基于藏文BERT的藏医药医学实体识别

朱亚军，拥 措，尼玛扎西

（1.西藏大学信息科学技术学院，西藏 拉萨 850000；2.西藏自治区藏文信息技术人工智能重点实验室，西藏 拉萨 850000；3.藏文信息技术教育部工程研究中心，西藏 拉萨 850000）

0 引 言

藏医药学是中国医药学重要的组成部分［1］。藏医药学者从不同的角度对藏医药做了相应的研究，无论是在临床使用上［2-3］，还是在藏药的理化分析上［4-5］，藏医药都取得了长足的发展，但是在藏医药的知识发现上却少有研究。

藏医药学文本指的是有关藏医药学经验和知识的文字记录，其中蕴含着极其丰富的藏医药学常识、经验和知识［6］。比如藏医药典籍、医院就诊患者的诊疗记录等，这些文本往往是一些非结构化的藏文文字记录。藏文的语法结构非常复杂，其中包括以下4 个主要问题：

1）语序。藏文的语序主要为主语-宾语-谓语，比如在“རུ་རྟ་བསྣན་པོས་རླུང་ཁྲགི་སྤྱིསྤྱི་ལ་ཕན།（川木香益气血）”中，宾语“རླུང་ཁྲགི་（气血）”在谓语“ལ་ཕན（有利于）”的前面。

2）大部分形容词具有一般形式、比较级和最高级。比如“好”有3 个级别：“ཡིགི་པོཔོ།（好）”、“ཅུང་ཡིགི་པོ།（较好）”、“ཡིགི་ཤཔོས་（最好）”。

3）动词分现在时、过去时、未来时和命令式。

4）助词在藏文中具有重要作用，比如“གིསྤྱི”表示领属关系，“ལ”表示领有关系等。

语法结构越复杂语言模型对藏文的拟合难度越大，字符的上下文环境也越复杂。因此如何对大量的非结构化文本进行知识发现成为极具挑战的问题，而藏医药文本中的医学实体识别则成了基础而重要的工作［7］。

命名实体识别（Named Entity Recognition，NER）一直被看作是序列标注问题。2001 年，Lafferty 等［8］提出基于条件随机场（Conditional Random Fields，CRF）来解决分词和序列标注问题。……