基于《傷寒論》的命名實(shí)體識(shí)別研究*

王菁薇 肖 莉 駱嘉偉 晏峻峰

（1.湖南中醫(yī)藥大學(xué)信息科學(xué)與工程學(xué)院 長沙 410208）（2.湖南中醫(yī)藥大學(xué)中醫(yī)學(xué)院 長沙 410208）（3.湖南大學(xué)信息科學(xué)與工程學(xué)院 長沙 410082）

1 引言

《傷寒論》是東漢末年張仲景所著漢醫(yī)經(jīng)典著作，是一部闡述外感病治療規(guī)律的專著，其以非結(jié)構(gòu)化形式儲(chǔ)藏著豐富可靠的知識(shí)［1］。由于古籍中喜用虛詞、指代詞，相較于現(xiàn)代自然語言處理，中醫(yī)藥古籍的處理更具有挑戰(zhàn)性。中醫(yī)藥古籍命名實(shí)體識(shí)別是指根據(jù)具體古籍的內(nèi)容，從中識(shí)別出關(guān)鍵信息的過程，涉及疾病、證候、癥狀、方藥等中醫(yī)類信息。近些年，從最初基于規(guī)則和字典的方法到現(xiàn)在的深度學(xué)習(xí)方法，命名實(shí)體識(shí)別技術(shù)在醫(yī)學(xué)領(lǐng)域取得了一些進(jìn)展，但中醫(yī)藥領(lǐng)域相關(guān)的命名實(shí)體識(shí)別模型較少，用于中醫(yī)藥古籍的模型更是微乎其微［2］。高佳奕等［3］對(duì)名老中醫(yī)臨床肺癌醫(yī)案進(jìn)行序列標(biāo)記，利用條件隨機(jī)場構(gòu)建中醫(yī)臨床信息抽取模型，抽取結(jié)果符合中醫(yī)辨證理論，能有效實(shí)現(xiàn)中醫(yī)臨床醫(yī)案癥狀命名實(shí)體識(shí)別。祝錫永等［4］改進(jìn)并構(gòu)建了用于醫(yī)療領(lǐng)域的中文命名實(shí)體識(shí)別模型——CTD-BLSTM模型。高佳奕等［5］嘗試使用多種命名實(shí)體抽取模型對(duì)中醫(yī)肺癌數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。肖瑞等［6］針對(duì)部分名老中醫(yī)醫(yī)案著作構(gòu)Bi LSTM-CRF模型，識(shí)別的準(zhǔn)確率達(dá)到97.23%。以上學(xué)者的研究證明了構(gòu)建中醫(yī)藥古籍命名實(shí)體識(shí)別模型的可行性。本研究嘗試將預(yù)訓(xùn)練模型ALBERT應(yīng)用于中醫(yī)藥古籍，基于《傷寒論》進(jìn)行實(shí)驗(yàn)，并與BERT模型訓(xùn)練結(jié)果進(jìn)行對(duì)比，為深度挖掘張仲景《傷寒雜病論》及其他中醫(yī)藥古籍提供參考［7］。

2 資料與方法

2.1 數(shù)據(jù)來源

數(shù)據(jù)來自宋版《傷寒論》［8］。

2.2 數(shù)據(jù)預(yù)處理

考慮到《傷寒論》條文描述中，包含“太陽病”等疾病特征、“太陽中風(fēng)”等證候特征、“惡寒”等癥狀特征、“桂枝湯”等處方特征、“桂枝”等藥物特征［9］。本研究根據(jù)以上實(shí)體特征，將《傷寒論》中實(shí)體劃分為疾病、證候、癥狀、處方、藥物五類不同標(biāo)簽，與其無關(guān)的信息劃分為非命名實(shí)體組成部分。疾病、證候、癥狀、處方、藥物分別記作disease、syndrome、symptom、prescription、medicine，非命名實(shí)體組成部分記作O。利用BIO標(biāo)注法進(jìn)行標(biāo)注，具體方法見表1。如《傷寒論》條文第十二條可以標(biāo)注為“太/B-syndrome陽/I-syndrome中/I-syndrome風(fēng)/I-syndrome，/O陽/B-symptom浮/I-symptom而/O陰/Bsymptom弱/I-symptom，/O陽/B-symptom浮/I-symptom者/O，/O熱/B-symptom自/I-symptom發(fā)/I-symptom；/O陰/B-symptom弱/I-symptom者/O，/O汗/Bsymptom自/I-symptom出/I-symptom，/O嗇/B-symptom嗇/I-symptom惡/I-symptom寒/I-symptom，/O淅/B-symptom淅/I-symptom惡/I-symptom風(fēng)/Isymptom，翕/B-symptom翕/I-symptom發(fā)/I-symptom熱/I-symptom，/O鼻/B-symptom鳴/I-symptom干/B-symptom嘔/I-symptom者/O，/O桂/B-prescription枝/I-prescription湯/I-prescription主/O之/O”。

表1 命名實(shí)體標(biāo)注方法

2.3《傷寒論》命名實(shí)體識(shí)別模型構(gòu)建

常見的命名實(shí)體識(shí)別模型結(jié)構(gòu)，如圖1所示，一般包括將輸入的文字生成向量的Embedding層、捕捉輸入的雙向語義依賴的特征提取層以及給標(biāo)簽添加一些限制確保結(jié)果有效性的輸出標(biāo)注層。本研究選取Bi LSTM模型［10］作為特征提取層、CRF模 型［11］作 為 輸 出 標(biāo) 注 層，分 別 以word2vec、BERT-wwm以及ALBERT作為Embedding層構(gòu)建了BiLSTM-CRF模型、BERT-BiLSTM-CRF模型及ALBERT-BiLSTM-CRF模型。

圖1 命名實(shí)體識(shí)別模型結(jié)構(gòu)

雙向長短時(shí)記憶網(wǎng)絡(luò)（Bi-directional Long Short-Term Memory，BiLSTM）由前向長短時(shí)記憶網(wǎng)絡(luò)（LSTM）和后向長短時(shí)記憶網(wǎng)絡(luò)（LSTM）組成。對(duì)于任一時(shí)刻t的輸出，前向LSTM記錄了t時(shí)刻以及t時(shí)刻之前的信息，后向LSTM記錄了t時(shí)刻以及t時(shí)刻之后的信息。相較于長短記憶網(wǎng)絡(luò)（LSTM）模型，BiLSTM模型結(jié)合了輸入序列前向和后向的信息，在自然語言處理的應(yīng)用中，考慮到“上文”的同時(shí)，考慮到了“下文”的信息。條件隨機(jī)場（Conditional Random Fields，CRF）可以考慮到已經(jīng)標(biāo)注好的數(shù)據(jù)的相鄰標(biāo)記信息，避免得到不合語法的標(biāo)簽序列，如在一個(gè)句子中，疾病的起始詞后不應(yīng)接癥狀的中間詞。

BERT［12］是2018年Google提出的預(yù)訓(xùn)練模型，采用了MLM隨機(jī)屏蔽掉部分token，然后預(yù)測(cè)被屏蔽掉的token。2020年Yiming Cui等［13］考慮到傳統(tǒng)NLP中的中文分詞，將全詞Mask應(yīng)用在中文中，發(fā)布了BERT-wwm（Whole Word Masking）。在BERT的基礎(chǔ)上，ALBERT［14］對(duì)詞嵌入?yún)?shù)進(jìn)行因式分解，成功將嵌入層的參數(shù)縮小為原來的1/8；對(duì)隱藏層間參數(shù)進(jìn)行共享，使隱藏層參數(shù)量變?yōu)樵瓉淼?/12或者1/24；同時(shí)提出了一種新的訓(xùn)練任務(wù)——句子間順序預(yù)測(cè)，給模型兩個(gè)句子，讓模型去預(yù)測(cè)這兩個(gè)句子的前后順序，使模型能學(xué)到更多句子間的語義關(guān)系。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)置及評(píng)價(jià)指標(biāo)

為了驗(yàn)證ALBERT-BiLSTM-CRF模型的有效性，將其分別與BiLSTM-CRF模型、BERT-Bi LSTM-CRF模型進(jìn)行了比較。

本研究使用多分類任務(wù)中的常用評(píng)估指標(biāo)——精確率（precision，P）、召回率（recall，R）以及精確率和召回率的調(diào)和平均（F1-score），評(píng)估各模型在《傷寒論》命名實(shí)體識(shí)別任務(wù)中的性能［15］。此外，為了保證實(shí)驗(yàn)結(jié)果的可靠性，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行隨機(jī)打亂處理，并采用五折交叉驗(yàn)證對(duì)樣本集進(jìn)行劃分。每個(gè)模型均獨(dú)立訓(xùn)練五次，然后將其平均值作為最終的預(yù)測(cè)結(jié)果。

3.2 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證ALBERT-BiLSTM-CRF模型在中醫(yī)古籍實(shí)體識(shí)別中的有效性，利用隨機(jī)打亂標(biāo)注好的《傷寒論》對(duì)各模型進(jìn)行性能評(píng)估，結(jié)果如圖2～4所示。

圖2 各模型實(shí)驗(yàn)結(jié)果—P

圖3 各模型實(shí)驗(yàn)結(jié)果—R

圖4 各模型實(shí)驗(yàn)結(jié)果—F1-score

從實(shí)驗(yàn)結(jié)果可以看出，結(jié)合BERT、ALBERT等預(yù)訓(xùn)練模型識(shí)別效果優(yōu)于BiLSTM-CRF模型，按照F1-score值對(duì)各模型的性能進(jìn)行排序，結(jié)果如下：ALBERT-BILSTM-CRF＞BERT-BILSTM-CRF＞Bi LSTM-CRF。結(jié)果表明蘊(yùn)含語義關(guān)系得到的嵌入向量有助于使中醫(yī)藥古籍實(shí)體識(shí)別效果的提升；而ALBERT雖然在BERT的基礎(chǔ)上大大削減了模型參數(shù)量，但其提出了句子間順序預(yù)測(cè)任務(wù)，使得Al-BERT-BiLSTM-CRF模型在實(shí)驗(yàn)中的效果優(yōu)于BERT-BiLSTM-CRF模型。

4 結(jié)語

本研究應(yīng)用ALBERT-BiLSTM-CRF模型進(jìn)行中醫(yī)藥古籍命名實(shí)體識(shí)別，對(duì)《傷寒論》進(jìn)行實(shí)驗(yàn)。結(jié)果顯示，相較于傳統(tǒng)的BiLSTM-CRF模型，預(yù)訓(xùn)練模型對(duì)命名實(shí)體識(shí)別任務(wù)的效果有較大的提升；相較BERT模型，優(yōu)化后的ALBERT模型更適用于《傷寒論》的命名實(shí)體識(shí)別任務(wù)。中醫(yī)藥古籍是歷代醫(yī)家在臨床實(shí)踐中總結(jié)得到的智慧結(jié)晶，提高命名實(shí)體識(shí)別技術(shù)在中醫(yī)藥古籍中的識(shí)別效果，對(duì)傳承中醫(yī)藥古籍具有重大意義。本研究采用的數(shù)據(jù)集較小，各類實(shí)體分布不均衡，癥狀實(shí)體間存在表達(dá)的多樣性，缺乏對(duì)古文中指代詞的處理。今后研究將進(jìn)一步增加數(shù)據(jù)集，結(jié)合實(shí)體鏈接、融合對(duì)齊以及語義理解等方法，提高模型對(duì)中醫(yī)藥古籍中命名實(shí)體的識(shí)別效果。