Метод распознавания именованных сущностей в психомедицине на основе многоуровневой извлечения признаков и многогранной фузии внедрений

Основные аспекты метода распознавания именованных сущностей (NER)

Распознавание именованных сущностей (NER) в психомедицине является одной из ключевых задач обработки естественного языка в этой области. Оно направлено на идентификацию и классификацию специализированных терминов в психомедицинских текстах и предоставляет мощную поддержку для последующих задач. Тексты в психомедицине характеризуются длинными абзацами, сложными предложениями и разбросанными знаниями.

Текущая модель NER, основанная на символах, имеет однослойное внедрение информации и не учитывает необходимую структурную и фонетическую информацию. Перенос моделей NER из общего домена в психомедицинский неэффективен для повышения точности распознавания сущностей. Для решения этой проблемы мы предлагаем метод NER на основе многоуровневой извлечения признаков и многогранной фузии внедрений (MFME-NER). Наша цель состоит в том, чтобы предоставить инновационное решение.

Создание нового подхода к распознаванию сущностей

В первую очередь мы вводим три различных уровня внедрений: символные, радикальные и пиньинь. Эти внедрения обогащают семантическое представление входного текста. Модель BERT была доработана, чтобы объединить функции всех слоев энкодера в выходных данных, что обеспечивает модель MFE-BERT с возможностью многоуровневой извлечения признаков. Символьные внедрения предварительно обучены с помощью модели MFE-BERT. Модель BiLSTM используется для извлечения признаков на уровне символов. Функции радикального и пиньинь внедрения извлекаются отдельно с помощью модели CNN (сверточная нейросеть), после чего выполняется слияние признаков. Наконец, векторы признаков на трех уровнях интегрируются с помощью механизма внимания в нейросети с затвором (GA-FNNAttention).

Экспериментальные результаты и анализ

Экспериментальные результаты показывают, что MFME-NER достигла значения F1 в 94,26% и 89,63% на самостроенном психомедицинском наборе данных PsyDataset и наборах данных CBLUE соответственно. Предложенный метод превосходит в настоящее время используемые показания оценки, что подтверждает его обоснованность и эффективность.

Вклад в анализ психомедицинских данных

В данной работе мы вносим вклад в анализ психомедицинских данных, улучшая существующие модели и предложив новый метод с фокусом на многоуровневую извлечение признаков и многогранную фузию. Эти характеристики делают NER технологию важным инструментом в области психомедицины.

Заключение и дальнейшие шаги

Наша работа говорит о необходимости дальнейшего расширения набора данных, оптимизации моделей и повышения кросс-доменной способности. Подход требует улучшений, чтобы учесть широкий спектр понятий в области психомедицины и их сложные характеристики.

Мы считаем, что результаты нашего исследования будут полезны для практических применений, касающихся терапии и индивидуальных медицинских подходов.