基于序列標注的中醫(yī)癥狀名識別技術(shù)研究

魏尊強,舒紅平,王亞強（成都信息工程學院軟件工程學院,成都 610225）

基于序列標注的中醫(yī)癥狀名識別技術(shù)研究

魏尊強,舒紅平,王亞強
（成都信息工程學院軟件工程學院,成都 610225）

傳統(tǒng)中醫(yī)學博大精深，隨著計算機技術(shù)在醫(yī)學領(lǐng)域應(yīng)用的不斷深入，大量中醫(yī)臨床記錄得以保留，為中醫(yī)學研究學習提供了有效途徑，而癥狀名識別是中醫(yī)臨床記錄研究的重要前提。中醫(yī)癥狀名識別可以看作一般文本中命名實體識別技術(shù)在中醫(yī)學領(lǐng)域的特殊應(yīng)用。我們采用命名實體識別中序列標注技術(shù)對中醫(yī)臨床記錄進行研究，并結(jié)合中醫(yī)臨床記錄領(lǐng)域特點，進行序列標注策略改進。通過HMM算法在序列標注策略改進前后實驗結(jié)果對比，改進后HMM算法在性能評價指標上優(yōu)于未改進之前，說明根據(jù)中醫(yī)臨床記錄特點進行的序列標注策略改進是有效的。

中醫(yī)癥狀名；命名實體；識別

1 引言

傳統(tǒng)中醫(yī)學博大精深，是我國歷代中醫(yī)工作者在無數(shù)臨床診斷和不斷摸索中得出的智慧結(jié)晶[1]。經(jīng)過多年積累，大量中醫(yī)臨床記錄得以保存，包含眾多名老中醫(yī)經(jīng)驗和診療方法。我們可以尋找一條發(fā)現(xiàn)中醫(yī)診斷經(jīng)驗和規(guī)律的途徑，幫助現(xiàn)代中醫(yī)工作者更好認清疾病和臨床診斷之間的關(guān)系，為患者提供更有效的治療。

近年來計算機相關(guān)技術(shù)發(fā)展迅速，人們在使用時產(chǎn)生了大量數(shù)據(jù)信息，這些信息關(guān)系到人們生活的方方面面。同時，人們對于計算機技術(shù)的使用要求逐步提高。正是在這些不斷增加的數(shù)據(jù)信息及計算機使用要求的推動下，大數(shù)據(jù)相關(guān)技術(shù)應(yīng)運而生，并取得迅猛發(fā)展。數(shù)據(jù)挖掘、機器學習等技術(shù)逐步應(yīng)用到人們?nèi)粘Ｉ钪衃2]，幫助我們從浩瀚的數(shù)據(jù)信息中發(fā)現(xiàn)隱藏在數(shù)據(jù)背后的知識和規(guī)律，發(fā)現(xiàn)數(shù)據(jù)之間的關(guān)聯(lián)。

鑒于此，如何從大量中醫(yī)臨床記錄中尋找出診斷規(guī)律的研究就有了一個新的方向。我們通過對中醫(yī)臨床記錄的研究發(fā)現(xiàn)，中醫(yī)癥狀名識別是中醫(yī)臨床記錄研究的重要前提，它可以看作是一般文本中命名實體識別技術(shù)在中醫(yī)學領(lǐng)域的特殊應(yīng)用。因此在本文以下內(nèi)容中，將從命名實體識別技術(shù)的角度進行中醫(yī)臨床記錄中癥狀名識別的研究。

2 命名實體識別技術(shù)

2.1 命名實體識別技術(shù)介紹

命名實體的概念最初在MUC-6上提出。命名實體具有獨立意義，常常作為一個整體出現(xiàn)在語句中，主要包括人、地名、機構(gòu)名、專有名詞等。命名實體識別是指識別文本中具有特定含義的實體[3]。命名實體識別技術(shù)研究至今已有多年，成為自然語言處理領(lǐng)域的一項重要技術(shù)，并取得眾多成果。命名實體識別技術(shù)的研究最初在英文文本中興起的，中文文本中命名實體識別研究仍處于初級階段。

2.2 命名實體識別的分類

命名實體識別技術(shù)按照原理可以分為三類方法：基于詞典的方法、基于規(guī)則的方法、基于序列標注的方法。

基于詞典的方法中主要有完全匹配和模糊匹配兩種方式。完全匹配要求當前詞與詞典中的每個字符完全一致才能匹配。例如，當前詞為“腹部疼痛”，詞典中同樣存在詞“腹部疼痛”才可以匹配。模糊匹配只需部分字符匹配即可。例如，若當前詞為“腹部疼痛”，而字典中存在詞“腹痛”才可認為兩詞是匹配的。

基于規(guī)則的識別方法是在基于詞典的方法基礎(chǔ)上發(fā)展而來，在識別時加入相關(guān)的詞法、語法、語義規(guī)則，從而獲取到更好識別效果。基于規(guī)則的方法曾在命名實體識別研究初期占有重要地位。在MUC命名實體評測時，幾乎所有參加評測的系統(tǒng)都是基于規(guī)則的。

基于序列標注的方法通過對命名實體概率值的使用，對含有相關(guān)命名實體的語料集進行訓練，當某字段的概率值大于限定閾值時，該字段被確定為命名實體?；谛蛄袠俗⒌拿麑嶓w識別方法有很多種，包括隱馬爾科夫模型（HMM）、條件隨機場（CRF）等。

3 中醫(yī)癥狀名識別技術(shù)研究

3.1 一般文本的序列標注策略

由上文可知，中醫(yī)臨床記錄中癥狀名識別可看作一般文本中命名實體識別技術(shù)在中醫(yī)學領(lǐng)域的一個分支。在一般文本處理過程中，研究對象通常是字符串形式的句子。語言不同，語言最小單位（簡稱“語素”）可能不同。例如，在中文中最小單位是字；而在英文中最小單位是單詞。盡管如此，句子仍可看作由語素構(gòu)成的序列。對一般文本中命名實體的識別可看作序列標注任務(wù)，即為句子中的每個語素標注具有特殊含義的符號，并且每個位置只能標注一個符號。這些特殊符號稱為“標簽”。例如，定義一組表示命名實體描述開始（Beginning、“B”）、中間（Intermediate，“I”）和其它（Outside，“O”）等指示文本中命名實體特殊位置的標簽。由此可知，一般文本中序列標注任務(wù)包括三個要素：

（1）標注序列：一般情況下序列標注以句子作為一個處理單元。

（2）標注單元：一般情況下標注單元為詞語。由于中文詞語之間沒有自然分隔符號（如“空格”），中文命名實體識別被分成兩部分任務(wù)，首先對待標注序列進行中文分詞，然后在此基礎(chǔ)上以中文詞語為標注單元，完成命名實體的識別。

（3）標簽集：如前文所述，標簽集會被定義為“BIO”。

3.2 中醫(yī)臨床記錄中癥狀名標注策略

中醫(yī)臨床記錄具有鮮明的領(lǐng)域特點。在中醫(yī)癥狀名識別過程中，我們需要根據(jù)中醫(yī)臨床記錄領(lǐng)域特點進行改進：

（1）如3.1所述，一般情況下中文命名實體識別任務(wù)需要對標注序列進行分詞，在此基礎(chǔ)上完成命名實體識別。然而在中醫(yī)臨床記錄中，中醫(yī)癥狀名通常由病位、病勢和病性三部分組成，這三部分內(nèi)容通常連續(xù)出現(xiàn)。因此，我們可以將字作為中醫(yī)癥狀名識別任務(wù)的標注單元。

（2）為提高工作效率，中醫(yī)工作人員在記錄病人病情時通常不會進行重新組織和改寫，導致臨床記錄內(nèi)容喪失上下文連貫性。例如，“昨日腸鳴，失氣多，心中不適”可能會有多種內(nèi)容不連貫的描述方式，如“腸鳴昨日，心中不適，失氣多”或者“腸鳴，心中不適，失氣多（昨天）”。同時，為方便記錄，大多數(shù)中醫(yī)工作人員習慣使用逗號“，”代替其他標點，導致中醫(yī)臨床記錄句子被合并成一句話。因此，我們定義中醫(yī)臨床記錄中包含的“子句”代替原來的“句子”作為新的標注序列?！白蛉漳c鳴，心中不適，失氣多”按照新標注序列被劃分成“昨日腸鳴”，“心中不適”和“失氣多”三個“子句”序列。這樣不僅可以有效保持子句內(nèi)容的連貫性，還有效降低由中醫(yī)臨床記錄內(nèi)容組織混亂帶來噪音特征的可能性。

3.3 序列標注識別方法形式化表示

根據(jù)前文對序列標注方法描述，中醫(yī)臨床記錄中癥狀名識別方法的形式化定義可以描述成：

劃定一個包含于中醫(yī)臨床記錄中的子句X=x1,x2,…,xn，我們的目標就是構(gòu)建一個序列分類器，該分類器能夠準確賦予每一個包含于X中的中文字xi以合適的標簽yi，該標簽yi屬于事先定義的具有特殊含義的標簽集合y。相應(yīng)的，在給定X的情況下，最可靠的序列標注結(jié)果可以表示為：

其中，P(y｜x)表示給定子句x后，其對應(yīng)標簽序列是y的可能性，而最終標簽序列結(jié)果應(yīng)是在所有子句x可能對應(yīng)的標簽序列中具有最大可能性（即P(y｜x)）的y。該類問題可以采用序列標注分類模型HMM進行解決。

3.4 HMM算法介紹

HMM由隨機狀態(tài)轉(zhuǎn)移概率和觀測產(chǎn)生過程概率構(gòu)成的序列標注模型。在中醫(yī)癥狀名識別任務(wù)中，隱藏狀態(tài)為標簽集中變量，而狀態(tài)轉(zhuǎn)移是這些標簽序列之間的轉(zhuǎn)移過程，該過程滿足馬爾科夫性質(zhì)，即在給定當前的狀態(tài)和所有過去狀態(tài)的情況下，其未來狀態(tài)的條件概率分布僅依賴與當前狀態(tài)的前一狀態(tài)。觀測結(jié)果的產(chǎn)生過程概率就是當前的隱藏狀態(tài)產(chǎn)生出當前觀測量的可能性，例如，在中醫(yī)臨床記錄的子句“失氣多”中，在給定隱藏層狀態(tài)“I”的條件下，觀測到“氣”的條件概率即為觀測產(chǎn)生過程概率。HMM可以被靈活的用于解決 序列化數(shù)據(jù)分類問題。圖1所示為HMM的建模過程。

如圖1所示，中醫(yī)臨床記錄中標注序列產(chǎn)生過程以默認標簽“START”標識開始，以默認標簽“END”標識結(jié)束。由默認開始狀態(tài)標簽向表示其他位置內(nèi)容的狀態(tài)標簽“O”轉(zhuǎn)移，表示該臨床記錄首先介紹一般描述內(nèi)容，而不是以癥狀名描述作為開始。在該狀態(tài)生成觀測到文字“昨”之后，向下一狀態(tài)“O”轉(zhuǎn)移說明前述非癥狀名的描述，并由該隱藏狀態(tài)“O”生成中文字“日”與“昨”形成時間描述內(nèi)容，以交代時間背景，在這以后一段對癥狀的描述。該過程將反復進行，直至遇到表示序列結(jié)尾的默認標簽“END”為止。根據(jù)如此的文本生成過程，我們便可對原始的序列標注模型（如公式3-1所示）進行修改，以達到對觀測到的中醫(yī)臨床記錄數(shù)據(jù)進行形式化表達的目的。

4 實驗及結(jié)果

4.1 實驗數(shù)據(jù)說明

本文的實驗數(shù)據(jù)來源于真實的中醫(yī)臨床記錄數(shù)據(jù)集，由中醫(yī)工作人員在日常臨床診斷中進行收集，樣例數(shù)據(jù)如圖2所示。

為能夠更好進行實驗，我們對數(shù)據(jù)進行了相關(guān)篩選整理工作，刪除錯誤或重復信息，確保實驗中由實驗數(shù)據(jù)所造成的錯誤率降至最低。

4.2 實驗結(jié)果評價指標及評價方式

為比較HMM算法在改進前后的性能，我們采用準確率P、召回率R和度量值F作為評價指標，它們的具體公式如下所示：

公式4-1用于計算準確率，是準確識別的癥狀名在所有識別出的癥狀名中占的比例。公式4-2用于召回率的計算，反映準確識別的癥狀名在中醫(yī)臨床記錄中所有癥狀名中的比例，用于衡量算法的泛化能力，能力越大，通用性越好。公式4-3用于衡量算法的整體性能。我們可以通過這三個指標來評價癥狀名識別算法的優(yōu)劣。

在HMM對比實驗中，我們將整理后的中醫(yī)臨床記錄數(shù)據(jù)集隨機分成兩部分。一部分約為原數(shù)據(jù)的70%，用于序列分類器訓練；另一部分約為原數(shù)據(jù)的30%，作為測試數(shù)據(jù)集。

4.3 HMM在癥狀名識別中實驗結(jié)果

我們在HMM算法對比實驗中借用了Mallet工具包，并對部分源代碼進行修改，對HMM算法改進前后的結(jié)果進行統(tǒng)計，如下表所示：

未改進HMM與改進HMM實驗結(jié)果

我們對比實驗結(jié)果會發(fā)現(xiàn)，改進后HMM在準確率P和召回率R都有一定提升，在此基礎(chǔ)上，癥狀名識別整體性能也有提升。由此可知，我們根據(jù)中醫(yī)臨床記錄特點進行的序列標注策略改進是有效的。

5 總結(jié)

中醫(yī)臨床記錄中癥狀名識別的研究仍處于初級階段。本文根據(jù)中醫(yī)臨床記錄特點做了相關(guān)改進工作。通過實驗結(jié)果對比發(fā)現(xiàn)，根據(jù)中醫(yī)臨床記錄特點進行的序列標注策略改進是有效的。但是，在中醫(yī)癥狀名識別時，由于HMM算法是基于概率生成模型的算法，對于癥狀名邊界位置處理并不算好。因此，在后續(xù)的研究中，我們可能考慮使用基于概率判別模型的算法，對中醫(yī)癥狀名的邊界問題進行更有效的判定。

參考資料：

[1]周雪忠.文本挖掘在中醫(yī)藥中的若干應(yīng)用研究[D].浙江大學,2004.

[2]陳立鵬.人工智能引發(fā)的科學技術(shù)倫理問題[J].文學教育(下),2012(08).

[3]張莉萍.基于領(lǐng)域本體構(gòu)建的Web信息抽取[J]. 嘉興學院學報,2010(06).

魏尊強（1987-）,男,江蘇豐縣人,碩士研究生在讀，數(shù)據(jù)庫與知識。