基于BiLSTM+CRF的医疗领域命名实体识别

1. 数据介绍

原始数据集主要包括病例和医疗命名实体字典， 病例数据如下图所示，每份病例都存储在一个txt文件中

医疗命名实体字典如下所示

2. 项目任务

2.1 数据标注

本次使用双向最大匹配+实体词典进行实体自动标注；具体过程参考：双向最大匹配和实体标注：你以为我只能分词? 采用的实体标注格式为BIO；BIO格式就是说，对于实体词，第一个字标注为B，其他的字标注为I；对于非实体词，每个字都标注为O

补充：前向最大匹配法原理
（1）计算词典中实体的最大长度，作为截取句子片段的最大长度
（2）对句子进行分词和标注的一个原则是：单个词（实体）的长度尽可能大。所以会先按最大长度从句子中截取片段，去词典中匹配，匹配中了，就切分出来
（3）按最大长度匹配不中，那么最大长度减一，再去截取句子片段，去词典中匹配，直到匹配中，或者截取的长度减小至一
注意：前向匹配是指从左向右匹配，后向指从右向左

例：
假设句子为：我最近双下肢疼痛，我该咋办，句子中有个两个实体，出现在实体词典中：双下肢疼痛、疼痛，假设实体词典中的最大长度为10



双向最大匹配就是，将前向最大匹配的切分结果，和后向最大匹配的结果进行比较，按一定的规则选择其一作为最终的结果
（1）如果前向和后向切分结果的词数不同，则取词数较少的那个
（2）如果词数相同 ：（a）切分结果相同，则返回任意一个；（b）切分结果不同，则返回单字较少的那个

数据标注任务的分析
双向最大匹配算法不仅可以用于分词，也可以用于序列标注，速度快且准确率高，不会分出奇怪的词或实体，但也难以正确处理未登录词。由于完全依赖词典，通用性不强，所以比较适用于处理具体领域的任务，比如医疗领域

2.2 数据预处理

关于数据
标注好的医疗实体数据集，训练集、验证集和测试集的数量分别为：101218 / 7827 / 16804，医疗实体有15类：
数据如下形式：
预处理
（1）首先将标注好的数据集，整理成样本，每个样本是一个句子； 即将上面格式整理成如下列表形式

[[['无', 'O'], ['长', 'B-Dur'], ['期', 'I-Dur'], ['0', 'O'], ['0', 'O'], ['0', 'O'], ['年', 'O']], [样本2]]

（2）将IOB格式转换成IOBES格式【IOBES这种标记方式按道理是更好的，因为提供了更丰富的信息，用特定的符号来标记开头和结尾，便于在预测时提取实体】
（3）建立字与id的映射，标签与id的映射， 将样本转换成id，最后进行词嵌入
（4）其他处理：（a）对句子进行分词后，提取的词长度特征，作为字向量特征的补充，每个字的长度特征为0~3的一个id，后面我们把这个id处理为20维的向量，和100维的字向量进行拼接，得到120维的向量。（b）构造batch时采用桶机制，可以加快训练速度

句子：
"循环系统由心脏、血管和调节血液循环的神经体液组织构成"

分词结果：
['循环系统', '由', '心脏', '、', '血管', '和', '调节', '血液循环', '的', '神经', '体液', '组织', '构成']

长度特征：
[1, 2, 2, 3, 0