摘要：通过中国知网获取藏药药理相关文献155篇,构建中文藏医药药理实体识别语料库,设计基于BiLSTM-CRF深度学习模型的藏药药理命名实体识别方法,采用信息抽取技术从科技文献中提取并识别藏药药理,为藏医药文献研究提供新途径。

摘要：针对静态词向量存在无法表示多义词,以及传统深度学习模型特征提取能力不足等问题,提出了结合ERNIE2.0(Enhanced language Representation with Informative Entities 2.0)的医疗中文命名实体识别模型。ERNIE2.0模型通过结合词的上下文具体语境进行动态学习,得到词的动态语义表征,解决了一词多义问题。使用BiSRU模型提取医疗文本高维全局序列特征,软注意力机制用于计算每个词的权重大小,由条件随机场输出命名实体的序列标记结果。在标准化数据集上的实验表明,ERNIE2.0-BiSRU-AT-CRF模型的F1值达到了86.74%,优于实验对比的其他模型,证明了模型的有效性。

摘要：为在不依赖特征工程的情况下提高中文领域命名实体识别性能,构建了BLSTM-CRF神经网络模型。首先利用CBOW模型对1998年1月至6月人民日报语料进行负采样递归训练,生成低维度稠密字向量表,以供查询需要;然后基于Boson命名实体语料,查询字向量表形成字向量,并利用Jieba分词获取语料中字的信息特征向量;最后组合字向量和字信息特征向量,输入到BLSTM-CRF深层神经网络中。实验结果证明,该模型面向中文领域命名实体能够较好的进行识别,F1值达到91.86%。

摘要：医疗数据挖掘的起始环节为CNER(中文电子病历命名实体识别),将相关实体(解剖部位、药品、影像检查等)识别出非结构化文本是其目标所在。基于CNER准确性提升需要,论文设计了BERT-BiLSTM-CRF模型融合领域词典技术,该技术能将上下文语义关系全面结合,一词多义问题同样可以迎刃而解,获取电子病历句子的长距离依赖。CNER采用BERT-BiLSTM-CRF模型融合领域词典技术时的F1值已经被实验结果所证实,对知识图谱的构建、临床决策支持系统和病历质控系统等的研究有着重要意义。

摘要：介绍国内外电子病历命名实体识别研究现状,阐述基于注意力机制和膨胀卷积神经网络的电子病历命名实体识别模型构建方法、结构以及实验环境、具体设计和结果,实验表明该模型具有更好的命名实体识别效果。

摘要：国家电网公司PMS中积累了大量电力一次设备的运维工单文本数据,但难以有效利用。为此设计了一种基于BERT-BiLSTM-CRF模型的电力一次设备运维工单中文实体识别系统。首先,分析了工单的文本特点及分词难点,总结出七类实体并人工标注3452条工单,形成训练集。其次,利用相关设备的试验、故障分析报告对BERT模块进行预训练,以获得电力词向量。然后,利用BiLSTM模块对实体标签进行预测。最后,引入CRF模块优化预测标签。对1000份工单进行中文实体识别实验,结果表明该模型在电力一次设备运维工单文本中具有较高的识别能力。

摘要：基于词典增强的方法存在搜索潜在匹配词较慢、难以批量计算等问题。针对该问题,对比计算机视觉领域的语义分割任务与自然语言处理领域的命名实体识别任务之间的相似性,提出了引入图像语义分割中的全卷积网络模型(Fully Convolutional Network),并将其应用于医疗文本的命名实体识别任务。在瑞金糖尿病数据集上进行实验,结果表明,相比基于词典增强的方法,该方法能达到F1值差距在1%内,同时无需引入词级别信息且便于进行批量计算,而在实验数据集上实际运行时间仅为基于词典增强方法的不到2%。

摘要：军事命名实体识别是军事情报分析和作战信息服务的基础。为了解决军事文本中分词不准确、形式多样以及语料库缺乏的问题,文中提出了一种基于预训练模型与神经网络的军事命名实体识别方法。通过BERT预训练模型构建词向量,利用BiLSTM神经网络处理上下文信息的优势,同时加入注意力机制,并通过条件随机场进行解码,完成了军事命名实体识别任务。在自构建的军事文本语料库上的实验结果表明,该模型F1值为92.14%,优于其他的传统方法。

摘要：命名实体识别是中医智能化发展的基石。针对中医文本数据挖掘中实体识别困难的问题,构建了基于Bert-BiLSTM-CRF的命名实体识别模型。通过Bert模型在字向量的构建过程中融入注意力机制,利用BiLSTM进行特征提取,并将特征输入CRF模型之中完成最终的训练。实验选取《伤寒论》作为训练集以及测试集,划分症状、疾病名称、方剂、中药名、时间5类实体。测试集上的结果表明,该模型的准确率为96.94%,召回率为93.14%,F值为95%,命名实体识别精度较高,可以将该模型用于实际问题中。

摘要：面向中文电子病历的命名实体识别(named entity recognition, NER)研究已经取得不错的成果,但其中大部分方法依赖于已标注医疗语料而无法充分利用未标注语料,且方法中构建的文本特征相对单一,无法深入获取医疗文本的特征。针对上述问题,设计了一种基于半监督学习的NER模型。首先,本模型通过构建多个特征来捕捉病历文本中的语义信息,使用基于转换器的双向编码表征(bidirectional encoder representation from transformers, BERT)训练海量的未标注数据来学习适合中文医疗领域的字向量表示,并使用双向语言模型捕捉每个字的上下文特征向量,以及使用医疗词典结合双向最大匹配算法构建文本的词典特征向量。其次,融合3种特征向量后输入由双向门控循环单元、自注意力机制和条件随机场组成的NER模型中训练。最后,NER模型通过预测未标注语料获得候选标注语料,引入自举(bootstrapping)算法筛选置信度高的候选标注语料,将其合并到初始标注语料后迭代训练NER模型。试验结果表明,本模型在自建脑血管数据集和中国知识图谱与语义计算大会(China Conference on Knowledge Graph and Semantic Computing, CCKS)发布的CCKS2017、CCKS2018数据集上的F_(1)值分别为90.16%、92.72%和90.93%,优于其他使用额外特征的NER模型和主流神经网络模型。本模型为提高中文电子病历的实体识别精度提供了一种新方法,可应用于实际工程中的NER任务。