于 清，马志龙，徐 春

（新疆财经大学信息管理学院,新疆 乌鲁木齐 830012）

0 引 言

实体识别和关系抽取是信息抽取领域中的核心任务，而医疗领域相对于其他领域，具有实体和关系数量较多、种类繁杂、命名不规则等难点［1］。如何从医疗文本中提取知识是医疗领域的热点问题。电子病历中蕴含着大量真实且与病人密切相关的医疗信息，从中有效提取实体及其关系，对构建医疗知识图谱、医疗问答、辅助决策具有重要的现实意义［2-4］。

目前，在实体关系抽取任务中，基于循环神经网络［5］和卷积神经网络［6］等神经网络技术［7-8］的深度学习架构日渐成熟，并逐渐被应用于医疗领域中。Uzuner等［9］根据出院摘要，首次对医疗语义关系进行分类研究。Sunil 等［10］首次将CNN 模型运用到电子病历的关系抽取中，但此方法不适于距离较远的实体间的识别和抽取。2019 年，谷歌基于Transformer 模型提出了BERT 网络模型［11］，并且在关系抽取的相关工作中取得了良好效果。

为进一步提高关系抽取的效果，一些学者开始融合多种方法进行实体识别和关系抽取。Zhang 等［12］在BERT 模型的基础上，提出了基于Bi-LSTM-CRF的关系抽取优化方法，成功从临床乳腺癌文档中提取出相关概念及属性。Christopoulou 等［13］引入注意力机制和Transform 网络，实现药物-药物在句子内和句子间关系的提取和分类。武小平等［14］针对中文以词为单位的特性，提出了改进的BERT(wwm)-CNN 模型，实现心血管疾病领域的实体识别及关系抽取。李丽双等［15］针对位置向量噪声和语义表达匮乏等问题，提出了基于BiLSTM-CNN 的关系抽取模型，取得了i2B2/VA语料的最优结果。……