基于预训练模型及条件随机场的中医医案命名实体识别
信息工程
基于预训练模型及条件随机场的中医医案命名实体识别
77500
目的：
通过建立一种基于预训练模型及条件随机场（CRF）的神经网络，解决目前中医医案命名实体识别效率一般的问题。
方法：
人工标注所选中医医案的10类命名实体作为训练集和验证集，并构建基于BERT、RoBERTa、ALBERT及CRF的神经网络，以探究对于中医医案命名实体识别任务的最佳预训练模型及CRF对其贡献大小。
结果：
基于RoBERTa-CRF构建的神经网络在中医医案命名实体识别任务中的性能最优，其对命名实体识别的整体准确率为99.33%，精确率为98.24%，召回率为98.51%，F1分数为98.38%。
结论：
基于RoBERTa-CRF构建的神经网络能有效实现中医医案命名实体识别，解决其效率一般的问题，并且通过设置恰当的分层学习率，CRF能有效处理命名实体标签间的依赖关系，可为中医医案的高价值数据挖掘奠定的坚实基础。
命名实体识别预训练模型条件随机场中医医案
