换一批结合数据增强与实体映射CasRel模型的名家医案联合关系抽取
Joint Relation Extraction of Famous Medical Cases with CasRel Model Combining Entity Mapping and Data Augmentation
摘要目的:针对中医名家医案的非结构化文言表述、实体关系嵌套及标注数据稀缺问题,构建结合数据增强与实体映射的联合关系抽取框架,为中医诊疗知识图谱构建及临床规律挖掘提供技术支撑.方法:构建名家医案文本实体及其关系的标注结构,采用数据增强策略,整合多部古籍扩充医案关系抽取数据集,设计适配中医语义的基于级联二值标记的关系联合抽取(CasRel)模型,引入中医经典文本预训练双向编码器表征法(BERT)编码层,增强对古汉语的语义表征,采用头实体-关系-尾实体映射机制,同步解决实体嵌套与关系重叠问题.结果:相较于基于流水线的Bert-Radical-Lexicon(BRL)-双向长短期记忆网络-注意力机制(BiLSTM-Attention)模型,结合数据增强与实体映射的联合关系抽取CasRel模型展现出了更为显著的性能优势,在病症关系、舌证关系、因证关系、方证关系等共12类关系的综合精确率为65.73%、召回率为64.03%、F1值为64.87%,比流水线的BRL-BiLSTM-Attention模型的综合精确率、召回率、F1值分别提升14.26%、7.98%、11.21%.其中舌证关系(F1值为69.32%,提升22.68%)提升显著,方证关系表现最优(F1值为70.10%,提升9.93%).结论:该研究通过数据增强与联合解码,显著改善中医文本的语义隐含与实体间复杂依赖性问题,为中医医案结构化挖掘提供可复用技术框架,所构建的知识图谱可支撑临床辨证选方与用药配伍优化,也为中医人工智能研究提供方法论参考.
更多相关知识
关键词
数据增强名家医案关系抽取联合方法基于级联二值标记的关系联合抽取(CasRel)模型知识图谱data augmentationfamous medical casesrelationship extractionjoint learning approachcascade binary tagging framework for relation triple extraction(CasRel)modelknowledge graph
栏目名称
DOI
10.13422/j.cnki.syfjx.20251866
发布时间
2026-01-24（万方平台首次上网日期，不代表论文的发表时间）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
