[发明专利]电子病历处理方法、模型训练方法及相关装置

说明书

本申请提出一种电子病历处理方法、模型训练方法及相关装置，涉及自然语言处理技术领域，通过基于卷积算法、Attention机制和前馈神经网络算法构建的语义连接网络，利用该语义连接网络对训练样本序列进行处理，以学习训练样本序列的深层语义信息后，将得到的语义标注序列作为第二前馈神经网络的输入，从而得到训练样本序列对应的初始预测结果，然后基于概率转移机制对初始预测结果进行更新，得到更为精确的更新预测结果，进而基于更新预测结果和训练样本序列对应的训练标注结果，更新序列标注网络模型的模型参数，相比于现有技术，使序列标注网络模型能够充分学习到样本序列的深层语义信息及长距离特征信息，能够提升序列标注的准确度。

技术领域

本申请涉及自然语言处理技术领域，具体而言，涉及一种电子病历处理方法、模型训练方法及相关装置。

背景技术

序列标注任务是自然语言处理(Natural Language Processing，NLP)中较为重要的一类任务，尤其在自然语言序列、时间序列等任务中较为常见，比如分词任务、实体识别任务、时间序列任务、词性标注任务等等，都可以归类为序列标注任务的应用场景。

然而，目标用于解决序列标注任务的方案中，由于难以学习到序列的深层语义含义，导致序列标注的准确度往往较低。

发明内容

本申请的目的在于提供一种电子病历处理方法、模型训练方法及相关装置，能够提升序列标注的准确度。

为了实现上述目的，本申请实施例采用的技术方案如下：

第一方面，本申请实施例提供一种序列标注网络模型训练方法，所述方法包括：

获得训练样本序列及所述训练样本序列对应的训练标注结果；

利用语义连接网络对所述训练样本序列进行处理，得到语义标注序列；其中，所述语义连接网络包括M个依次串联的编码模块，每一所述编码模块包括多卷积层、注意力Attention层和第一前馈神经网络层；所述多卷积层、所述Attention层和所述第一前馈神经网络层共同用于对所述训练样本序列进行编码学习得到所述语义标注序列，M为正整数；

将所述语义标注序列作为第二前馈神经网络的输入，经处理后得到所述训练样本序列对应的初始预测结果；

根据概率转移矩阵对所述初始预测结果进行更新，得到所述训练样本序列对应的更新预测结果；

基于所述更新预测结果及所述训练标注结果，更新所述序列标注网络模型的模型参数。

第二方面，本申请实施例提供一种电子病历处理方法，所述方法包括：

获得接收的电子病历文本中包含的多个待识别序列；

将每一所述待识别序列输入至利用上述的序列标注网络模型训练方法更新模型参数后的序列标注网络模型并进行处理，得到每一所述待识别序列对应的预测实体标注序列；

根据所有所述预测实体标注序列，生成所述电子病历文本对应的医学知识图谱。

第三方面，本申请实施例提供一种序列标注网络模型训练装置，所述装置包括：

第一处理模块，用于获得训练样本序列及所述训练样本序列对应的训练标注结果；

所述第一处理模块还用于，利用语义连接网络对所述训练样本序列进行处理，得到语义标注序列；其中，所述语义连接网络包括M个依次串联的编码模块，每一所述编码模块包括多卷积层、注意力Attention层和第一前馈神经网络层；所述多卷积层、所述Attention层和所述第一前馈神经网络层共同用于对所述训练样本序列进行编码学习得到所述语义标注序列，M为正整数；

所述第一处理模块还用于，将所述语义标注序列作为第二前馈神经网络的输入，经处理后得到所述训练样本序列对应的初始预测结果；