基于多式联络信息融合和混合注意力机制的中医命名实体认可
Zhen Luo1, Jingping Che1, Fan Ji1
1School of Artificial Intelligence, Zhoukou Normal University, Zhoukou, Henan, China.
PloS one
|June 11, 2025
概括
这项研究引入了一种新的多式联络方法,用于中医命名实体识别 (CMNER),通过融合字符和词级特征来提高准确性. 该方法显著提高了在文本中的医疗实体的识别.
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:
- 当前的中医命名实体识别 (CMNER) 方法通常依赖于单模数据,限制它们捕获全面信息的能力.
- 现有的方法无法充分利用不同数据特征的互补性,影响识别准确性.
研究的目的:
- 为CMNER开发一种多式联通信息融合方法,整合混合注意力机制.
- 提高医疗实体识别在非结构化的中国医学文本中的准确性和稳定性.
主要方法:
- 采用双流网络来提取字符和单词层面的多式联络特征.
- 利用跨流注意力,用于交叉方式信息交换和捕获全球依赖关系.
- 集成多头注意力,以改善特征表示和实体边界划分.
- 整合了一个有条件随机场 (CRF) 层,用于强大的实体预测和全球一致性.
主要成果:
- 在CMeEE-V2上获得了65.26%的F1分,在IMCS-V2-NER上达到80.31%,在CHIP-STS上达到86.73%.
- 与现有模型相比,在多个数据集中表现出卓越的性能.
- 在医疗实体识别准确性和评估指标方面显著改进.
结论:
- 拟议的多式联通融合方法有效地提高了CMNER的性能.
- 混合注意力机制和先进的网络架构的整合导致更准确和更强大的医疗实体识别.
- 这种方法为推进医学领域的信息提取提供了一个有希望的方向.
