基于半監(jiān)督學(xué)習(xí)的中文電子病歷分詞和名實(shí)體挖掘.pdf

1、電子病歷是由醫(yī)務(wù)人員撰寫的面向患者個(gè)體的描述醫(yī)療活動(dòng)過程的數(shù)字化記錄，是傳統(tǒng)紙質(zhì)病歷的替代品。電子病歷包含了關(guān)于病人個(gè)體健康信息的全面、詳實(shí)、專業(yè)、即時(shí)、準(zhǔn)確的描述，是一種非常寶貴的知識(shí)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(guān)的醫(yī)療知識(shí)。這些知識(shí)可應(yīng)用于構(gòu)建臨床決策支持系統(tǒng)和提供個(gè)性化健康信息服務(wù)。電子病歷并非完全結(jié)構(gòu)化的數(shù)據(jù)，其中自由文本形式的非結(jié)構(gòu)化數(shù)據(jù)在電子病歷中占有重要地位。因此，分詞和名實(shí)體識(shí)別等自然語言處

2、理技術(shù)將在電子病歷知識(shí)挖掘中發(fā)揮重要作用。
　　目前最有效的分詞和名實(shí)體識(shí)別方法是基于詞典或有監(jiān)督機(jī)器學(xué)習(xí)的方法。但由于電子病歷的專業(yè)性，人工構(gòu)建專業(yè)詞典或訓(xùn)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(xué)習(xí)的中文電子病歷分詞和名實(shí)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(shù)語及縮寫。本文將電子病歷分詞分為兩個(gè)步驟。首先，使用開放領(lǐng)域詞典，根據(jù)最大似然原

3、則對(duì)電子病歷進(jìn)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(biāo)注語料中學(xué)習(xí)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(duì)初步切分結(jié)果進(jìn)行調(diào)整，以達(dá)到識(shí)別未登錄詞的目的。實(shí)驗(yàn)結(jié)果表明，該方法是可行的，具有較強(qiáng)的識(shí)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(lǐng)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(jié)構(gòu)化的方式組織各部分內(nèi)容以及語言簡潔且模式化較強(qiáng)這兩個(gè)方面。針對(duì)這些特點(diǎn)，