卷积神经网络层包括双向长短期记忆网络模型和卷积神经网络模
型，所述双向长短期记忆网络-注意力机制层包括双向长短期记忆网络模型和注意力机制模型。
[0012]根据本专利技术提供的一种命名实体识别方法，所述基于预设双向长短期记忆网络-条件随机场模型对所述待识别电子病历的基于拼音首字母、字和词的融合特征向量进行处理，以获得所述待识别电子病历对应的医疗实体识别结果，具体包括：
[0013]将所述融合特征向量输入双向长短期记忆网络-卷积神经网络层中的双向长短期记忆网络模型，获得第一向量；
[0014]将所述字特征向量输入双向长短期记忆网络-卷积神经网络层中的卷积神经网络模型，获得第二向量；
[0015]将所述第一向量和第二向量进行串联融合，获得第三向量；
[0016]将所述第三向量分别输入所述双向长短期记忆网络-注意力机制层中的双向长短期记忆网络模型和注意力机制模型中，获得双向长短期记忆网络模型输出的第四向量和注意力机制模型输出的第五向量；
[0017]将所述第四向量和第五向量进行串联融合，获得第六向量；
[0018]将所述第六向量输入条件随机场层，以获得所述待识别电子病历对应的医疗实体识别结果。
[0019]根据本专利技术提供的一种命名实体识别方法，所述拼音首字母、字和词的融合特征向量是基于所述待识别电子病历的拼音首字母特征向量、字特征向量和词特征向量进行融合得到的，具体包括：
[0020]将所述拼音首字母特征向量与所述字特征向量进行求和融合，获得第七向量；
[0021]将所述第七向量与所述词特征向量进行串联融合，获得所述融合特征向量。
[0022]根据本专利技术提供的一种命名实体识别方法，所述待识别电子病历的字特征向量和词特征向量是基于词向量模型得到的。
[0023]根据本专利技术提供的一种命名实体识别方法，所述待识别电子病历的拼音首字母特征向量是基于所述待识别电子病历以及标注词典确定的；所述标注词典由经序列标注得到的医疗实体构成。
[0024]根据本专利技术提供的一种命名实体识别方法，所述第二向量是所述字特征向量经卷积和最大值池化操作得到的。
[0025]本专利技术还提供一种命名实体识别装置，包括：
[0026]输入模块，用于将待识别电子病历输入至命名实体识别模型；
[0027]输出模块，用于输出与所述待识别电子病历对应的医疗实体识别结果；
[0028]其中，所述命名实体识别模型是基于电子病历样本数据以及预先确定的医疗实体标签进行训练后得到的，所述命名实体识别模型用于基于预设双向长短期记忆网络-条件随机场模型对所述待识别电子病历的基于拼音首字母、字和词的融合特征向量进行处理，以获得所述待识别电子病历对应的医疗实体识别结果。
[0029]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述命名实体识别方法的步骤。
[0030]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算
机程序被处理器执行时实现如上述任一种所述命名实体识别方法的步骤。
[0031]本专利技术提供的命名实体识别方法、装置及可读存储介质，通过预设双向长短期记忆网络-条件随机场模型对所述待识别电子病历的基于拼音首字母、字和词的融合特征向量进行处理，以获得所述待识别电子病历对应的医疗实体识别结果，能够获得更全面的特征信息，进而提高医疗实体识别结果的准确性。
附图说明
[0032]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1是本专利技术提供的命名实体识别方法的流程示意图；
[0034]图2是本专利技术提供的预设双向长短期记忆网络-条件随机场模型的结构示意图；
[0035]图3是本专利技术提供的命名实体识别方法的全流程示意图；
[0036]图4是本专利技术提供的命名实体识别装置的结构示意图；
[0037]图5是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0038]为使本专利技术的目的、技术方案和优点更加清楚本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种命名实体识别方法，其特征在于，包括：将待识别电子病历输入至命名实体识别模型；输出与所述待识别电子病历对应的医疗实体识别结果；其中，所述命名实体识别模型是基于电子病历样本数据以及预先确定的医疗实体标签进行训练后得到的，所述命名实体识别模型用于基于预设双向长短期记忆网络-条件随机场模型对所述待识别电子病历的基于拼音首字母、字和词的融合特征向量进行处理，以获得所述待识别电子病历对应的医疗实体识别结果。2.根据权利要求1所述的命名实体识别方法，其特征在于，所述拼音首字母、字和词的融合特征向量是基于所述待识别电子病历的拼音首字母特征向量、字特征向量和词特征向量进行融合得到的；所述预设双向长短期记忆网络-条件随机场模型包括依次连接的输入层、双向长短期记忆网络-卷积神经网络层、双向长短期记忆网络-注意力机制层和条件随机场层，所述双向长短期记忆网络-卷积神经网络层包括双向长短期记忆网络模型和卷积神经网络模型，所述双向长短期记忆网络-注意力机制层包括双向长短期记忆网络模型和注意力机制模型。3.根据权利要求2所述的命名实体识别方法，其特征在于，所述基于预设双向长短期记忆网络-条件随机场模型对所述待识别电子病历的基于拼音首字母、字和词的融合特征向量进行处理，以获得所述待识别电子病历对应的医疗实体识别结果，具体包括：将所述融合特征向量输入双向长短期记忆网络-卷积神经网络层中的双向长短期记忆网络模型，获得第一向量；将所述字特征向量输入双向长短期记忆网络-卷积神经网络层中的卷积神经网络模型，获得第二向量；将所述第一向量和第二向量进行串联融合，获得第三向量；将所述第三向量分别输入所述双向长短期记忆网络-注意力机制层中的双向长短期记忆网络模型和注意力机制模型中，获得双向长短期记忆网络模型输出的第四向量和注意力机制模型输出的第五向量；将所述第四向量和第五向量进行串联融合，获得第六向量；将所述第六向...

【专利技术属性】
技术研发人员：李建强，王静楠，王延安，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：