[發(fā)明專利]一種針對易混淆運動損傷實體詞的識別方法

在審

• 申請?zhí)枺?/td>: 202110682430.6
• 申請日: 2021-06-21
• 公開（公告）號: CN113297851A
• 公開（公告）日: 2021-08-24
• 發(fā)明（設(shè)計）人: 李瑞瑞;李爽;趙偉
• 申請（專利權(quán)）人: 北京富通東方科技有限公司
• 主分類號: G06F40/295
• 分類號: G06F40/295;G06F40/126;G06F16/35;G06K9/62;G16H70/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種針對易混淆運動損傷實體詞的識別方法，基于運動損傷領(lǐng)域的大規(guī)模文本語料，訓(xùn)練word2vec語義模型，將所述文本語料切割生成字符向量文本和詞匯向量文本，采用自動標注工具標注訓(xùn)練集、驗證集和測試集的字符向量文本和詞匯向量文本；為所述字符向量文本和詞匯向量文本創(chuàng)建編碼并計算所述字符向量文本和詞匯向量文本的相對位置編碼。然后對字符向量文本和詞匯向量文本進行第一次鑒別，得到所述字符向量文本和詞匯向量文本的預(yù)測標簽。將預(yù)測標簽為癥狀、體征、檢查結(jié)果和檢驗結(jié)果的實體詞歸類為待確定組，進行二次鑒別。通過上述方式，本發(fā)明能夠有效鑒別運動損傷領(lǐng)域中實體詞的類別。

技術(shù)領(lǐng)域

本發(fā)明涉及自然語言處理領(lǐng)域，特別是涉及一種針對易混淆運動損傷實體詞的識別方法。

背景技術(shù)

命名實體識別(NER)技術(shù)可用于識別文本中的特定實體信息，如人名、地名、組織名稱等，它廣泛應(yīng)用于信息抽取、信息檢索、智能問答、機器翻譯等領(lǐng)域。

以前的方法主要是基于詞典和基于規(guī)則的。基于詞典的方法是通過字符串模糊查找或者完全匹配的方法，但是隨著新的實體名稱不斷涌現(xiàn)，詞典的質(zhì)量與大小有局限性；現(xiàn)階段應(yīng)用較多的模型有隱馬爾可夫模型(HiddenMarkovModel，HMM)、支持向量機(SupportVectorMachine，SVM)、最大熵馬爾可夫模型(MaximumEntropyMarkovModel，MEMM)、條件隨機場(ConditionalRandomField，CRF)等。條件隨機場模型能對鄰近標簽對預(yù)測序列的影響問題進行有效地處理，所以在實體識別中應(yīng)用較多，且效果不錯。目前，針對序列標注問題，一般采用深度學(xué)習(xí)算法。與傳統(tǒng)算法相比，深度學(xué)習(xí)算法去掉了手工提取特征這一步，能有效的提取判別特征。

近年來，隨著互聯(lián)網(wǎng)的高速運轉(zhuǎn)，信息也有了各式各樣的存儲形式。在生物醫(yī)學(xué)領(lǐng)域，文獻資源每年都在數(shù)以千倍的增加，從醫(yī)學(xué)含義解釋角度看，運動損傷領(lǐng)域?qū)嶓w詞中，癥狀、體征、檢查結(jié)果和檢驗結(jié)果屬于易混淆實體詞類，其中，癥狀的實體詞存在識別過程中容易出錯的問題，而與之關(guān)聯(lián)性較大的三類實體詞：體征、檢查結(jié)果、檢驗結(jié)果的檢查方法詞表達相對標準、固定、有限，易于區(qū)分，因此作為鑒別癥狀與體征、檢查結(jié)果、檢驗結(jié)果的詞表最為合適。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明提出一種針對易混淆運動損傷實體詞的識別方法。

為解決上述技術(shù)問題，本發(fā)明采用的一個技術(shù)方案是：提出一種針對易混淆運動損傷實體詞的識別方法，其特征在于,包括以下步驟：

步驟1：基于運動損傷領(lǐng)域的大規(guī)模文本語料，訓(xùn)練word2vec語義模型，將所述文本語料切割生成字符向量文本和詞匯向量文本；

步驟2：采用自動標注工具標注訓(xùn)練集、驗證集和測試集的字符向量文本和詞匯向量文本；

步驟3: 為字符向量文本和詞匯向量文本創(chuàng)建編碼并計算所述字符向量文本和詞匯向量文本的相對位置編碼。

步驟4：對字符向量文本和詞匯向量文本進行第一次鑒別，得到所述字符向量文本和詞匯向量文本的預(yù)測標簽。

步驟5：將預(yù)測標簽為癥狀、體征、檢查結(jié)果和檢驗結(jié)果的實體詞歸類為待確定組，進行二次鑒別；

所述待確定組為4組，包括癥狀組、體征組、檢查結(jié)果組和檢驗結(jié)果組。

進一步的，所述字符向量文本包括單字符向量文本和雙字符向量文本，所述單字符向量文本通過將文本語料按字符切割生成，所述雙字符向量文本通過將文本語料按雙字符切割生成，所述詞匯向量文本采用jieba分詞按語義切割生成。

進一步的，所述自動標注工具采用BIOES方法進行標注；所述BIOES方法包括：“B”表示標注的開始字符，“I”表示標注的中間字符，“E”表示標注的結(jié)尾字符，當標注為單字符時則用“S”表示，其他字符用“O”表示，數(shù)據(jù)格式要求一行一個字符及該字符標注，字符與標注間用空格隔開，句與句之間用空行隔開。