融合多特征及协同注意力的医学命名实体识别

针对当前中文医疗命名实体识别中未融合医学领域文本独有的特征信息导致实体识别准确率无法有效提升的情况，及单注意力机制影响实体分类效果的问题，提出一种基于多特征融合和协同注意力机制的中文医疗命名实体识别方法。利用预训练模型得到原始医学文本的向量表示，再利用双向门控循环神经网络（BiGRU）获取字粒度的特征向量。结合医疗领域命名实体鲜明的部首特征，利用迭代膨胀卷积神经网络（IDCNN）提取部首级别的特征向量。使用协同注意力网络（co-attention network）整合特征向量，生成<文字-部首>对的双相关特征，再利用条件随机场（CRF）输出实体识别结果。实验结果表明，在CCKS数据集上，相较于其他的实体识别模型能取得更高的准确率、召回率和F1值，同时虽然增加了识别模型的复杂程度，但性能并没有明显的降低。