基于领域词典与CRF双层标注的中文电子病历实体识别

龚乐君，张知菲

1) 南京邮电大学计算机学院、软件学院、网络空间安全学院，南京 210023 2) 江苏省大数据安全与智能处理重点实验室，南京 210023

近些年来，医疗信息化以及大批在线问诊网站、病例交流网站的迅猛发展产生了海量的电子病历. 电子病历中包含了大量重要的临床资源. 如何利用电子病历所包含的大量潜在信息，成为目前热门的研究方向之一. 作为文本挖掘的基础任务，命名实体识别在病历文本中需要识别的实体类型主要为疾病名称、症状、医疗人员采取的措施（包括检查措施和治疗措施）、药品名称等医疗实体.

有研究表明，在中文电子病历中，实体分布的密集程度远高于通用领域文本[1]. 中文电子病历语料中实体字符所占比例接近中文通用语料的2倍，这说明了中文电子病历是一种知识密集型的文本，其数据具有相当的研究价值.

命名实体识别任务，常常被作为序列标注任务来处理[2]. 机器学习中特征的选择情况将会直接影响实体识别的效果，因此大部分中文医疗实体识别研究集中于构造和选择不同特征. Wang等[3]利用字符位置信息和短分句对症状实体进行识别，在中医文本语料上达到了95.12%的F1值. 文献[4−7]研究了语言符号特征、词性特征、关键词特征、词典特征、分词特征、词块特征等多特征组合与多种学习器组合对病历实体识别的影响. 随着深度学习[8]技术的发展，利用深度神经网络对中文医疗实体识别的相关研究[9−13]也在……