克拉特:一个级联的格子和根的变压器网络,用于中国医学的命名实体识别

科学领域:

• 自然语言处理自然语言处理.
• 医疗信息学 医疗信息学
• 人工智能的人工智能

背景情况:

• 中国医学命名实体识别 (NER) 对于处理非结构化医学文本至关重要.
• 现有的方法在中国医学语言的复杂性和广泛的术语上扎.
• 以前的方法不充分利用词汇和激进知识,限制了性能.

研究的目的:

• 为中国医疗NER提出一个新的联拉和根变压器 (CLART) 网络.
• 有效地整合词汇和根本信息,以提高实体识别.
• 提高复杂的中国医学文本的理解和利用.

主要方法:

• 构建一个平面格子 (字符-单词序列) 并为每个字符提取根组件.
• 采用一个格子变压器模块来捕捉字符-单词交互和词汇知识.
• 使用激进变压器模块来融合格子和激进特征,然后使用CRF解码器.

主要成果:

• 克拉特网络在中国医疗NER任务中表现出显著的有效性.
• 在两个公共数据集上的实验结果验证了拟议方法的性能.
• 级联方法成功地利用了词汇和根本信息.

结论:

• 拟议的CLART网络通过整合词汇和激进知识,为中国医疗NER提供了一种优越的方法.
• 这种方法增强了对医学术语的理解,并提高了实体识别的准确性.
• CLART为推进中医自然语言处理提供了一个强大的框架.