构建中文临床文本的综合句法与语义语料库
计算与语言
2016-11-09 v2
摘要
目标：构建一个涵盖中文临床文本句法与语义标注的综合语料库，并附带相应的标注指南与方法，以及开发基于该标注语料库训练的工具，为临床领域中文文本研究提供基线。材料与方法：提出一种迭代标注方法来培训标注人员并制定标注指南。随后，通过采用标注质量保证措施，构建了一个综合语料库，包含词性（POS）标签、句法标签、实体、断言与关系的标注。计算标注者间一致性（IAA）以评估标注质量，并基于我们的标注语料库开发了中文临床文本处理与信息抽取系统（CCTPIES）。结果：句法语料库由 138 篇中文临床文档组成，包含 47,424 个 token 和 2553 棵完整解析树，而语义语料库包含 992 篇文档，标注了 39,511 个实体及其断言和 7695 个关系。IAA 评估显示该综合语料库质量良好，且系统模块有效。讨论：该标注语料库对临床领域中文文本的自然语言处理（NLP）研究做出了重要贡献。然而，该语料库存在若干局限。应引入更多类型的临床文本以提高语料库覆盖率，并应采用主动学习方法来提升标注效率。结论：本研究提出了针对中文临床文本的若干标注指南与一种标注方法，并构建了一个带有其 NLP 模块的综合语料库，为进一步将 NLP 技术应用于临床领域中文文本的研究奠定了基础。
引用
@article{arxiv.1611.02091,
title = {Building a comprehensive syntactic and semantic corpus of Chinese clinical texts},
author = {Bin He and Bin Dong and Yi Guan and Jinfeng Yang and Zhipeng Jiang and Qiubin Yu and Jianyi Cheng and Chunyan Qu},
journal= {arXiv preprint arXiv:1611.02091},
year = {2016}
}
备注
27 pages, submitted to Journal of Biomedical Informatics