基于LSTM-CRF模型的电子病历临床命名实体识别
叶振鹏 蔡凯文 张家豪

韶关学院，广东韶关，512005；

摘要：本文提出一种基于LSTM-CRF模型的中文电子病历命名实体识别方法。该模型通过结合LSTM的序列建模能力和CRF的标签转移优化，有效解决了传统CRF在长距离依赖建模上的局限性。实验表明，该方法在不增加数据开销的情况下显著提升了实体识别性能，F1值达到93.4%，为临床文本分析提供了高效解决方案。

关键词：LSTM-CRF模型；临床命名体识别；电子病历

参考文献

[1]黄志恒,徐伟,余凯.(2015).用于序列标注的双向LSTM-CRF模型.arXiv预印本arXiv:1508.01991.

[2]于勇,司新宇,胡成,张健.(2019).循环神经网络综述：LSTM单元与网络结构.神经计算,31(7),1235–1270.

[3]Pennington,J.,Socher,R.,Manning,C.D.(2014).GloVe：基于全局统计的词向量表示.EMNLP会议论文.

[4]Mikolov,T.,Chen,K.,Corrado,G.,Dean,J.(2013).向量空间中词表示的高效估计.arXiv预印本arXiv:1301.3781.

[5]DeBruijn,B.,Cherry,C.,Kiritchenko,S.,Martin,J.,Zhu,X.(2011).临床信息抽取三阶段的机器学习解决方案：2010年i2b2竞赛技术综述.美国医学信息学会杂志,18(5),557–562.

[6]李彦霖,宋煜,张佳豪,王栋.(2020).FLAT：基于扁平-网格Transformer的中文命名实体识别.ACL2020会议论文集.

[7]邵一鸣,裘旭,黄萱菁.(2019).结合词典增强BERT与两阶段标注的中文命名实体识别.ACL2019会议论文集.