基于半監(jiān)督學習的中文電子病歷分詞和名實體挖掘.pdf

1、電子病歷是由醫(yī)務人員撰寫的面向患者個體的描述醫(yī)療活動過程的數(shù)字化記錄，是傳統(tǒng)紙質病歷的替代品。電子病歷包含了關于病人個體健康信息的全面、詳實、專業(yè)、即時、準確的描述，是一種非常寶貴的知識資源。通過分析和挖掘電子病歷，可以從中獲得大量與患者密切相關的醫(yī)療知識。這些知識可應用于構建臨床決策支持系統(tǒng)和提供個性化健康信息服務。電子病歷并非完全結構化的數(shù)據(jù)，其中自由文本形式的非結構化數(shù)據(jù)在電子病歷中占有重要地位。因此，分詞和名實體識別等自然語言處

2、理技術將在電子病歷知識挖掘中發(fā)揮重要作用。
　　目前最有效的分詞和名實體識別方法是基于詞典或有監(jiān)督機器學習的方法。但由于電子病歷的專業(yè)性，人工構建專業(yè)詞典或訓練語料的難度極大。為了克服獲取熟語料困難的問題，本文分別提出了基于半監(jiān)督學習的中文電子病歷分詞和名實體挖掘方法。
　　大量的未登錄詞是中文電子病歷分詞所面臨的的最大挑戰(zhàn)，它們通常是醫(yī)療專業(yè)術語及縮寫。本文將電子病歷分詞分為兩個步驟。首先，使用開放領域詞典，根據(jù)最大似然原

3、則對電子病歷進行初步的切分。其中，詞的出現(xiàn)概率由EM算法從大規(guī)模未標注語料中學習得出。然后，利用字串的邊界熵、長度等信息，通過有序聚類算法對初步切分結果進行調整，以達到識別未登錄詞的目的。實驗結果表明，該方法是可行的，具有較強的識別未登錄詞的能力，其效果優(yōu)于基于邊界熵的無監(jiān)督分詞。
　　與開放領域文本相比，中文電子病歷文本具有很多不同之處，主要體現(xiàn)在使用半結構化的方式組織各部分內容以及語言簡潔且模式化較強這兩個方面。針對這些特點，