《表1 CCKS 2017面向电子病历的命名实体识别任务收录论文汇总》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《中文电子病历的命名实体识别研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Liu等[12]设计不同特征模板和上下文窗口进行条件随机场的学习训练，进行模型实体识别效率的比对分析，以寻找最佳的电子病历特征模板和上下文窗口。Liu等[13]在i2b2 2010，2012和2014语料上实验对比了BiLSTM-CRF与传统的CRF实体识别算法的性能，结果表明Bi-LSTM-CRF性能较好。CCKS 2017学术评测任务二：面向电子病历的命名实体识别，共收录了7篇论文[14-20]，研究内容和测评结果等见表1。总体上看，7篇论文均有对Bi-LSTM-CRF（或Bi-LSTM）算法模型的实现；均采用“字粒度”模型使用word2vec工具[21]将输入文本特征向量化表示。Zhang等[22]利用CCKS 2017开放的电子病历语料，分别采用CRFs和Bi-LSTM-CRF两种统计机器学习算法从电子病历数据集中识别疾病、身体部位和治疗等信息，并对两种方法进行了对比分析，发现后者性能较好。Qiu等[23]为提高循环神经网络模型的训练速度，提出了残差卷积神经网络条件随机场模型（RD-CNN-CRF）在CCKS 2017开放测试语料上获得了较Bi-LSTM-CRF更高的训练速度和F1值。CCKS 2018学术评测任务一：面向中文电子病历的命名实体识别，共收录论文2篇，分别是Yang等[24]将词嵌套、词性、偏旁部首、拼音、词典和规则特征作为条件随机场（CRFs）的学习特征，实验F1值为89.26%；Luo等[25]基于多特征（如标点符号、分词和词典等特征）融合，整合CNN-CRF，Bi-LSTM-CRF，BiLSTM-CNN-CRF，Bi-LSTM+CNN-CRF和Lattice LSTM五种神经网络模型，实验F1值最高达到了88.63%（表1）。