科研之友
微信
新浪微博
Facebook
分享链接
摘要
【目的】构建融合医学领域知识的图神经网络结构模型GraphModel-Dict，针对医学文本进行命名实体识别研究。【方法】首先，采用图结构方式对领域知识进行融合，将原始文本数据与领域词典作为不同类别的节点进行构图，利用门控循环单元进行节点更新，以得到结合领域知识的原始文本数据节点语义表示；其次，将文本数据节点的最终表示作为双向长短期记忆网络的输入；然后，通过条件随机场预测标签并输出识别序列；最后，使用两个数据集评估模型的性能。【结果】在人工标注的3 100份中文乳腺癌超声检查报告数据集上，GraphModel-Dict模型的实体识别的精确率、召回率和F1值达到96.91%、97.52%以及97.22%。另外，在对每类实体的识别效果评估中，针对提取样本数据稀少或表达形式多样化的实体类型，GraphModel-Dict模型表现出更优的识别性能。在CCKS2020医疗数据集上进行性能评估实验，与基线模型相比，GraphModelDict模型的F1值至少提高了1.39%。【局限】GraphModel-Dict模型的实验只在医疗数据集上展开，在其他领域的有效性需进一步研究。【结论】领域知识的有效使用能够提高其在命名实体识别中的作用，为促进医学信息挖掘和临床研究提供了潜力。
- 单位
