肝癌患者在线提问的命名实体识别研究:一种基于迁移学习的方法

摘要：

[目的]充分利用源领域标注语料和可重用的字嵌入预训练模型,解决目标领域标注语料稀缺的命名实体识别问题.[方法]选择以肺癌和肝癌为主题的患者在线问诊文本作为实验数据,提出一种结合实例迁移和模型迁移的KNN-BERT-BiLSTM-CRF框架,对仅有少量标注的肝癌患者提问文本进行跨领域命名实体识别.[结果]当实例迁移的k值设置为3时,KNN-BERT-BiLSTM-CRF模型的实体识别效果最优,F值为96.10％,相对无实例迁移提高了1.98％.[局限]该方法针对其他差异度较大的目标领域,如不同数据源或病种的实体识别迁移效果还有待验证.[结论]当目标领域标注语料有限时,可借助大型预训练模型的先验知识和领域外标注语料,使用跨领域迁移学习方法,提高命名实体识别的性能.

关键词：BERT、BiLSTM、命名实体识别、迁移学习

所属期刊栏目：3

分类号：TP391(计算技术、计算机技术)

资助基金：本文系中央高校基本科研业务费自主创新基金项目“面向社交网络的情感分析与观点挖掘方法研究”项目编号:0118516036

在线出版日期：2020-06-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：61-69