(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210220870.4 (22)申请日 2022.03.08 (71)申请人 安徽理工大 学 地址 232001 安徽省淮南市山 南新区泰丰 大街168号 (72)发明人 李晓庆　朱广丽　张顺香　吴厚月　 许鑫　苏明星　李健　黄菊　 魏苏波　孙争艳　张镇江　赵彤　 (51)Int.Cl. G06F 40/279(2020.01) G06F 40/216(2020.01) G06F 40/30(2020.01) G06F 40/58(2020.01) G06F 40/242(2020.01) G06F 16/31(2019.01) G06N 3/04(2006.01)G16H 50/70(2018.01) (54)发明名称 一种融合部首信息的医疗领域因果关系抽 取方法 (57)摘要 本发明公开了一种融合部首信息的医疗领 域因果关系抽取方法， 涉及数据挖掘技术领域， 包括： 通过网络爬虫获取中文医疗 领域文本数据 集， 再对获取到的数据进行预处理， 采用谷歌翻 译技术将文本中的英文专业名词转化为中文， 利 用在线新华字典获取所有字符的部首， 再利用 Word2Vec架构对部 首进行增量训练， 得到部 首特 征表示， 然后将部首特征向量与字符特征向量拼 接， 得到融合部首信息的字符特 征。 权利要求书1页 说明书4页 附图2页 CN 114580389 A 2022.06.03 CN 114580389 A 1.一种融合部首信息的医疗领域因果关系抽取 方法， 其特 征在于包括如下步骤： 步骤1： 数据获取。 获取医疗领域文本数据集合D＝{D1,D2...Dn},Di表示第i个文本， 1≤i ≤n,n为集合D中的文本总数； 步骤2： 对获取的文本数据进行 预处理， 其基本步骤如下： 步骤2.1： 去除文本中的停用词、 网页标签等， 进行分词； 步骤2.2： 将文本提取成结构化数据， 装 入数据库； 步骤3： 将文本数据中的英文专业 术语转化为中文， 其基本步骤如下： 步骤3.1： 利用ASCI I码值定位数据集中的英文专业 术语； 步骤3.2： 利用谷歌翻译接口将英文专业术语转化为中文， 得到仅含中文字符的数据 集； 步骤4： 部首 特征获取， 其基本步骤如下： 步骤4.1： 通过查询在线新华字典， 获取数据集中所有字符的部首， 对于没有部首的汉 字， 将字符本身看作词； 步骤4.2： 将部首看作词， 作为Word2Vec架构的输入， 对部首进行增量训练， 得到部首特 征向量表示； 步骤5： 融合部首信息的医疗领域因果关系抽取， 其基本步骤如下： 步骤5.1： 输入层， 对于医疗领域原始文本数据， 将句子输入到BERT模型中获取字符级 特征， 同时将部首输入到W ord2Vec中进行增量训练， 得到 部首特征表示； 步骤5.2： 接收字符特征与部首特征， 并通过查找嵌入字典输出两个嵌入矩阵， 将字符 与部首的向量 维数设为相同大小， 这样， 一个中文字符可以由两个向量序列来表示， 即字符 序列和部首序列； 步骤5.3： 表示层将字符信息与部首信息结合起来， 生成输入文本的全面表示， 利用双 向长短期记忆网络可以捕获前后上下文信息， 捕获双向的语义依赖， 考虑将部首特征作为 行向量拼接在字符特征之后， 将部首信息编码到字符特征向量中， 将文本分别通过BERT模 型和Word2Vec架构， 得到字 符特征与部首特征， 再将这两种独立的特征向量进行拼接， 得到 融合部首信息的文本特 征向量表示； 步骤5.4： 将表示层中Bi ‑LSTM的最终隐层状态作为输出， 并将其连接形成一个综合表 示。 然后将其输入到条件随机场模型中， 采用Softmax函数作为激活函数， 对每个词进行映 射得到条件概 率； 最后， 利用BIO序列标注方法对输出文本进行 标记， 得到最终抽取 结果； 步骤6： 序列标注， 用序列标注 的方式进行因果关系抽取， 需要对句子中的每个单词标 记相应的标签， B ‑cause表示原因事件的开始， B ‑effect表示结果事件的开始， I ‑cause表示 原因事件的中间词或结尾词， I ‑effect表 示结果事件的中间词或结尾词， O标签表 示这个词 既不属于原因事件也不属于结果事件， 对预测层的语句进行概率计算， 得到每个字符对应 的因果标签， 得到因果实体。权　利　要　求　书 1/1 页 2 CN 114580389 A 2一种融合部首信息的医疗领域因果关系抽取方 法 技术领域 [0001]本发明涉及医疗领域因果关系抽取， 尤其涉及一种融合部首信息的医疗领域因果 关系抽取 方法。 背景技术 [0002]目前， 医疗领域的信息化建设稳步开展， 现代化的医疗信息系统已经积累了海量 医疗数据。 随着数据的不断积累， 利用自然语言处理技术和深度学习的方法挖掘医疗领域 文本数据中蕴含的丰富信息， 已经成为医学领域和人工智能领域交叉研究的热点。 医疗领 域文本数据中蕴含着大量医疗活动的记录， 包含所患疾病、 药物、 检查和治疗结果等。 这些 信息是重要的临床数据， 对其进 行精确高效地分析和挖掘， 能给建立医学知识库、 构建临床 诊疗系统等提供理论和技术支持。 但是， 医疗领域文本数据与传统的文本有许多不同的特 征， 如包含大量英文实体名、 语义与部首高度相关等特性， 这些特性给 因果关系抽取来了新 的挑战。 此时， 就需要一个能融合部首信息、 丰富文本语义信息的因果关系抽取 方法。 [0003]目前， 人们对部首信息 的研究主要集中在命名实体识别领域。 汉字具有单字可成 词的特点， 且汉字的偏旁部首往往蕴含着重要的信息。 对部首信息的研究主要是通过条件 随机场模型、 双向长短期记忆网络模型等， 获取部首特征， 将部首特征融入到字符特征中， 实现文本语义信息的丰富， 得到融合部首信息的字符特 征向量表示。 [0004]对于得到的融合部首信息的字符特征表示， 还需将其作为因果关系抽取模型的输 入， 得到因果关系实体。 对于因果关系抽取的研究， 常用的方法为基于机器学习的方法和基 于深度学习的方法。 机器学习的方法首先建模成一个多分类问题， 提取特征向量后再使用 有监督的分类器进行事件抽取。 随着神经网络的火热研究， 将神经网络模型应用于因果关 系抽取中， 可以提高因果关系抽取准确效率。 但现有的方法很少考虑到字 符的部首特征， 导 致语义信息获取不够完善， 给因果关系抽取模型应用在医疗领域带来风险。 本文通过融合 部首信息， 对医疗领域文本数据进行因果关系抽取， 提高因果关系抽取准确率。 发明内容 [0005]为了解决上述问题， 本发明的目的在于提供一种融合部首信息的医疗领域因果关 系抽取方法。 [0006]为了达到上述目的， 本发明提供的一种融合部首信息的医疗领域因果关系抽取方 法是按以下步骤进行的： [0007]步骤1： 数据获取。 获取医疗领域文本数据集合D＝{D1,D2...Dn},Di表示第i个文 本， 1≤i≤n,n 为集合D中的文本总数； [0008]步骤2： 对获取的文本数据进行 预处理， 其基本步骤如下： [0009]步骤2.1： 去除文本中的停用词、 网页标签等， 进行分词； [0010]步骤2.2： 将文本提取成结构化数据， 装 入数据库； [0011]步骤3： 将文本数据中的英文专业 术语转化为中文， 其基本步骤如下：说　明　书 1/4 页 3 CN 114580389 A 3