本发明专利技术涉及一种医疗实体识别方法,包括:获取待识别的实体,通过特殊符号将实体和实体标签进行标注,根据实体和实体标签构建文本生成模型的输出模板；构建文本生成模型的输入和输出；输入为待识别文本序列和第一矩阵,第一矩阵为对待识别文本预处理后所得到的；输出为识别结果和第二矩阵，第二矩阵为对识别结果预处理后所得到的，识别结果根据输出模板进行展示；通过编码器对第一矩阵进行编码,得到待识别文本序列的编码表示；通过解码器对编码表示进行计算,得到解码表示；根据编码表示和解码表示,对文本生成模型进行训练,得到最终解码表示。表示。表示。
【技术实现步骤摘要】
一种医疗实体识别方法及装置
[0001]本专利技术涉及数据处理
，尤其涉及一种医疗实体识别方法及装置。
技术介绍
[0002]医疗实体识别通常使用序列标注的方法，为每个字符定义BME标签，分 别表示该类实体的开头、实体中间位置和实体末尾的字符，O标签代表非实体 内部的字符；然后训练神经网络模型拟合每个元素的标签，最后针对预测结 果进行后处理，将BME标签进行合并，得到最终的抽取结果。
[0003]现有技术存在的问题为：使用序列标注方法时，文本粒度必须为字符， 而且该方法无法处理非连续医疗实体和嵌套医疗实体的识别任务。
技术实现思路
[0004]本专利技术的目的是提供一种医疗实体识别方法及装置，以解决现有技术中 所存在的使用序列标注方法时，文本粒度必须为字符，而且该方法无法处理 非连续医疗实体和嵌套医疗实体的识别任务的问题，
[0005]本专利技术第一方面提供了一种医疗实体识别方法,所述方法包括:
[0006]获取待识别的实体,通过特殊符号将所述实体和实体标签进行标注,根据 所述实体和实体标签构建文本生成模型的输出模板；
[0007]构建所述文本生成模型的输入和输出；所述输入为待识别文本序列和第 一矩阵,所述第一矩阵为对所述待识别文本预处理后所得到的；所述输出为识 别结果和第二矩阵，所述第二矩阵为对所述识别结果预处理后所得到的，所 述识别结果根据所述输出模板进行展示；
[0008]通过编码器对所述第一矩阵进行编码,得到待识别文本序列的编码表示； 通过解码器对所述编码表示进行计算,得到解码表示；
[0009]根据所述编码表示和所述解码表示,对所述文本生成模型进行训练,得到 最终解码表示。
[0010]在一种可能的实现方式中，根据下列方法确定第一矩阵：
[0011]对待识别文本序列经过预训练语言模型BART进行预处理，得到第一矩阵。
[0012]在一种可能的实现方式中，所述通过编码器对所述待识别文本序列进行 编码,得到待识别文本序列的编码表示具体包括：
[0013]通过公式计算待识别文本序列中的每个字的编码表示；
[0014]其中，表示第n层中第t个字的编码表示，
[0015]在一种可能的实现方式中，所述根据所述编码表示和所述解码表示,对所 述文本生成模型进行训练,得到最终解码表示具体包括：
[0016]通过第一函数，对每个字解码表示进行计算，得到生成概率；
[0017]对解码表示进行矩阵变换，得到第一矩阵转换结果；
[0018]对编码表示进行矩阵变换，得到第二矩阵转换结果；
[0019]根据第一矩阵转换结果和第二矩阵转换结果，计算拷贝机制的分数；
[0020]根据第一矩阵转换结果和第二矩阵转换结果，计算平衡因子；
[0021]根据平衡因子、分数和生成概率，计算融合打分；
[0022]根据融合打分，确定最大概率对应的字作为生成结果；
[0023]依次将每个字的生成结果进行组合，得到最终解码表示；
[0024]根据特殊符号，提取识别结果。
[0025]在一种可能的实现方式中，所述通过第一函数，对每个字所述解码表示 进行计算，得到生成概率具体包括：
[0026]通过第一函数，对解码表示进行线性变化，得到线性变化结果；
[0027]根据所述线性变化结果，计算概率分布。
[0028]在一种可能的实现方式中，所述通过编码器对所述第一矩阵进行编码,得 到待识别文本序列的编码表示；通过解码器对所述编码表示进行计算,得到解 码表示具体包括：
[0029]编码表示通过公式计算；
[0030]其中，表示第n层中第t个字序列的编码表示，最顶层的编码表示h
N
，h
N
表 示第n层中所有字的编码表示，v
t
表示t时刻编码器的输入；
[0031]解码表示通过公式计算；
[0032]其中，h
N
表示编码器得到的隐状态，为第n层中第t个字序列的解码表示， u
t
表示t时刻解码器的输入。
[0033]第二方面，本专利技术提供了一种医疗实体识别装置,所述装置包括:
[0034]获取模块，所述获取模块用于获取待识别的实体,通过特殊符号将所述实 体和实体标签进行标注；
[0035]输出模板构建模块，所述输出模板构建模块用于根据所述实体和实体标 签构建文本生成模型的输出模板；
[0036]输入输出构建模块，所述输入输出构建模块用于构建所述文本生成模型 的输入和输出；所述输入为待识别文本序列和第一矩阵,所述第一矩阵为对所 述待识别文本预处理后所得到的；所述输出为识别结果和第二矩阵，所述第二 矩阵为对所述识别结果预处理后所得到的，所述识别结果根据所述输出模板 进行展示；
[0037]编解码模块，所述编解码模块用于通过编码器对所述第一矩阵进行编码, 得到待识别文本序列的编码表示；通过解码器对所述编码表示进行计算,得到 解码表示；
[0038]模型训练模块，所述模型训练模块用于根据所述编码表示和所述解码表 示,对所述文本生成模型进行训练,得到最终解码表示。
[0039]第三方面，本专利技术提供了一种芯片系统，包括处理器，所述处理器与存 储器的耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被 所述处理器执行时实现第一方面任一项所述的医疗实体识别方法。
[0040]第四方面，本专利技术提供了一种计算机可读存储介质，所述计算机可读存 储介质上存储有计算机程序，计算机程序被处理器执行第一方面任一项所述 的医疗实体识别方法。
[0041]第五方面，本专利技术提供了一种计算机程序产品，当所述计算机程序产品 在计算机
上运行时，使得所述计算机执行如第一方面任一项所述的医疗实体 识别方法。
[0042]通过应用本专利技术提供的实体识别方法，通过构建模板，将实体识别建模 为文本生成任务，打破了使用序列标注任务进行识别的壁垒，同时该方法还 融合了指针网络中的拷贝机制，能够直接将原句子中的实体拷贝到模板中， 可以解决实体识别中的非连续医疗实体和嵌套医疗实体任务。
附图说明
[0043]图1为本专利技术实施例一提供的医疗实体识别方法流程示意图；
[0044]图2为原句和结果示意图；
[0045]图3为图1中的步骤140的流程图；
[0046]图4为本专利技术实施例二提供的医疗实体识别装置结构示意图；
[0047]图5为本专利技术实施例三提供的芯片系统结构示意图；
[0048]图6为本专利技术实施例四提供的计算机可读存储介质示意图；
[0049]图7为本专利技术实施例五提供的计算机程序产品示意图。
具体实施方式
[0050]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
[0051]为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种医疗实体识别方法,其特征在于,所述方法包括:获取待识别的实体,通过特殊符号将所述实体和实体标签进行标注,根据所述实体和实体标签构建文本生成模型的输出模板；构建所述文本生成模型的输入和输出；所述输入为待识别文本序列和第一矩阵,所述第一矩阵为对所述待识别文本预处理后所得到的；所述输出为识别结果和第二矩阵，所述第二矩阵为对所述识别结果预处理后所得到的，所述识别结果根据所述输出模板进行展示；通过编码器对所述第一矩阵进行编码,得到待识别文本序列的编码表示；通过解码器对所述编码表示进行计算,得到解码表示；根据所述编码表示和所述解码表示,对所述文本生成模型进行训练,得到最终解码表示。2.根据权利要求1所述的方法，其特征在于，根据下列方法确定第一矩阵：对待识别文本序列经过预训练语言模型BART进行预处理，得到第一矩阵。3.根据权利要求1所述的方法，其特征在于，所述通过编码器对所述待识别文本序列进行编码,得到待识别文本序列的编码表示具体包括：通过公式计算待识别文本序列中的每个字的编码表示；其中，表示第n层中第t个字的编码表示，4.根据权利要求1所述的方法，其特征在于，所述根据所述编码表示和所述解码表示,对所述文本生成模型进行训练,得到最终解码表示具体包括：通过第一函数，对每个字解码表示进行计算，得到生成概率；对解码表示进行矩阵变换，得到第一矩阵转换结果；对编码表示进行矩阵变换，得到第二矩阵转换结果；根据第一矩阵转换结果和第二矩阵转换结果，计算拷贝机制的分数；根据第一矩阵转换结果和第二矩阵转换结果，计算平衡因子；根据平衡因子、分数和生成概率，计算融合打分；根据融合打分，确定最大概率对应的字作为生成结果；依次将每个字的生成结果进行组合，得到最终解码表示；根据特殊符号，提取识别结果。5.根据权利要求4所述的方法，其特征在于，所述通过第一函数，对每个字所述解码表示进行计算，得到生成概率具体包括：通过第一函数，对解码表示进行线性变化，得到线性变化结果；根据所述线性变化结果，计算概率分布。6.根据权利要求1所述的方法，其特征在于，所述通过编码器对所述第一矩阵进行编码,得到待识别文本序列的编码表示；...
【专利技术属性】
技术研发人员：王亦宁，刘升平，梁家恩，
申请(专利权)人：云知声智能科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。