采用Transformer-CRF的中文电子病历命名实体识别
Computer Engineering and Applications（2020）
摘要
命名实体识别是自然语言处理的基本任务之一.针对中文电子病历命名实体识别传统模型识别效果不佳的问题,提出一种完全基于注意力机制的神经网络模型.实验采用自建真实中文电子病历数据集并对数据集进行人工标注、分词等预处理;对Transformer模型进行训练优化,以提取文本特征;利用条件随机场对提取到的文本特征进行分类识别.为验证所提方法的有效性,将构建的Transformer-CRF神经网络模型与其他7种传统模型进行比较研究,实验采用精确率、召回率和F1值三个指标评估模型的识别性能.实验结果显示,在同一语料集下,Transformer-CRF模型对身体部位类的命名实体识别效果较好,F1值高达95.02％;且与其他7种传统模型相比,Transformer-CRF模型的精确率、召回率和F1值均较高,在一定程度上验证了所构建模型具有较好的识别性能.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要