一种基于最短依存子树的电子病历实体关系抽取方法

摘要

本发明提出一种基于最短依存子树的电子病历实体关系抽取方法。该发明首先通过依存句法分析从原始句子中提取基于实体的最短子树来压缩句子长度，然后通过双向长短期记忆（Bidirectional Long Short‑Term Memory,BLSTM）神经网络对语句进行编码，再通过最大池化层（Max Pooling）学习句子的最终语义表示，最终通过softmax分类器分类得到实体关系。该方法不仅可以删除噪声词汇和压缩语句长度，同时完整地保留了表征实体之间关系的关键单词，使得压缩后的语句语义关系更加明确，克服现有电子病历实体关系抽取模型由于语句过长而造成不能很好地表示语句的语义信息的问题，提升了关系抽取模型的性能。