轻松入门自然语言处理系列 项目3 基于Linear-CRF的医疗实体识别

前言

本文主要介绍了以Linear-CRF为基础模型进行医疗实体识别的案例，主要包含项目概况、核心技术、项目实施3部分内容，由浅入深、适合初学者。

一、项目概况

1.项目描述

实体识别，简称 NER，是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等，以及时间、数量、货币、比例数值等文字。如*ACM 宣布，深度学习的三位创造者 Yoshua Bengio，Yann LeCun，以及 Geoffrey Hinton 获得了 2019 年的图灵奖。*这句话中的实体有：ACM是机构名，Yoshua Bengio、Yann LeCun、Geoffrey Hinton是人名，2019 年是时间。医疗实体识别是识别出文本中一些具有特定医疗意义的实体，如疾病名、身体部位、治疗方法等。本项目基于 CRF 模型来进行医疗实体识别。

本项目会涉及到实体识别建模的各个流程：

• 数据标注：使用实体识别中数据标注的技术，对数据按照特定的方式进行标注。

• 文本特征工程：通过文本特征工程技术，构造出对本问题可能有效的特征。

• 模型训练：使用CRF和BiLSTM-CRF模型进行模型训练。

• 模型评估：评估一个实体识别模型的好坏。

2.数据描述

项目实验数