MedRelNet:基于关系融合的中文医学文本实体关系联合抽取模型

为解决传统的实体关系抽取模型在中文医学文本上效果不佳的问题,提出了MedRelNet网络,采用多层次语义融合策略。MedRelNet的核心是新颖的关系融合模块(RelFuse),将关系信息融合到句子表示中,实现实体和关系的充分交互。同时,引入双向长短时记忆网络(BiLSTM),全面捕捉句子特征。实验结果显示,MedRelNet相对于基线模型在CMeIE中文医学数据集、DuIE和WebNLG通用数据集上分别取得了1.0、0.7和0.8个百分点的F1值提升,这不仅表明了MedRelNet在提取医学关系三元组方面的出色表现,还突显了其较强的泛化性能。

中文电子病历命名实体识别算法BLF-MarkBERT

随着深度学习技术的发展,中文命名实体识别在各个领域取得了显著进展,特别是在中文电子病历领域,它成为了医学信息管理领域的重要任务。中文电子病历命名实体识别从电子病历中自动识别和分类命名实体,提高了医学信息管理效率和临床决策支持,促进了医学智能信息化发展。为进一步提升效果,对MarkBERT方法进行研究,在其基础上改进并实现了一种融合双向长短时记忆网络和解码方式的深度学习模型BLF-MarkBERT。在CCKS2019数据集上的实验结果表明,BLF-MarkBERT在准确率P、召回率R和F1分数这三个评估指标上均优于对比算法,表明了该模型的优越性。