[發(fā)明專利]一種基于Lattice LSTM模型的中文電子病歷的實體識別方法

在審

• 申請?zhí)枺?/td>: 202011011399.5
• 申請日: 2020-09-23
• 公開（公告）號: CN112151183A
• 公開（公告）日: 2020-12-29
• 發(fā)明（設計）人: 費若嵐;高俊波
• 申請（專利權）人: 上海海事大學
• 主分類號: G16H50/70
• 分類號: G16H50/70;G06F40/211;G06F40/242;G06F40/284;G06F40/295;G06N3/04;G06N3/08
• 代理公司: 上海元好知識產(chǎn)權代理有限公司 31323
• 代理人: 張妍;賈慧琴

1.一種基于Lattice LSTM模型的中文電子病歷的實體識別方法，其特征在于，包括以下步驟：

步驟1：對電子病歷數(shù)據(jù)進行特征向量訓練，獲得電子病歷數(shù)據(jù)的特征向量；

步驟2：基于雙向Lattice LSTM編碼模型，對所述特征向量進行雙向特征向量編碼，獲得電子病歷數(shù)據(jù)的輸出狀態(tài)序列；

步驟3：基于CRF模型的轉移特征性，對所述輸出狀態(tài)序列進行標注概率排序，獲得實體識別的結果，完成實體識別。

2.如權利要求1所述的基于Lattice LSTM模型的中文電子病歷的實體識別方法，其特征在于，所述特征向量訓練包括以下步驟：

步驟1.1：構建包含普通文本和醫(yī)學專業(yè)詞匯的詞典組合；

步驟1.2：對所述電子病歷數(shù)據(jù)進行預處理，獲得預處理后的電子病歷數(shù)據(jù)；

步驟1.3：基于BERT預訓練語言模型，對所述預處理后的電子病歷數(shù)據(jù)進行字向量訓練，獲得電子病歷數(shù)據(jù)的字特征向量；

步驟1.4：根據(jù)所述詞典組合與所述字詞序列，進行詞向量訓練，獲得所述電子病歷數(shù)據(jù)的詞特征向量；

步驟1.5：將所述字特征向量與所述詞特征向量進行特征融合，獲得所述電子病歷數(shù)據(jù)的特征向量。

3.如權利要求2所述的基于Lattice LSTM模型的中文電子病歷的實體識別方法，其特征在于，所述構建詞典組合包括以下步驟：

步驟1.1.1：分別獲取中文維基百科語料和醫(yī)學分詞詞典；

步驟1.1.2：基于Word2Vec預訓練語言模型，對中文維基百科語料進行jieba分詞訓練，獲得維基百科詞向量；

步驟1.1.3：對所述醫(yī)學分詞詞典進行改善分詞訓練，獲得醫(yī)學分詞詞向量；

步驟1.1.4：將所述維基百科詞向量與所述醫(yī)學分詞詞向量進行詞典組合，獲得所述詞典組合。

4.如權利要求2所述的基于Lattice LSTM模型的中文電子病歷的實體識別方法，其特征在于，所述預處理包括以下步驟：

步驟1.2.1：對所述電子病歷數(shù)據(jù)進行去隱私化處理，獲得去除病人隱私信息的去隱私病例數(shù)據(jù)；

步驟1.2.2：對所述去隱私病例數(shù)據(jù)進行殘句處理，獲得處理后的電子病例數(shù)據(jù)；

步驟1.2.3：基于正則匹配方法，對所述處理后的電子病歷數(shù)據(jù)進行過濾清洗，獲得過濾后的電子病歷數(shù)據(jù)；

步驟1.2.4：對所述過濾后的電子病歷數(shù)據(jù)進行數(shù)據(jù)標注，獲得預處理后的電子病歷數(shù)據(jù)。

5.如權利要求4所述的基于Lattice LSTM模型的中文電子病歷的實體識別方法，其特征在于，所述殘句處理包括補齊隱私病例數(shù)據(jù)中的缺失語句、刪除隱私病例數(shù)據(jù)中的錯誤語句、以及對隱私病例數(shù)據(jù)中過長的語句進行分句。

6.如權利要求2所述的基于Lattice LSTM模型的中文電子病歷的實體識別方法，其特征在于，所述字向量訓練包括以下步驟：

步驟1.3.1：讀取將所述預處理后的電子病歷數(shù)據(jù)中的字符序列；

步驟1.3.2：所述BERT預訓練語言模型將所述字符序列一一進行字符映射，獲得所述BERT預訓練語言模型的詞輸入向量；

步驟1.3.3：對所述詞輸入向量進行特征訓練，輸出所述字特征向量。