[发明专利]一种中文症状体征构成识别方法

权利要求书

1.一种中文症状体征构成识别方法，其特征在于，包括：

(1)将中文症状体征分解为11种症状体征的构成成分，包括：原子症状、部位词、中心词、连接词、否定词、程度词、情景限定词、方位词、感觉词、特征词、其它修饰词；

(2)根据症状体征的构成成分为中文症状体征中的每个汉字标注，得到每个汉字表示症状体征的构成情况的标签序列；

(3)对中文症状体征数据进行数据预处理，得到汉字特征向量和对应的词性特征向量；

(4)将所述汉字特征向量和词性特征向量传入到LSTM神经网络，利用双向LSTM神经网络来训练得到输入症状体征的特征向量；

(5)将所述症状体征的特征向量利用条件随机场来对每个汉字进行标注，得到症状体征的标签序列；

(6)在神经网络的训练过程中，利用已有的类型-成分词典生成人工数据帮助训练。

2.如权利要求1所述的一种中文症状体征构成识别方法，其特征在于，根据症状体征的构成成分为中文症状体征中的每个汉字标注，得到每个汉字表示症状体征的构成情况的标签序列包括：

(1)令标签分类为B_C、I_C、E_C、S_C，其中“_”是分隔符，“B”、“I”、“E”、“S”代表对应汉字在构成成分中所处的位置，“B”是代表构成成分的开头汉字的符号，“I”是代表构成成分的非开头汉字和结尾汉字的中间汉字的符号，“E”是代表构成成分的结尾汉字的符号；“S”是代表单个字是一个构成成分的符号，“C”有多个符号来表示，分别代表构成成分的类别；

(2)根据所述标签分类为中文症状体征中的每个汉字标注，得到表示症状体征的构成情况的标签序列。

3.如权利要求1所述的一种中文症状体征构成识别方法，其特征在于，对中文症状体征数据进行数据预处理，得到汉字特征向量和对应的词性特征向量包括：

(1)将中文症状体征按汉字进行分割；

(2)对分割后的汉字进行统计，形成汉字表；

(3)对于出现次数少于所设阈值的汉字，将其从汉字表中剔除，并用一个未在汉字表中出现过的字符<OOV>来替换被剔除的汉字，将<OOV>加入汉字表；

(4)为汉字表中的每个汉字分别分配一个专属的汉字特征向量和词性特征向量，作为神经网络中的输入。

4.如权利要求1所述的中文症状体征构成识别方法，其特征在于，利用训练语料或者已有词典收集症状和体征的构成成分构建所述的类型-成分词典。

5.如权利要求1所述的中文症状体征构成识别方法，其特征在于，所述人工数据是使用所述类型-成分词典，对训练语料中的每一个症状或体征，将其中的构成成分替换成词典中相同类型的其它构成成分，并将新的症状体征加入到训练集中。

6.如权利要求1所述的中文症状体征构成识别方法，其特征在于，所述汉字特征向量和词性特征向量包括：预训练的汉字特征向量和词性特征向量或者随机初始化并且由神经网络训练出的汉字特征向量和词性特征向量。

7.如权利要求1所述的中文症状体征构成识别方法，其特征在于，所述词性特征包括：位置无关词性特征和位置有关词性特征。

8.如权利要求1所述的中文症状体征构成识别方法，其特征在于，所述词性特征的表示方式包括：独热编码或分布式表示。