生物醫(yī)學(xué)命名實體識別（BNER）對促進醫(yī)學(xué)信息學(xué)研究具有重要意義。針對現(xiàn)有方法識別精度和效率低,特別是不能很好識別組成復(fù)雜和罕見的生物醫(yī)學(xué)名稱問題,提出一種基于詞典注意力雙向門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)和CRF（DABGC）BNER的方法。通過一種高效多模態(tài)匹配方法對生物醫(yī)學(xué)詞典進行高效匹配,使用雙向GRU網(wǎng)絡(luò)輸出包含上下文信息的隱狀態(tài)。引入多頭注意力機制解析詞之間的聯(lián)系,通過權(quán)重的方式將詞典匹配結(jié)果和注意力機制進行結(jié)合,融合CRF計算出最優(yōu)標(biāo)簽序列。在NCBI疾病和BC5CDR化學(xué)數(shù)據(jù)集上,DABGC獲得最高F1分?jǐn)?shù)分別為0.868和0.921。 

【文章頁數(shù)】：6 頁

【文章目錄】：
0 引 言
1 DABGC方法系統(tǒng)結(jié)構(gòu)
2 DABGC方法設(shè)計
    2.1 數(shù)據(jù)預(yù)處理和詞嵌入訓(xùn)練
    2.2 詞典匹配方法
    2.3 門控循環(huán)單元
    2.4 多頭注意力機制
    2.5 算法設(shè)計
3 實驗及分析
    3.1 數(shù)據(jù)集和實驗設(shè)置
    3.2 詞典權(quán)重效果對比
    3.3 詞典注意力效果對比
    3.4 性能對比
4 結(jié) 語



本文編號：3683299