[发明专利]一种中文症状体征构成识别方法

说明书

本发明提供了一种中文症状体征构成识别方法。该方法包括：将中文症状体征分解为11种症状体征的构成成分；根据症状体征的构成成分为中文症状体征中的每个汉字标注，得到每个汉字表示症状体征的构成情况的标签序列；对中文症状体征数据进行数据预处理，得到汉字特征向量和对应的词性特征向量；将所述汉字特征向量和词性特征向量利用双向LSTM神经网络来训练得到输入症状体征的特征向量；将所述症状体征的特征向量利用条件随机场来对每个汉字进行标注，得到症状体征的标签序列；在神经网络的训练过程中，利用已有的类型‑成分词典生成人工数据帮助训练。相比于现有技术，本发明能够很好的识别中文症状，识别正确率得到很大的提高。

技术领域

本发明涉及中文文本标注技术领域，更为具体地，尤其涉及一种中文症状体征构成识别方法。

背景技术

电子病历系统目前在国内外得到了广泛的应用，而要实现医疗信息的电子化，进而在其上进行数据挖掘，医疗文本的结构化便显得尤为重要。中文症状构成的识别有助于更精确地把握症状所表达的含义。

中文症状体征构成识别旨在识别出症状体征中的构成成分，其本质上是自然语言处理中的分词与词性识别。目前分词与词性识别通常使用机器学习方法求解，常见的方法包括：最大熵模型、隐马尔科夫模型、条件随机场模型、深度神经网络等。然而，当前中文症状体征构成识别在实际应用中的效果不尽如人意，一方面是由于不同领域对识别的要求各不相同，对于中文症状体征需要进行专门的构成分析，单纯用常规的分词及词性标注方法对症状进行切分，并不能完全满足需要；另一方面是由于中文症状体征的描述丰富多样，其构成元素复杂多变，因而需要大规模的训练语料进行学习，而训练语料的构造往往需要很高的人力成本。

本发明寻求一种能够解决上述问题的方法，将症状按字进行分割，将预处理得到汉字特征向量和对应的词性特征向量，传入到LSTM神经网络，利用双向LSTM神经网络来训练得到输入症状体征的特征向量，利用条件随机场(CRF)来对每个汉字进行标注，得到症状体征的标签序列。

发明内容

针对现有技术中的缺陷，本发明提供了一种基于词典和Bi-LSTM-CRF的中文症状体征构成识别方法。

依据本发明的一个方面，提供了一种中文症状体征构成识别方法，包括：

将中文症状体征分解为11种症状体征的构成成分，包括：原子症状、部位词、中心词、连接词、否定词、程度词、情景限定词、方位词、感觉词、特征词、其它修饰词；

根据症状体征的构成成分为中文症状体征中的每个汉字标注，得到每个汉字表示症状体征的构成情况的标签序列；

对中文症状体征数据进行数据预处理，得到汉字特征向量和对应的词性特征向量；

将所述汉字特征向量和词性特征向量传入到LSTM神经网络，利用双向LSTM神经网络来训练得到输入症状体征的特征向量；

将所述症状体征的特征向量利用条件随机场来对每个汉字进行标注，得到症状体征的标签序列；

在神经网络的训练过程中，利用已有的类型-成分词典生成人工数据帮助训练。

其中，利用训练语料或者已有词典收集症状和体征的构成成分构建类型-成分词典。人工数据是使用类型-成分词典，对训练语料中的每一个症状或体征，将其中的构成成分替换成词典中相同类型的其它构成成分，并将新的症状体征加入到训练集中。

汉字特征向量和词性特征向量是：预训练的汉字特征向量和词性特征向量或者随机初始化并且由神经网络训练出的汉字特征向量和词性特征向量。词性特征包括：位置无关词性特征和位置有关词性特征。词性特征的表示方式包括：独热编码或分布式表示。

在其中的一实施例，根据症状体征的构成成分为中文症状体征中的每个汉字标注，得到每个汉字表示症状体征的构成情况的标签序列包括如下步骤：