已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

Chinese clinical named entity recognition via multi-head self-attention based BiLSTM-CRF

计算机科学 条件随机场 人工智能 水准点(测量) 性格(数学) 嵌入 命名实体识别 特征(语言学) 自然语言处理 任务(项目管理) 深度学习 语言学 哲学 几何学 数学 管理 大地测量学 经济 地理
作者
Ying An,Xianyun Xia,Xianlai Chen,Fang-Xiang Wu,Jianxin Wang
出处
期刊:Artificial Intelligence in Medicine [Elsevier]
卷期号:127: 102282-102282 被引量:52
标识
DOI:10.1016/j.artmed.2022.102282
摘要

Clinical named entity recognition (CNER) is a fundamental step for many clinical Natural Language Processing (NLP) systems, which aims to recognize and classify clinical entities such as diseases, symptoms, exams, body parts and treatments in clinical free texts. In recent years, with the development of deep learning technology, deep neural networks (DNNs) have been widely used in Chinese clinical named entity recognition and many other clinical NLP tasks. However, these state-of-the-art models failed to make full use of the global information and multi-level semantic features in clinical texts. We design an improved character-level representation approach which integrates the character embedding and the character-label embedding to enhance the specificity and diversity of feature representations. Then, a multi-head self-attention based Bi-directional Long Short-Term Memory Conditional Random Field (MUSA-BiLSTM-CRF) model is proposed. By introducing the multi-head self-attention and combining a medical dictionary, the model can more effectively capture the weight relationships between characters and multi-level semantic feature information, which is expected to greatly improve the performance of Chinese clinical named entity recognition. We evaluate our model on two CCKS challenge (CCKS2017 Task 2 and CCKS2018 Task 1) benchmark datasets and the experimental results show that our proposed model achieves the best performance competing with the state-of-the-art DNN based methods.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
程勋航发布了新的文献求助10
1秒前
辜月十二完成签到 ,获得积分10
1秒前
5秒前
7秒前
8秒前
彭于晏应助程勋航采纳,获得10
9秒前
吴彦祖发布了新的文献求助10
10秒前
13秒前
科研通AI2S应助fengyuke采纳,获得10
13秒前
兴奋元冬发布了新的文献求助10
15秒前
16秒前
烟雾里完成签到 ,获得积分10
17秒前
无尽夏完成签到 ,获得积分10
19秒前
Maqian发布了新的文献求助10
19秒前
大模型应助兴奋元冬采纳,获得10
20秒前
杳鸢应助科研通管家采纳,获得10
24秒前
Omega应助科研通管家采纳,获得10
24秒前
杳鸢应助科研通管家采纳,获得30
24秒前
杳鸢应助科研通管家采纳,获得30
24秒前
寻道图强应助科研通管家采纳,获得30
24秒前
科研通AI2S应助科研通管家采纳,获得10
24秒前
26秒前
帅气冰菱发布了新的文献求助10
32秒前
35秒前
wzh完成签到 ,获得积分10
39秒前
40秒前
zhaoxiao完成签到 ,获得积分10
41秒前
41秒前
42秒前
wwww发布了新的文献求助10
44秒前
45秒前
田改发布了新的文献求助10
45秒前
斯文败类应助帅气冰菱采纳,获得30
47秒前
吴彦祖完成签到,获得积分10
54秒前
研友_5Y9Z75完成签到 ,获得积分0
1分钟前
zzz完成签到,获得积分10
1分钟前
1分钟前
1分钟前
虞安完成签到,获得积分10
1分钟前
田改完成签到,获得积分10
1分钟前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 890
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256777
求助须知:如何正确求助?哪些是违规求助? 2898945
关于积分的说明 8303121
捐赠科研通 2568188
什么是DOI,文献DOI怎么找? 1394887
科研通“疑难数据库(出版商)”最低求助积分说明 652924
邀请新用户注册赠送积分活动 630631