CN115270792A - 一种医疗实体识别方法及装置 - Google Patents
一种医疗实体识别方法及装置 Download PDFInfo
- Publication number
- CN115270792A CN115270792A CN202210795182.0A CN202210795182A CN115270792A CN 115270792 A CN115270792 A CN 115270792A CN 202210795182 A CN202210795182 A CN 202210795182A CN 115270792 A CN115270792 A CN 115270792A
- Authority
- CN
- China
- Prior art keywords
- representation
- matrix
- entity
- text
- calculating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及一种医疗实体识别方法,包括:获取待识别的实体,通过特殊符号将实体和实体标签进行标注,根据实体和实体标签构建文本生成模型的输出模板;构建文本生成模型的输入和输出;输入为待识别文本序列和第一矩阵,第一矩阵为对待识别文本预处理后所得到的;输出为识别结果和第二矩阵,第二矩阵为对识别结果预处理后所得到的,识别结果根据输出模板进行展示;通过编码器对第一矩阵进行编码,得到待识别文本序列的编码表示;通过解码器对编码表示进行计算,得到解码表示;根据编码表示和解码表示,对文本生成模型进行训练,得到最终解码表示。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种医疗实体识别方法及装置。
背景技术
医疗实体识别通常使用序列标注的方法,为每个字符定义BME标签,分 别表示该类实体的开头、实体中间位置和实体末尾的字符,O标签代表非实体 内部的字符;然后训练神经网络模型拟合每个元素的标签,最后针对预测结 果进行后处理,将BME标签进行合并,得到最终的抽取结果。
现有技术存在的问题为:使用序列标注方法时,文本粒度必须为字符, 而且该方法无法处理非连续医疗实体和嵌套医疗实体的识别任务。
发明内容
本发明的目的是提供一种医疗实体识别方法及装置,以解决现有技术中 所存在的使用序列标注方法时,文本粒度必须为字符,而且该方法无法处理 非连续医疗实体和嵌套医疗实体的识别任务的问题,
本发明第一方面提供了一种医疗实体识别方法,所述方法包括:
获取待识别的实体,通过特殊符号将所述实体和实体标签进行标注,根据 所述实体和实体标签构建文本生成模型的输出模板;
构建所述文本生成模型的输入和输出;所述输入为待识别文本序列和第 一矩阵,所述第一矩阵为对所述待识别文本预处理后所得到的;所述输出为识 别结果和第二矩阵,所述第二矩阵为对所述识别结果预处理后所得到的,所 述识别结果根据所述输出模板进行展示;
通过编码器对所述第一矩阵进行编码,得到待识别文本序列的编码表示; 通过解码器对所述编码表示进行计算,得到解码表示;
根据所述编码表示和所述解码表示,对所述文本生成模型进行训练,得到 最终解码表示。
在一种可能的实现方式中,根据下列方法确定第一矩阵:
对待识别文本序列经过预训练语言模型BART进行预处理,得到第一矩阵。
在一种可能的实现方式中,所述通过编码器对所述待识别文本序列进行 编码,得到待识别文本序列的编码表示具体包括:
在一种可能的实现方式中,所述根据所述编码表示和所述解码表示,对所 述文本生成模型进行训练,得到最终解码表示具体包括:
通过第一函数,对每个字解码表示进行计算,得到生成概率;
对解码表示进行矩阵变换,得到第一矩阵转换结果;
对编码表示进行矩阵变换,得到第二矩阵转换结果;
根据第一矩阵转换结果和第二矩阵转换结果,计算拷贝机制的分数;
根据第一矩阵转换结果和第二矩阵转换结果,计算平衡因子;
根据平衡因子、分数和生成概率,计算融合打分;
根据融合打分,确定最大概率对应的字作为生成结果;
依次将每个字的生成结果进行组合,得到最终解码表示;
根据特殊符号,提取识别结果。
在一种可能的实现方式中,所述通过第一函数,对每个字所述解码表示 进行计算,得到生成概率具体包括:
通过第一函数,对解码表示进行线性变化,得到线性变化结果;
根据所述线性变化结果,计算概率分布。
在一种可能的实现方式中,所述通过编码器对所述第一矩阵进行编码,得 到待识别文本序列的编码表示;通过解码器对所述编码表示进行计算,得到解 码表示具体包括:
第二方面,本发明提供了一种医疗实体识别装置,所述装置包括:
获取模块,所述获取模块用于获取待识别的实体,通过特殊符号将所述实 体和实体标签进行标注;
输出模板构建模块,所述输出模板构建模块用于根据所述实体和实体标 签构建文本生成模型的输出模板;
输入输出构建模块,所述输入输出构建模块用于构建所述文本生成模型 的输入和输出;所述输入为待识别文本序列和第一矩阵,所述第一矩阵为对所 述待识别文本预处理后所得到的;所述输出为识别结果和第二矩阵,所述第二 矩阵为对所述识别结果预处理后所得到的,所述识别结果根据所述输出模板 进行展示;
编解码模块,所述编解码模块用于通过编码器对所述第一矩阵进行编码, 得到待识别文本序列的编码表示;通过解码器对所述编码表示进行计算,得到 解码表示;
模型训练模块,所述模型训练模块用于根据所述编码表示和所述解码表 示,对所述文本生成模型进行训练,得到最终解码表示。
第三方面,本发明提供了一种芯片***,包括处理器,所述处理器与存 储器的耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被 所述处理器执行时实现第一方面任一项所述的医疗实体识别方法。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存 储介质上存储有计算机程序,计算机程序被处理器执行第一方面任一项所述 的医疗实体识别方法。
第五方面,本发明提供了一种计算机程序产品,当所述计算机程序产品 在计算机上运行时,使得所述计算机执行如第一方面任一项所述的医疗实体 识别方法。
通过应用本发明提供的实体识别方法,通过构建模板,将实体识别建模 为文本生成任务,打破了使用序列标注任务进行识别的壁垒,同时该方法还 融合了指针网络中的拷贝机制,能够直接将原句子中的实体拷贝到模板中, 可以解决实体识别中的非连续医疗实体和嵌套医疗实体任务。
附图说明
图1为本发明实施例一提供的医疗实体识别方法流程示意图;
图2为原句和结果示意图;
图3为图1中的步骤140的流程图;
图4为本发明实施例二提供的医疗实体识别装置结构示意图;
图5为本发明实施例三提供的芯片***结构示意图;
图6为本发明实施例四提供的计算机可读存储介质示意图;
图7为本发明实施例五提供的计算机程序产品示意图。
具体实施方式
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本 发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施 例,而不是全部的实施例。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二” 等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和 “具有”以及它们任何变形,意图在于覆盖不排他的包括。例如包括了一系 列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或 单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些 过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的医疗实体识别方法流程示意图;该方法应 用在对医疗实体进行识别时的场景,如图1所示,该方法包括以下步骤:
步骤110,获取待识别的实体,通过特殊符号将实体和实体标签进行标注, 根据实体和实体标签构建文本生成模型的输出模板;
具体的,将待识别的实体使用括号将其进行标记,并在括号内部加入实 体类型的标签信息。参见图2,实体包括症状和时间,实体标签依次为发热、 三天、腹泻,输出模板中将原句中的发热和腹泻标记成症状标签,将原句中 三天标记成时间标签,特殊符号为括号,可以使用括号将标签:实体放到一 起,这样便于后续通过抽取括号中的内容即可得到识别结果。
步骤120,构建文本生成模型的输入和输出;输入为待识别文本序列和第 一矩阵,第一矩阵为对待识别文本预处理后所得到的;输出为识别结果和第二 矩阵,第二矩阵为对识别结果预处理后所得到的,识别结果根据输出模板进 行展示;
具体的,在步骤110中,说明了文本生成模型的输出模板的结构,步骤 120对文本生成模型的输入和输出进行说明。
比如,X=[x1,x2...,xn]表示输入的待识别文本字序列,而V=[v1,v2,...,vn]表示待识别文本字序列经过生成式预训练语言模型BART预处理得到的第一矩阵。
文本生成模型的输出即为图2中的结果部分,可以表示为Y=[y1,y2...,ym], 可以使用预训练模型BART对Y预处理得到输出端的第二矩阵,即为 U=[u1,u2...,um]。由于Y中和X有部分重合,因此,输出结果可以表示为entityi=(name:xi...xi+k),其中,xi...xi+k表示Y中和X对应的字。Name表示实体 名称,即上文所述的实体。
步骤130,通过编码器对第一矩阵进行编码,得到待识别文本序列的编码 表示;通过解码器对编码表示进行计算,得到解码表示;
具体的,使用编码器对X进行编码,得到输入序列信息的编码表示。定义 Selfenc()为基于自注意力机制的编码器计算单元,每个字经过编码器的编码表示 可以由以下公式计算得到:
其中,hN表示编码器得到的隐状态,其中隐状态就是编码表示或者解码表 示,比如,编码器得到的隐状态就是编码表示,解码器得到的隐状态就是解 码表示,为第n层中第t个字序列的解码表示,ut表示t时刻解码器的输入,可 以是t时刻解码器的输入,比如,可以是第一矩阵中的一个向量。
步骤140,根据编码表示和解码表示,对文本生成模型进行训练,得到最终 解码表示。
其中,参见图3,步骤140包括以下步骤:
步骤1401,通过第一函数,对每个字解码表示进行计算,得到生成概率;
其中,通过第一函数,对解码表示进行线性变化,得到线性变化结果; 根据线性变化结果,计算概率分布。
其中,Ot为softmax层的输入表示,第一函数为softmax函数。
对于线性变化结果Ot,再通过第一函数softmax来输出每个时刻t在目标词 汇集合Z中的概率分布。其中,目标词汇集合Z指的是模型输出所生成的所有 词的候选集,然后softmax用来计算这些候选词语集合中的概率分布。
Probgen=softmax(W·Ot+b)
其中,Probgen为概率分布,W和b是模型的训练参数,W维度与词表集合Z维 度相同。
步骤1402,对解码表示进行矩阵变换,得到第一矩阵转换结果;
步骤1403,对编码表示进行矩阵变换,得到第二矩阵转换结果;
具体的,将到的编码器最上层隐层状态hN进行矩阵变换,得到第二矩阵转 换结果,如下式所示:
步骤1404,根据第一矩阵转换结果和第二矩阵转换结果,计算拷贝机制 的分数;
具体的,得到的qt,K,V计算拷贝机制的分数:
其中,Probcopy为分数。
步骤1405,根据第一矩阵转换结果和第二矩阵转换结果,计算平衡因子;
其中,通过如下公式计算平衡因子:
步骤1406,根据平衡因子、分数和生成概率,计算融合打分;
具体的,根据如下公式计算融合打分;
其中,Probfinal为融合打分,即为每个字序列最终得到一个融合打分。
步骤1407,根据融合打分,确定最大概率对应的字作为生成结果;
具体的,选择最大概率对应的字作为时刻t的生成结果,如下公式所示:
yt=Max(Probfinal)
其中,yt为时刻t的生成结果。
步骤1408,依次将每个字的生成结果进行组合,得到最终解码表示;
步骤1409,根据特殊符号,提取识别结果。
具体的,根据上述1401-1407,依次得到多个字的生成结果,并将该些字 的生成结果进行组合,得到最终解码表示,比如,可以将最终解码表示表示 为Y=[y1,y2...,ym],其中,y1,y2...,ym依次按照步骤1401-1407得到的多个生成结 果的组合,可以称之为最终解码表示,而对于最终解码表示,可以通过括号 提取出相应的识别结果entityi。
通过应用本发明提供的实体识别方法,通过构建模板,将实体识别建模 为文本生成任务,打破了使用序列标注任务进行识别的壁垒,同时该方法还 融合了指针网络中的拷贝机制,能够直接将原句子中的实体拷贝到模板中, 可以解决实体识别中的非连续医疗实体和嵌套医疗实体任务。
实施例二
本发明实施例二提供了一种医疗实体识别装置,如图4所示,该装置包括: 获取模块410,输出模板构建模块420,输入输出构建模块430,编解码模块 440和模型训练模块450。
获取模块410用于获取待识别的实体,通过特殊符号将实体和实体标签进 行标注;
输出模板构建模块420用于根据实体和实体标签构建文本生成模型的输出 模板;
输入输出构建模块430用于构建文本生成模型的输入和输出;输入为待识 别文本序列和第一矩阵,第一矩阵为对待识别文本预处理后所得到的;输出为 识别结果和第二矩阵,第二矩阵为对识别结果预处理后所得到的,识别结果 根据输出模板进行展示;
编解码模块440用于通过编码器对第一矩阵进行编码,得到待识别文本序 列的编码表示;通过解码器对编码表示进行计算,得到解码表示;
模型训练模块450用于根据编码表示和解码表示,对文本生成模型进行训 练,得到最终解码表示。
进一步的,输入输出构建模块430根据下列方法确定第一矩阵:对待识别 文本序列经过预训练语言模型BART进行预处理,得到第一矩阵。
进一步的,编解码模块440通过编码器对待识别文本序列进行编码,得到 待识别文本序列的编码表示具体包括:
进一步的,模型训练模块450根据编码表示和解码表示,对文本生成模型 进行训练,得到最终解码表示具体包括:通过第一函数,对每个字解码表示进 行计算,得到生成概率;对解码表示进行矩阵变换,得到第一矩阵转换结果; 对编码表示进行矩阵变换,得到第二矩阵转换结果;根据第一矩阵转换结果 和第二矩阵转换结果,计算拷贝机制的分数;根据第一矩阵转换结果和第二 矩阵转换结果,计算平衡因子;根据平衡因子、分数和生成概率,计算融合 打分;根据融合打分,确定最大概率对应的字作为生成结果;依次将每个字的生成结果进行组合,得到最终解码表示;根据特殊符号,提取识别结果。
进一步的,模型训练模块450通过第一函数,对每个字解码表示进行计 算,得到生成概率具体包括:通过第一函数,对解码表示进行线性变化,得 到线性变化结果;根据线性变化结果,计算概率分布。
进一步的,编解码模块440通过编码器对第一矩阵进行编码,得到待识别 文本序列的编码表示;通过解码器对编码表示进行计算,得到解码表示具体包 括:
本发明实施例二提供的装置,可以执行上述方法实施例一中的方法步骤, 其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能 的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上 分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全 部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现, 部分模块通过硬件的形式实现。例如,确定模块可以为单独设立的处理元件, 也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形 式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以 上确定模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可 以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电 路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模 块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电 路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,ASIC),或,一个或多个微处理器(Digital Signal Processor,DSP), 或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA) 等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处 理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,CPU) 或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片 上***(System-on-a-chip,SOC)的形式实现。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意 组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形 式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和 执行该计算机程序指令时,全部或部分地产生按照本申请实施例所描述的流 程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者 其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中,或者 从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,上述 计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如 同轴电缆、光纤、数字用户线路((Digital Subscriber Line,DSL))或无线(例 如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数 据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可 用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储 设备。上述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例 如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
实施例三
本发明实施例三供了一种芯片***,如图5所示,包括处理器,处理器 与存储器的耦合,存储器存储有程序指令,当存储器存储的程序指令被处理 器执行时实现如实施例一提供的任意一种医疗实体识别方法。
实施例四
本发明实施例四提供一种计算机可读存储介质,如图6所示,包括程序 或指令,当所述程序或指令在计算机上运行时,实现如实施例一提供的任意 一种医疗实体识别方法。
实施例五
实施例五提供一种包含指令的计算机程序产品,如图7所示,当所述计 算机程序产品在计算机上运行时,使得所述计算机执行如实施例一提供的任 意一种医疗实体识别方法。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的 各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来 实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能 一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来 执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每 个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为 超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理 器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器 (RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、 寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式 的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行 了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而 已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做 的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种医疗实体识别方法,其特征在于,所述方法包括:
获取待识别的实体,通过特殊符号将所述实体和实体标签进行标注,根据所述实体和实体标签构建文本生成模型的输出模板;
构建所述文本生成模型的输入和输出;所述输入为待识别文本序列和第一矩阵,所述第一矩阵为对所述待识别文本预处理后所得到的;所述输出为识别结果和第二矩阵,所述第二矩阵为对所述识别结果预处理后所得到的,所述识别结果根据所述输出模板进行展示;
通过编码器对所述第一矩阵进行编码,得到待识别文本序列的编码表示;通过解码器对所述编码表示进行计算,得到解码表示;
根据所述编码表示和所述解码表示,对所述文本生成模型进行训练,得到最终解码表示。
2.根据权利要求1所述的方法,其特征在于,根据下列方法确定第一矩阵:
对待识别文本序列经过预训练语言模型BART进行预处理,得到第一矩阵。
4.根据权利要求1所述的方法,其特征在于,所述根据所述编码表示和所述解码表示,对所述文本生成模型进行训练,得到最终解码表示具体包括:
通过第一函数,对每个字解码表示进行计算,得到生成概率;
对解码表示进行矩阵变换,得到第一矩阵转换结果;
对编码表示进行矩阵变换,得到第二矩阵转换结果;
根据第一矩阵转换结果和第二矩阵转换结果,计算拷贝机制的分数;
根据第一矩阵转换结果和第二矩阵转换结果,计算平衡因子;
根据平衡因子、分数和生成概率,计算融合打分;
根据融合打分,确定最大概率对应的字作为生成结果;
依次将每个字的生成结果进行组合,得到最终解码表示;
根据特殊符号,提取识别结果。
5.根据权利要求4所述的方法,其特征在于,所述通过第一函数,对每个字所述解码表示进行计算,得到生成概率具体包括:
通过第一函数,对解码表示进行线性变化,得到线性变化结果;
根据所述线性变化结果,计算概率分布。
7.一种医疗实体识别装置,其特征在于,所述装置包括:
获取模块,所述获取模块用于获取待识别的实体,通过特殊符号将所述实体和实体标签进行标注;
输出模板构建模块,所述输出模板构建模块用于根据所述实体和实体标签构建文本生成模型的输出模板;
输入输出构建模块,所述输入输出构建模块用于构建所述文本生成模型的输入和输出;所述输入为待识别文本序列和第一矩阵,所述第一矩阵为对所述待识别文本预处理后所得到的;所述输出为识别结果和第二矩阵,所述第二矩阵为对所述识别结果预处理后所得到的,所述识别结果根据所述输出模板进行展示;
编解码模块,所述编解码模块用于通过编码器对所述第一矩阵进行编码,得到待识别文本序列的编码表示;通过解码器对所述编码表示进行计算,得到解码表示;
模型训练模块,所述模型训练模块用于根据所述编码表示和所述解码表示,对所述文本生成模型进行训练,得到最终解码表示。
8.一种芯片***,其特征在于,包括处理器,所述处理器与存储器的耦合,所述存储器存储有程序指令,当所述存储器存储的程序指令被所述处理器执行时实现权利要求1-6任一项所述的医疗实体识别方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行权利要求1-6任一项所述的医疗实体识别方法。
10.一种计算机程序产品,其特征在于,当所述计算机程序产品在计算机上运行时,使得所述计算机执行如权利要求1-6任一项所述的医疗实体识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210795182.0A CN115270792A (zh) | 2022-07-07 | 2022-07-07 | 一种医疗实体识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210795182.0A CN115270792A (zh) | 2022-07-07 | 2022-07-07 | 一种医疗实体识别方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270792A true CN115270792A (zh) | 2022-11-01 |
Family
ID=83763546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210795182.0A Pending CN115270792A (zh) | 2022-07-07 | 2022-07-07 | 一种医疗实体识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270792A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738985A (zh) * | 2023-08-11 | 2023-09-12 | 北京亚信数据有限公司 | 医学文本的标准化处理方法及装置 |
-
2022
- 2022-07-07 CN CN202210795182.0A patent/CN115270792A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738985A (zh) * | 2023-08-11 | 2023-09-12 | 北京亚信数据有限公司 | 医学文本的标准化处理方法及装置 |
CN116738985B (zh) * | 2023-08-11 | 2024-01-26 | 北京亚信数据有限公司 | 医学文本的标准化处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985239B (zh) | 实体识别方法、装置、电子设备及存储介质 | |
CN110866401A (zh) | 基于注意力机制的中文电子病历命名实体识别方法及*** | |
CN111767718B (zh) | 一种基于弱化语法错误特征表示的中文语法错误更正方法 | |
CN110309511B (zh) | 基于共享表示的多任务语言分析***及方法 | |
US20180365594A1 (en) | Systems and methods for generative learning | |
CN114580424B (zh) | 一种用于法律文书的命名实体识别的标注方法和装置 | |
CN111428470B (zh) | 文本连贯性判定及其模型训练方法、电子设备及可读介质 | |
CN113887229A (zh) | 地址信息的识别方法、装置、计算机设备及存储介质 | |
CN115270792A (zh) | 一种医疗实体识别方法及装置 | |
CN111814479A (zh) | 一种企业简称生成及其模型的训练方法及装置 | |
CN114707518B (zh) | 面向语义片段的目标情感分析方法、装置、设备及介质 | |
CN116127978A (zh) | 基于医学文本的嵌套命名实体抽取方法 | |
CN116362242A (zh) | 一种小样本槽值提取方法、装置、设备及存储介质 | |
CN115982363A (zh) | 基于提示学习的小样本关系分类方法、***、介质及电子设备 | |
CN110852066A (zh) | 一种基于对抗训练机制的多语言实体关系抽取方法及*** | |
CN114925175A (zh) | 基于人工智能的摘要生成方法、装置、计算机设备及介质 | |
CN114911940A (zh) | 文本情感识别方法及装置、电子设备、存储介质 | |
CN114372467A (zh) | 命名实体抽取方法及装置、电子设备、存储介质 | |
CN115240712A (zh) | 一种基于多模态的情感分类方法、装置、设备及存储介质 | |
CN114611489A (zh) | 文本逻辑条件抽取ai模型构建方法、抽取方法及*** | |
CN108921911B (zh) | 结构化图片自动转换为源代码的方法 | |
CN114492661B (zh) | 文本数据分类方法和装置、计算机设备、存储介质 | |
CN113033155B (zh) | 一种结合序列生成和层级词表的医学概念自动编码方法 | |
CN112989821B (zh) | 多音字的注音方法及计算机存储介质 | |
CN116562305B (zh) | 方面情感四元组预测方法与*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |