基于神经网络的医疗文本分类研究

作者：许浪; 李代伟; 张海清; 唐聃; 何磊; 于曦

来源：计算机工程与科学, 2022, 1-7.

• 自然语言处理
• 医疗文本分类
• BERT
• CNN
• BiLSTM

传统的医学文本数据分类方法忽略了文本的上下文关系，每个词相互独立，无法表示语义信息，文本描述、分类效果差，并且特征工程需要人工干预，因此泛化能力不强。针对医疗文本数据分类效率低、精度低的问题，本文提出了一种基于Transformer双向编码器表示（Bidirectional Encoder Representations from Transformers， BERT）、卷积神经网络（Conventional Neural Networks， CNN）和双向长短期记忆（Bi-directional Long Short-Term Memory， BiLSTM）神经网络的医学文本分类模型CMNN。该模型使用BERT训练词向量，并结合CNN和BiLSTM的特点，捕捉局部潜在特征、上下文信息。最后，本文将CMNN模型与传统的深度学习模型TextCNN和TextRNN在准确率、精确率、召回率和F1值方面进行了比较。实验结果表明，CMNN模型在所有评价指标上优于其他模型，准确率提高了1.69%-5.91%。

• 单位
  成都大学; 成都信息工程大学