[发明专利]电子病历实体关系抽取方法及装置

摘要

本公开公开一种电子病历实体关系抽取方法及装置，属于医疗数据挖掘领域。该方法包括：通过卷积神经网络模型和词向量化表示，获取电子病历自然语句映射后的矩阵；将测试的电子病历自然语句输入至已训练的卷积神经网络模型，得到特征向量；将特征向量输入至已训练的分类器，抽取所述测试的电子病历自然语句的实体关系。这样，利用了卷积神经网络模型的优势，挖掘出电子病历自然语言中实体之间的关系，为自动学习电子病历信息提供了技术途径。

主权项

1.一种电子病历实体关系抽取方法，其特征在于，所述方法包括：/n将每条电子病历自然语句的词都独立分割出来：/nW_n＝{w₁,w₂,w₃,…,w_n}/n其中，W_n表示一条语句分割后的词向量，n表示语句中词的个数；/n将每个词映射为一个m维的向量；/n将映射后的所述每条电子病历自然语句表示为n×m的矩阵，其中，矩阵的列维数为m，行维数为所述词的个数n；/n将测试的电子病历自然语句输入至已训练的卷积神经网络模型，得到特征向量，在训练所述卷积神经网络模型时，对连续n个词的窗口进行打分f(w_t-n+1,…,w_t-1，w_t)，所述卷积神经网络模型的最小化目标函数为：/n /n其中，χ为训练语料中所有连续n元短语，D为包含所有单词的词典，x^(w)表示将短语x中最中间的词随机替换成w；/n将所述特征向量输入至已训练的分类器，抽取所述测试的电子病历自然语句的实体关系，/n其中，在所述将测试的电子病历自然语句输入至已训练的卷积神经网络模型，得到特征向量的步骤之前，所述方法还包括：/n滑动卷积核，得到与映射后的所述电子病历自然语句的矩阵的卷积结果；/n根据所述卷积结果，经过最大池化层得到所述电子病历自然语句的特征；/n利用已有的电子病历训练集数据和所述特征，对所述卷积神经网络模型进行训练，得到卷积核参数和分类器参数，/n其中，所述利用已有的电子病历训练集数据和所述特征，对所述卷积神经网络模型进行训练，得到卷积核参数和分类器参数的步骤包括：/n选取已有的电子病历训练集数据，将所述已有的电子病历训练集数据的实体关系进行分类标注；/n根据所述分类标注和经过最大池化层得到的特征，训练所述卷积神经网络模型，得到卷积核参数和分类器参数。/n