将词典融入深度神经网络用于中文临床命名实体识别
计算与语言
2018-04-16 v1
摘要
临床命名实体识别（CNER）旨在识别和分类电子健康记录中的临床术语，如疾病、症状、治疗、检查和身体部位，这是临床和转化研究的基础且关键的任务。近年来，深度神经网络在命名实体识别和许多其他自然语言处理（NLP）任务中取得了显著成功。这些算法大多进行端到端训练，能够自动从大规模标注数据集中学习特征。然而，这些数据驱动的方法通常缺乏处理罕见或未见实体的能力。以往的统计方法和特征工程实践表明，人类知识可以为处理罕见和未见情况提供有价值的信息。在本文中，我们通过将词典融入深度神经网络来解决中文 CNER 任务的问题。我们提出了两种扩展双向长短期记忆（Bi-LSTM）神经网络的不同架构和五种不同的特征表示方案来处理该任务。在 CCKS-2017 Task 2 基准数据集上的计算结果表明，与最先进的深度学习方法相比，所提出的方法取得了极具竞争力的性能。
引用
@article{arxiv.1804.05017,
title = {Incorporating Dictionaries into Deep Neural Networks for the Chinese Clinical Named Entity Recognition},
author = {Qi Wang and Yuhang Xia and Yangming Zhou and Tong Ruan and Daqi Gao and Ping He},
journal= {arXiv preprint arXiv:1804.05017},
year = {2018}
}
备注
21 pages, 6 figures