吕愿愿，邓永莉，刘明亮，崔宇佳，陆起涌

1 复旦大学信息科学与工程学院，上海市，200433

2 复旦大学信息学院智慧网络与系统研究中心，上海市，200433

利用实体与依存句法结构特征的病历短文本分类方法

【作者】吕愿愿1，邓永莉1，刘明亮1，崔宇佳1，陆起涌2

1 复旦大学信息科学与工程学院，上海市，200433

2 复旦大学信息学院智慧网络与系统研究中心，上海市，200433

近年来，电子病历文本的分类、挖掘成为医学大数据研究的基础。该文提出一种利用实体与依存句法结构分析构特征集的电子病历短文本分类方法。首先对病历文本进行自然语言处理，包括分句、分词、词性标注以及实体提取，构建实体词典，利用TF-IDF方法构建词-文本矩阵并利用潜在语义分析LSA方法进行词汇特征的选择，然后分析病历文本的依存句法关系，挖掘出词汇之间的依存关系并构建特征三元组作为分类特征的扩展，最后构建出分类特征向量集对病历短文本进行分类。实验证明，相比于未进行特征扩展的短文本分类，所提方法能有效地提高分类器的分类性能，其分类的准确率与F值均有明显的提高。

电子病历；短文本；TF-IDF；LSA；依存句法结构分析；特征三元组

0 引言

现代医学的快速发展产生大量有价值的临床医学数据，从临床医学文本中挖掘出隐含的生物医学与临床医学知识对于医学领域信息抽取、医学大数据挖掘以及现代医学的发展具有十分重要的意义。临床数据主要以非结构化或者半结构化的形式存在于病人的病历之中。……