中文電子病歷命名實體識別算法研究與系統(tǒng)實現(xiàn).pdf

1、近年來，人們對醫(yī)學研究不斷進行深入挖掘，于此同時，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。對信息內(nèi)容的抽取、對信息的檢索以及建立問答系統(tǒng)等技術(shù)全都需要命名實體識別技術(shù)給予支持。因此，為了解決醫(yī)學中病歷文本中的命名實體識別的識別效率不高、性能不夠優(yōu)秀等問題，本文旨在研究設計一個性能更加優(yōu)化的識別算法，并基于此算法開發(fā)實現(xiàn)一個能夠識別病歷文本中的疾病名稱、臨床癥狀、治

2、療手段等命名實體的信息系統(tǒng)。
　　本文對命名實體識別的研究背景和發(fā)展概況進行了深入調(diào)研，并在此基礎上對三種常用的命名實體識別方法進行研究學習，分析三種算法的優(yōu)缺點。通過研究分析發(fā)現(xiàn)，基于規(guī)則的方法主要是通過專家建立各種規(guī)則，并基于此進行命名實體識別?；谝?guī)則的方法需要專業(yè)領(lǐng)域的專家根據(jù)文本特點定制規(guī)則，對參與人員的專業(yè)要求比較高，而且耗費人力和時間，同時可移植性和適應性方面都比較差?；谠~典的方法主要通過詞典與字詞序列進行匹配識別

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

4、典和條件隨機場模型相結(jié)合的混合模型。一方面利用基于詞典的方法對訓練語料進行標記處理，并將得到的結(jié)果作為CRF模型的訓練語料，這樣旨在人工標注數(shù)據(jù)較少的情況下，仍然可以對CRF模型進行多足夠的訓練，另一方面是將詞典以特征的方式引入到條件隨機場的學習模型中。本文設計實現(xiàn)了四組實驗，經(jīng)過四組實驗對比分析發(fā)現(xiàn)，在條件隨機場模型中加入實體詞典可以有效地提高模型的識別效率，改善命名實體識別系統(tǒng)的性能。同時實驗證明了本文提出的混合模型具有良好的識別效