[发明专利]一种基于数据增强的电子病历命名实体识别方法

权利要求书

1.一种基于数据增强的电子病历命名实体识别方法，其特征在于，包括以下步骤：

步骤1：获取原始电子病历文本语料，对文本进行预处理，形成原始语料库，对原始语料库进行中文文本分词，形成原始词表；对原始语料库进行切字处理，形成原始字典；

针对原始词表和原始字典，利用词向量工具训练100维向量表示，对于电子病历文本的同一个序列S，在原始词表中表示为S_word＝(word₁,word₂,…,word_n)，在原始字典中表示为S_char＝(char₁,char₂,…,char_m)，对于char_i在序列S_word所在的词语word_j或在word_j前后连续的词语中也出现，则char_i的字向量e_i表示为：

式中：表示char_i所在序列S_word中对应词word_j的词向量；

表示char_i所在序列S_word中对应词word_j的前面连续k个词均匀出现char_i词向量；

表示char_i所在序列S_word中对应词word_j的后面连续k个词均匀出现char_i词向量；

步骤2：依据步骤1所获得的原始词表、字典以及字典对应的组合字向量E＝(e₁,e₂,…,e_m)、电子病历文本的同一个序列S，依据BIOES标注策略对原始词典中的词语进行标注，即获得词语中每个字在词语内部位置的标签，以此对原始字典中的字进行编码：

e_position＝one-hot(word_i),0≤i≤l；

式中：one-hot编码为50维，词语word_i中含有l个汉字；

步骤3：依据步骤1所获得的原始词表、字典，对于电子病历文本的同一个序列S，依据词性对S_word＝(word₁,word₂,…,word_n)为每个词语标记词性，同时将词性赋值给词语的每个汉字，然后对S_char＝(char₁,char₂,…,char_m)每个字的词性进行编码：

e_flag＝one-hot(word_i),0≤i≤l；

式中：one-hot编码为50维，词语word_i中含有l个汉字；

步骤4：依据步骤1获得的原始字典，提取每个字的偏旁部首，形成字典的偏旁部首映射表，将偏旁部首映射表编码为50维向量，并依据字典中的每个字的偏旁部首进行赋值：

e_cnradical＝one-hot(S_char)；

步骤5：依据步骤1所获得的原始字典，对于电子病历文本的同一个序列S_char＝(char₁,char₂,…,char_m)，将汉语拼音字母表编码为50维向量，对电子病历文本的同一个序列S每个汉字所出现的拼音字母频数进行编码：

e_pinyin＝one-hot(S_char)；

步骤6：依据步骤1-5所述的原始字典和电子病历文本的同一个序列S，结合得到的字向量e_i，字位置向量e_position，词性向量e_flag，字偏旁部首向量e_cnradical，字拼音向量e_pinyin，则以汉字、字位置、词性、偏旁部首和拼音组成的五元组，实现基于汉字特征的数据增强，命名实体识别模型的字嵌入特征向量矩阵W＝(w₁,w₂,…,w_n)表示为：

步骤7：依据步骤6的字嵌入特征向量矩阵W＝(w₁,w₂,…,w_n)作为BiLSTM-CRF模型的输入，使用BiLSTM神经网络进行文本特征提取，使用CRF进行解码和实体标签的预测，从而实现基于数据增强的电子病历命名实体识别方法。

2.根据权利要求1所述的一种基于数据增强的电子病历命名实体识别方法，其特征在于，所述步骤1中针对原始电子病历文本的预处理主要包括，去除文本停用字词、标点符号与切分句子。