Resumen

La información médica contenida en los registros médicos electrónicos tiene un alto valor en la investigación clínica, y el reconocimiento de entidades médicas es clave para extraer información valiosa de textos médicos a gran escala. En la actualidad, la mayoría de los estudios sobre el reconocimiento de entidades médicas en chino se basan en un modelo de vectores de caracteres o un modelo de vectores de palabras. Debido a la complejidad y especificidad del texto en chino, los métodos existentes pueden no lograr un buen rendimiento. En este estudio, proponemos un método de reconocimiento de entidades médicas en chino que fusiona vectores de caracteres y de palabras. El método expresa los textos en chino como vectores de caracteres y vectores de palabras por separado y los fusiona en el modelo para obtener características. El modelo propuesto puede evitar eficazmente los problemas de información faltante en los vectores de caracteres y de particionamiento inexacto de los vectores de palabras. En el conjunto de datos CCKS 2019 para la tarea de reconocimiento de entidades nombradas en registros médicos electr

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Información médica; Historias clínicas electrónicas; Reconocimiento de entidades nombradas; Texto en chino; Vectores de caracteres; Vectores de palabras
• Keywords:Medical information; Electronic medical records; Named entity recognition; Chinese text; Character vectors; Word vectors