[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

说明书

一种基于数据增强的电子病历命名实体识别方法，构建以汉字、汉字在词语的位置、词性、汉字的偏旁部首和汉字拼音的五元组，以词向量工具训练100维低维稠密的向量，分别将字位置、词性、偏旁部首、拼音的四元组分别编码为50、50、50、50的向量表示，则基于字特征增强的五元组形成300维的组合向量作为神经网络的输入，基于BiLSTM‑CRF命名实体识别模型进行文本特征向量的训练，进行实体标签的标记；本发明通过中文汉字在词语中的位置、词性、字的偏旁部首、字的拼音与汉字所处词语的前后信息进行融合，使基于字嵌入的形式包含更丰富的文本特征，以此提升电子病历命名实体识别模型的效果，确保实体识别更加快速、精确的进行。

技术领域

本发明涉及一种电子病历命名实体识别方法，具体是一种基于数据增强的电子病历命名实体识别方法，属于自然语言处理技术领域。

背景技术

随着医疗卫生事业信息化的发展，医院信息系统(Hospital Informationstem，HIS)已经应用于各大医院并逐步建立主导地位。电子病历承载了患者就诊过程中基本信息、实验室检查、疾病症状、诊断信息、治疗方案等一体化的病例信息。面对于知识冗杂、种类复杂、疾病差异的文本存储类型的非结构化医学临床信息，如何分辨包含专业术语与疾病信息的关键医疗信息是自然语言处理(Natural Language Processing，NLP)在医疗领域的重点研究领域。

命名实体识别(Named Entity Recognition，NER)作为自然语言处理研究的关键基础任务之一，旨在从非结构化文本中识别出具备特定意义的实体，如人名、地名和组织机构等专有名词。在电子病历的命名实体识别任务中，主要是挖掘与临床信息密切相关的知识，与英文语法不同的是，中文命名实体识别有基于字和基于词语的两种方法，基于字符的方式减少了陌生词的影响，但是单个字符包含的语义信息不足；基于词语的方法首先面临分词精确的问题，尤其是对于特殊领域，如医学电子病历包含众多密集型术语，分词的准确性直接影响模型的效果。

发明内容

本发明的目的是提供一种基于数据增强的电子病历命名实体识别方法，通过中文汉字在词语中的位置、词性、字的偏旁部首、字的拼音与汉字所处词语的前后信息进行融合，使基于字嵌入的形式包含更丰富的文本特征，以此提升电子病历命名实体识别模型的效果，确保实体识别更加快速、精确的进行。

为了实现上述目的，本发明提供一种基于数据增强的电子病历命名实体识别方法，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；