實體抽取綜述及其在中醫(yī)藥領(lǐng)域的應(yīng)用＊

孔靜靜，于 琦，李敬華，于 彤，張竹綠，田 野，祖雅琪

（中國中醫(yī)科學(xué)院中醫(yī)藥信息研究所 北京 100700）

信息抽取技術(shù)（Information Extraction，IE）的目的是將非結(jié)構(gòu)化的信息進(jìn)行結(jié)構(gòu)化抽取[1]。自然語言處理技術(shù)（Natural Language Processing，NLP）可以把人類語言轉(zhuǎn)化為機器語言，從而實現(xiàn)人機交互，將非結(jié)構(gòu)化的文本轉(zhuǎn)化為結(jié)構(gòu)化信息，從而獲得有用的、更加便于處理的信息[2-3]，結(jié)構(gòu)化的信息更有利于知識發(fā)現(xiàn)和數(shù)據(jù)挖掘。命名實體識別（Named Entity Recognition，NER）屬于自然語言處理的任務(wù)之一，又稱為實體抽取，其目的是從信息中抽取的人名、地名、組織機構(gòu)名等命名實體[4]。Rau[5]于1991年提出了從文本中提取公司名稱的實體抽取任務(wù)，此外，在七屆MUC（Message Understanding Conference）會議形成了沿用至今的抽取評價標(biāo)準(zhǔn)，大大推動了實體抽取發(fā)展的進(jìn)程。隨后，國際上舉辦眾多有關(guān)NER發(fā)展的會議，涉及了英語、阿拉伯語、漢語等多種語言，包括消歧、評估等多任務(wù)方向的發(fā)展[6]。上世紀(jì)90年代國內(nèi)出版了規(guī)則庫的識別方法的書用于識別人名[7]，由于英文語言的天然分詞結(jié)構(gòu)及較為規(guī)范的語法表達(dá)方式，早期的結(jié)構(gòu)化信息抽取主要面向英文文本，信息抽取技術(shù)在英文上得到了很好的應(yīng)用和發(fā)展，而國內(nèi)的信息抽取技術(shù)起步較晚，中文語法復(fù)雜，不能直接進(jìn)行分詞等特點，使實體抽取在中文上的應(yīng)用面臨一定的挑戰(zhàn)[8-9]。

隨著大數(shù)據(jù)時代的到來，數(shù)據(jù)量的劇增，人們難以從海量的數(shù)據(jù)中獲取有效的信息，實體抽取技術(shù)應(yīng)運而生。實體抽取近年來飛速發(fā)展，為信息化的發(fā)展帶來了新的契機。現(xiàn)如今實體抽取在生物醫(yī)學(xué)、警情軍事及農(nóng)業(yè)漁業(yè)等方面均有廣泛應(yīng)用[10]。在實際應(yīng)用當(dāng)中，由于不同的行業(yè)領(lǐng)域之間實體的相關(guān)性較弱，因此命名實體的確切含義需要根據(jù)具體應(yīng)用來確定，例如在面向中醫(yī)命名實體信息提取時，實體可為：中醫(yī)證候、舌象、脈象、治法、中藥和方劑等，在農(nóng)業(yè)領(lǐng)域可能會把農(nóng)作物、病蟲、農(nóng)藥[11]等作為實體。實體抽取作為自然語言處理的一個重要研究內(nèi)容，在信息提取、信息檢索、主題分類、知識發(fā)現(xiàn)等方面應(yīng)用廣泛[12]，同時，知識圖譜的構(gòu)建也是以實體抽取為前提條件。實體抽取為更深層次的數(shù)據(jù)挖掘提供基礎(chǔ)[13]。

隨著信息抽取技術(shù)不斷的革新，在中文文本的應(yīng)用領(lǐng)域不斷拓寬，抽取效果不斷改善。信息抽取技術(shù)在中醫(yī)藥領(lǐng)域的應(yīng)用能為中醫(yī)藥信息更深層次地挖掘奠定基礎(chǔ)，讓中醫(yī)藥知識更好地服務(wù)于臨床應(yīng)用，有益于推動中醫(yī)的繼承和發(fā)展，使中醫(yī)藥與現(xiàn)代技術(shù)接軌。本文簡要介紹了實體抽取概念及發(fā)展，闡述了其發(fā)展過程中常見的技術(shù)手段，從中醫(yī)藥角度出發(fā)，論述了實體抽取在中醫(yī)藥各領(lǐng)域中的研究應(yīng)用情況，為中醫(yī)藥實體抽取的發(fā)展研究提供思路參考，以期拓寬實體抽取在中醫(yī)藥領(lǐng)域應(yīng)用的范圍，推動實體抽取技術(shù)的應(yīng)用發(fā)展。

1 實體抽取技術(shù)

1.1 基于模式匹配的實體抽取

1.1.1基于規(guī)則的抽取

基于規(guī)則的實體抽取是最早使用的方法，1991年Rau在第7屆IEEE人工智能應(yīng)用會議上提出基于人工編寫規(guī)則的方法和啟發(fā)式算法，研究如何從文本中抽取公司的名稱[5]。基于規(guī)則的方法由專家針對數(shù)據(jù)集進(jìn)行人工構(gòu)造規(guī)則模板，將需要處理的信息與已制定規(guī)則進(jìn)行匹配，將符合的內(nèi)容信息提取，并且在抽取過程中不斷補充完善規(guī)則，以達(dá)到最優(yōu)化的抽取效果，通常選用特征信息等方法[14]。基于規(guī)則抽取的方法具有較好的靈活性，操作簡單，但抽取效果高度依賴制訂的規(guī)則，只適用于表達(dá)較為規(guī)范的文本和較小的數(shù)據(jù)集，且移植性較差，規(guī)則制作過程中耗費大量資源。

1.1.2基于詞典的抽取

基于詞典的方法最早是和基于規(guī)則的抽取方法聯(lián)合使用的，此方法需要構(gòu)建特定的詞典，然后按照需求將需要識別文本與所構(gòu)建的字典進(jìn)行匹配抽取[10]，并在過程中不斷補充完善詞典。早期就有學(xué)者利用大量的醫(yī)療知識詞典結(jié)合既定的規(guī)則來建立專家系統(tǒng)，目前，針對不同領(lǐng)域已經(jīng)構(gòu)建了比較完備的詞典，如基因詞典、情感詞典、姓名詞典等。此方法詞典是核心，因此依賴詞典的準(zhǔn)確性，適合于精確的搜索定位，對于詞典范圍外的實體難以準(zhǔn)確識別，針對這一問題，盡管后來提出來一種模糊字典匹配法，但是仍然擺脫不了對詞典的依賴。

基于模式匹配的實體抽取的兩種方法在一定程度上實現(xiàn)了實體抽取，但是由于基于模式匹配兩種方法的自身的局限性，很難再利用原方法對其改進(jìn)提升，再有大數(shù)據(jù)時代的來臨，信息量劇增，規(guī)則和詞典的制定更加繁瑣困難，因此，機器學(xué)習(xí)的應(yīng)用逐漸興起。

1.2 基于機器學(xué)習(xí)的實體抽取

1.2.1隱馬爾科夫模型HMM

HMM最早由Rabiner等[15]在統(tǒng)計學(xué)論文中提出，隨后在語言識別中應(yīng)用。HMM模型構(gòu)建較為簡單，在自然語言處理早期，在模式識別等領(lǐng)域得到廣泛的應(yīng)用，取得了不錯的效果。HMM模型對特定位置和文本長度有所限制，所以該模型的適應(yīng)性不理想。此外，有些學(xué)者通過建立高階的HMM模型來優(yōu)化模型抽取效果。

1.2.2最大熵模型ME

1957年E.T.Jaynes[16]提出了最大熵原理。最大熵模型不對未知信息做任何假設(shè)，而是在已知特征的約束下使未知的信息分布去均勻分布，即熵最大[17]。在最大熵方法中，就是找出一個特征的集合，并確定每條特征的重要程度，以此來進(jìn)行抽取，最大熵模型可以集成各種特征與規(guī)則到一個統(tǒng)一的框架下[18]。

1.2.3支持向量機SVM

支持向量機是由Cortes等[19]在1995年提出并發(fā)表，SVM是指的一種二分類的統(tǒng)計模型，它是在特征空間中，使得兩類樣本間隔最大的線性分類器，它的分類方法就是最大化間隔[20]。SVM算法分類思想簡單，適用于小樣本和中樣本，大規(guī)模訓(xùn)練樣本會耗費大量計算時間和內(nèi)存，在解決多分類問題也存在困難。

1.2.4條件隨機場模型CRF

CRF是21世紀(jì)初由Lafferty et al.[21]首次提出發(fā)表，它是通過最大熵模型轉(zhuǎn)換而來，條件隨機場可以通過訓(xùn)練集的語料特征推斷每個標(biāo)簽應(yīng)有的類別標(biāo)記。CRF即通過計算不同候選序列的聯(lián)合分布概率，選擇概率最大的序列作為輸出結(jié)果[22]。相比于SVM、HMM具有無標(biāo)注偏見、可求得全局最優(yōu)值、小規(guī)模數(shù)據(jù)可獲得理想效果等優(yōu)點[23]。

實體抽取引入了機器學(xué)習(xí)方法，減少了對規(guī)則及詞典的依賴，使得抽取效果進(jìn)一步提升。機器學(xué)習(xí)方法是從樣本數(shù)據(jù)集合中統(tǒng)計出相關(guān)特征和參數(shù)，以此建立識別模型對數(shù)據(jù)進(jìn)行抽取[14]。為提高抽取效果，機器學(xué)習(xí)可與規(guī)則庫和詞典方法結(jié)合使用來抽取，其抽取的效果也遠(yuǎn)遠(yuǎn)大于單一方法抽取[24]。機器學(xué)習(xí)的模型抽取的方法雖然優(yōu)于匹配模式的抽取方法，但是在構(gòu)建模型時仍舊需要投入一定的資源用在人工標(biāo)注數(shù)據(jù)和特征選擇上且泛化能力不高[25]。因此，隨著算法的不斷改進(jìn)，引入了深度學(xué)習(xí)，對抽取進(jìn)行了再度優(yōu)化。

1.3 基于深度學(xué)習(xí)的實體抽取

1.3.1 Word2vec

2013年Mikolov等[26]在谷歌團(tuán)隊的帶領(lǐng)下提出了Word2vec，是用來生成詞向量的模型，是一種淺層神經(jīng)網(wǎng)絡(luò)概率語言模型，一般分為CBOW和Skip-gram兩個基礎(chǔ)模型，可以將詞語轉(zhuǎn)換為包含語義的詞向量，表達(dá)詞內(nèi)間關(guān)系，詞語與文本前后內(nèi)容的聯(lián)系[27]。Word2vec模型提出有效提升了NPL任務(wù)的處理效果。

1.3.2 Attention機制

注意力機制是根據(jù)人類的注意力特點而提出的研究，可以實現(xiàn)高效分配信息資源。注意力機制能夠通過調(diào)整權(quán)重值，來鎖定所需的重要信息，同時可以過濾掉不重要的信息。具有很高的可擴(kuò)展性和魯棒性。在2017年，Vaswani[28]提出了Transformer模型，隨后，Kitaev等[29]提出了新的Reformer模型，改進(jìn)原來的Transformer模型。注意力機制與傳統(tǒng)算法的結(jié)合，能大大提高算法系統(tǒng)的性能，提升抽取能力。

1.3.3 LSTM

長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory）本質(zhì)上是一種RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）的遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，LSTM模型的3個門：“遺忘門”“記憶門”和“輸出門”，可以篩選過濾出短序列，選擇長序列處理成短序列，將含重要信息的進(jìn)行傳遞[30]。

1.3.4 BERT

BERT模型是在2018年提出的預(yù)訓(xùn)練模型，是基于Transformer的雙向編碼器表征，其結(jié)構(gòu)是來自于Transformers模型的Encoder，在處理一個單詞時，能夠聯(lián)系詞語上下文，從而得到其含義。BERT被設(shè)計為用未標(biāo)記的文本去訓(xùn)練出一個模型，它具有更深的層數(shù)，很好的泛化性和并行性，可以充分描述字符級、詞級、句子級甚至句間關(guān)系特征[31]。并且模型增加了對上下文的記憶。可以把BERT模型看作一個深層的Word2vec模型，對于一些特定的任務(wù)，只需在BERT后面下接一些網(wǎng)絡(luò)結(jié)構(gòu)，就能很好的完成預(yù)設(shè)的任務(wù)。在文本挖掘領(lǐng)域，其優(yōu)勢巨大，BERT模型的出現(xiàn)是自然語言處理的一個巨大的進(jìn)步，推動了NLP任務(wù)的發(fā)展。

深度學(xué)習(xí)（Deep Learning）是機器學(xué)習(xí)的分支[32]，是一種以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)，對數(shù)據(jù)進(jìn)行自動的特征學(xué)習(xí)的算法。深度學(xué)習(xí)具有學(xué)習(xí)能力強、覆蓋范圍廣、適應(yīng)力強和可移植性好的優(yōu)點，但是，深度學(xué)習(xí)與機器學(xué)習(xí)相比較需要大的數(shù)據(jù)量，涉及的各類參數(shù)也更多，模型更加復(fù)雜。深度學(xué)習(xí)的發(fā)展，給實體抽取又提供了很大的改進(jìn)方法，相比于基于規(guī)則或傳統(tǒng)機器學(xué)習(xí)的方法，是當(dāng)前最受歡迎的實體抽取方法。近期的命名實體識別方法不再單獨利用單一的方法應(yīng)用，通常會融入基于匹配模式、基于機器學(xué)習(xí)、深度學(xué)習(xí)中兩種甚至多種方法，根據(jù)研究信息的特點選取抽取技術(shù)。還會在模型中加入注意力機制、遷移學(xué)習(xí)等來提高命名實體識別的效果。目前，BERT加雙向長短期記憶神經(jīng)網(wǎng)絡(luò)和條件隨機場是命名實體識別的熱門方法。

2 抽取評估方法

對抽取任務(wù)進(jìn)行抽取評價，是評價一個抽取方法或模型優(yōu)劣的準(zhǔn)則，為其他學(xué)者的研究提供參考價值。通常，在實體抽取任務(wù)中，一般采用3個評價指標(biāo)包括：精確率（Precision）、召回率（Recall）和F1值。對于給定的測試數(shù)據(jù)集，精確率是指正確預(yù)測為正占全部預(yù)測為正的比例，召回率則是正確預(yù)測為正占全部正樣本的比例，而F1值則是正確率和召回率的調(diào)和平均值，可以對系統(tǒng)的性能進(jìn)行綜合性的評價。通常綜合3個指標(biāo)情況，對抽取方法進(jìn)行評估抽取效果。

3 中醫(yī)領(lǐng)域中實體抽取技術(shù)的應(yīng)用

3.1 中醫(yī)藥領(lǐng)域信息特點

中醫(yī)藥領(lǐng)域包含了海量的中醫(yī)學(xué)知識，對其進(jìn)行信息抽取意義重大。到目前為止，中醫(yī)藥信息還沒有得到充分的挖掘和利用，中醫(yī)藥資源的海量性、散亂性和不規(guī)范性等特點，致使人們難以從海量的中醫(yī)數(shù)據(jù)中精準(zhǔn)獲取自己所需的信息，對中醫(yī)藥不斷地發(fā)掘和利用，有著巨大的醫(yī)學(xué)價值和社會價值，同時中醫(yī)藥信息的特點也讓實體抽取的應(yīng)用面臨更大的挑戰(zhàn)。從非結(jié)構(gòu)化的中醫(yī)信息中抽取有用信息，有助于中醫(yī)信息的精準(zhǔn)利用，避免人力以及資源的浪費，提高中醫(yī)信息的利用率，對中醫(yī)的進(jìn)一步挖掘應(yīng)用及傳承發(fā)展有著十分重要的推動作用，從而有助于為中醫(yī)臨床研究提供參考價值和辨證思路。

中醫(yī)藥數(shù)據(jù)的特點可以概括為：①多樣性。中醫(yī)藥數(shù)據(jù)來源廣泛，由于中醫(yī)藥歷史悠久，且國家面積廣闊，形成了地域性的中醫(yī)藥文化，其涵蓋了大量的中醫(yī)藥信息。且隨著信息化時代的到來，中醫(yī)藥數(shù)據(jù)也越來越多樣豐富。②復(fù)雜性。中醫(yī)數(shù)據(jù)的表達(dá)呈現(xiàn)多樣性，包含繁體字，民族語言，文言文等，使得抽取難度增加。③不規(guī)范性。例如對于同種疾病的描述可能會因人而異、因醫(yī)院而異，中草藥藥物分布范圍廣泛，相同的一味中藥名稱的表達(dá)也不盡相同，進(jìn)行統(tǒng)一的規(guī)范標(biāo)準(zhǔn)實行困難，這種沒有進(jìn)行統(tǒng)一規(guī)范化處理的數(shù)據(jù)信息，加深抽取的困難程度。

3.2 中醫(yī)醫(yī)案及中醫(yī)電子病歷領(lǐng)域的應(yīng)用

中醫(yī)醫(yī)案包含大量信息，其專業(yè)性強，短句形式的特點給結(jié)構(gòu)化抽取帶來了巨大的挑戰(zhàn)，非結(jié)構(gòu)化的中醫(yī)醫(yī)案無法直接被計算機識別和利用。中醫(yī)醫(yī)案的知識豐富，實體抽取技術(shù)在中醫(yī)醫(yī)案中廣泛應(yīng)用，使醫(yī)案結(jié)構(gòu)化成為可能。

3.2.1中醫(yī)醫(yī)案

劉博等[33]針對傳統(tǒng)一階隱馬爾可夫模型在解決詞性標(biāo)注捕獲上下文的信息有限問題上的不足，推導(dǎo)了二階HMM的主要學(xué)習(xí)方法模型，該模型能更多地聯(lián)系上下文，使得中醫(yī)診斷文本的標(biāo)注更為精確。但構(gòu)建語料庫較小，需要進(jìn)一步優(yōu)化。屈丹丹等[34]對比了TFIDF與Word2vec方法抽取結(jié)果，隨著抽取個數(shù)的不斷增加，Word2vec在醫(yī)案信息抽取過程中，由于考慮了其上下文之間的聯(lián)系，使抽取結(jié)果的精確率和召回率較高。肖瑞等[35]基于BiLSTM-CRF的中醫(yī)文本命名實體識別研究，基于Word2vec的向量構(gòu)建，從而進(jìn)行模型訓(xùn)練迭代，利用CRF層，加強文本間信息的相關(guān)性，實現(xiàn)對中醫(yī)醫(yī)案文本進(jìn)行命名實體識別，但訓(xùn)練數(shù)據(jù)量較小，具有一定的局限，有待進(jìn)一步的優(yōu)化。高佳奕等[36]針對肺癌醫(yī)案構(gòu)建了LSTM_CRF混合模型，并且設(shè)計了多種算法，通過測試分析比較不同模型優(yōu)劣，發(fā)現(xiàn)帶有Peephole機制的雙向LSTM識別效果最好，能夠有效實現(xiàn)中醫(yī)醫(yī)案癥狀命名實體識別。但數(shù)據(jù)和標(biāo)簽等問題仍需進(jìn)一步解決。Liu等[37]基于500份標(biāo)注的中醫(yī)醫(yī)案數(shù)據(jù)，構(gòu)建了對醫(yī)案中癥狀和病機實體抽取的CRF訓(xùn)練模型，利用模型來抽取癥狀和病機，實驗結(jié)果經(jīng)過交叉驗證，證明該模型的性能良好，F(xiàn)1達(dá)到了80%以上，適用于中醫(yī)醫(yī)案的信息提取利用，并且隨著訓(xùn)練醫(yī)案的增加，基于CRF的病機和癥狀實體識別性能穩(wěn)步提升。Yang等[38]針對中醫(yī)醫(yī)案中的分詞、實體多樣性和歧義性等難點，提出了一種基于BiLSTM-CRF的深度學(xué)習(xí)混合模型命名實體識別方法，獲得較好的實體抽取效果，處方實體抽取精確率在90%左右，并且了構(gòu)建知識圖譜，可以提供檢索、可視化等功能，幫助中醫(yī)知識的學(xué)習(xí)和共享。

3.2.2中醫(yī)電子病歷

劉一斌等[39]的基于樸素貝葉斯和Word2vec對中醫(yī)電子病歷文本信息抽取，利用了兩種算法對中醫(yī)電子病歷長短文本進(jìn)行了抽取，但是由于數(shù)據(jù)的限制以及供訓(xùn)練的中醫(yī)電子病歷的文本格式單一，可能造成了此方法的局限性。Jia等[40]介紹了一種從中醫(yī)臨床記錄中提取醫(yī)療實體的遠(yuǎn)程監(jiān)督NER方法。它利用預(yù)處理的語言模型和簡單的多層神經(jīng)網(wǎng)絡(luò)作為分類器來檢測和分類實體，并且加入了過濾機制，利用該方法對中醫(yī)臨床記錄的實體抽取，得到F1得分為77.34%，實驗結(jié)果表明，該方法比其他基線方法具有更好的性能。

3.3 中醫(yī)藥文獻(xiàn)領(lǐng)域的應(yīng)用

中醫(yī)文獻(xiàn)按時間劃分為古代文獻(xiàn)、近代文獻(xiàn)和現(xiàn)代文獻(xiàn)。我國保留了大量的中醫(yī)藥文獻(xiàn)，包含了眾多名醫(yī)的診療記錄及中醫(yī)藥信息，體現(xiàn)了歷代醫(yī)家的中醫(yī)思想，對其進(jìn)行處理抽取可以便于更好的獲取和利用中醫(yī)文獻(xiàn)中的知識，從而有助于藥物搜索、藥物挖掘等。但是很多中醫(yī)文獻(xiàn)往往知識體系復(fù)雜、句式復(fù)雜，存在大量的繁體字、通假字以及專業(yè)術(shù)語等，因此進(jìn)行抽取困難。尤其是和民族醫(yī)藥相關(guān)的信息，處理難度更大。由于利用傳統(tǒng)的方法難以實現(xiàn)，所以很多學(xué)者引入深度學(xué)習(xí)方法對中醫(yī)文獻(xiàn)進(jìn)行實體抽取。

3.3.1古籍文獻(xiàn)

在中醫(yī)古籍文獻(xiàn)方面，葉輝[41]通過條件隨機場研究出從中醫(yī)古籍中抽取癥狀和藥物的方法。利用此方法對《金匱要略》內(nèi)容進(jìn)行有效提取，抽取效果較其他方法更好，為將來建立中醫(yī)藥搜索引擎及新藥物發(fā)掘等方面提供了一種可行的方法。高甦等[42]采用了BiLSTM-CRF的實體識別模型，對中醫(yī)典籍《黃帝內(nèi)經(jīng)》中的中醫(yī)認(rèn)識方法、中醫(yī)生理、中醫(yī)病理、中醫(yī)自然、治則治法等5種實體進(jìn)行識別，與其他方法對比獲得了較好的識別效果。張藝品等[43]選用中醫(yī)典籍《備急千金方》、《千金翼方》、《神農(nóng)本草經(jīng)》作為語料，利用BiLSTM-CRF模型結(jié)構(gòu)，對中醫(yī)疾病、方劑、中草藥等內(nèi)容抽取，對比單獨的HMM模型和CRF模型，結(jié)果表明BiLSTM-CRF模型算法抽取效果具有較高準(zhǔn)確性。北京科技大學(xué)的學(xué)者[44]發(fā)明了一種面向中醫(yī)古籍文獻(xiàn)的命名實體識別方法和裝置專利，根據(jù)標(biāo)注的中醫(yī)古文語料訓(xùn)練模型Word Embedding詞嵌入，并使用訓(xùn)練得到的AutoNER自動命名實體識別模型，對中醫(yī)古文語料進(jìn)行了實體識別。并結(jié)合現(xiàn)有的語言訓(xùn)練模型，研發(fā)了一種方法系統(tǒng)，用以解決中醫(yī)命名實體的識別問題[45]。基于小樣本訓(xùn)練集，節(jié)省了人工標(biāo)注的成本，提高了識別效果并且易操作，實現(xiàn)了對中醫(yī)古籍文獻(xiàn)的有效和更全面地利用。Qu等[46]針對中醫(yī)領(lǐng)域的文本進(jìn)行命名實體識別，構(gòu)建了基于BERTBiLSTM-CRF模型，以《傷寒論》為訓(xùn)練集和測試集，對癥狀、疾病名稱、時間、處方名稱和藥物名稱五個實體進(jìn)行抽取，由于BERT在學(xué)習(xí)上下文特征更明確，與其他模型結(jié)合提高了總體性能，其抽取結(jié)果優(yōu)于BiLSTM-CRF及LSTM-CRF模型，且若提高樣本的訓(xùn)練量，會取得更好的效果。

3.3.2現(xiàn)代文獻(xiàn)

現(xiàn)代文獻(xiàn)方面，Zhu等[47]針對中醫(yī)教材，將語義本體與SVM分類和正則表達(dá)式匹配相結(jié)合，用于提取癥狀和診斷信息，把數(shù)據(jù)進(jìn)行自動關(guān)聯(lián)，構(gòu)建了結(jié)構(gòu)化知識庫，為數(shù)字圖書館提供了服務(wù)。Deng等[48]利用雙向長短記憶網(wǎng)絡(luò)與條件隨機場相結(jié)合的方法對中藥專利中的中藥、疾病、癥狀等實體進(jìn)行了識別抽取，整體F1值高于90%，相比于HMM、LSTM、BiLSTM模型，取得了良好的效果。Zhang等[49]利用一種半監(jiān)督嵌入式BERT-BiLSTM-CRF模型，以《中醫(yī)診斷》為訓(xùn)練集和測試集，取得較好的抽取效果，精確率召回率和F1值達(dá)到80%以上，并且基于《中醫(yī)診斷》一書中的實體建立起了簡易的輔助診斷系統(tǒng)，提供了知識檢索查詢服務(wù)。

3.3.3民族醫(yī)藥文獻(xiàn)

民族醫(yī)藥方面，何家歡等[50]提出了基于BiLSTMCRF深度學(xué)習(xí)模型對藏藥藥理命名實體識別，BiLSTM模型相比LSTM模型能獲取更佳特征表示，實現(xiàn)了對文獻(xiàn)中藏藥藥理實體的有效抽取，為藏醫(yī)藥文獻(xiàn)的數(shù)據(jù)挖掘提供了新方法。鄭光敏等[51]提出了一種先抽取關(guān)系和后抽取實體的自動抽取知識模型，BERTBiLSTM-CRF知識抽取模型能夠有效組合BERT和傳統(tǒng)模型的優(yōu)勢，可以充分提取文本特征，還進(jìn)一步利用句子中相鄰標(biāo)簽的關(guān)聯(lián)性獲得了全局最優(yōu)的標(biāo)簽序列，改善了實體識別性能，較其他模型方法各方取得了最優(yōu)，能夠高效抽取《中國民族藥辭典》中的實體和關(guān)系。并且還利用此模型抽取的中國民族藥知識實體和關(guān)系構(gòu)建了知識圖譜，基于此知識圖譜實現(xiàn)了中國民族藥知識可視化和智能問答。

3.4 小結(jié)

中醫(yī)藥信息的多種特點讓實體抽取技術(shù)在中醫(yī)藥領(lǐng)域的應(yīng)用面臨更大的挑戰(zhàn)。目前，在中醫(yī)藥領(lǐng)域中的醫(yī)案和臨床電子病歷、中醫(yī)文獻(xiàn)、和民族醫(yī)藥等多個方面都相應(yīng)的運用了實體抽取技術(shù)進(jìn)行處理信息，并且獲得了一定的成果，在不斷的改進(jìn)發(fā)展下，實體抽取技術(shù)在中醫(yī)藥領(lǐng)域的應(yīng)用，實現(xiàn)了對中醫(yī)藥信息的有效抽取，為進(jìn)一步的中醫(yī)數(shù)據(jù)挖掘打下了基礎(chǔ)，有利于發(fā)現(xiàn)中醫(yī)藥的規(guī)律及隱藏知識，以便更好的應(yīng)用中醫(yī)藥治療人類疾病。

4 總結(jié)與展望

自然語言處理的實體抽取可以有效獲取重要信息，信息抽取的數(shù)據(jù)形式由文本到圖像、音頻和視頻等發(fā)展，面向更多的數(shù)據(jù)形式，便于多樣的數(shù)據(jù)挖掘。中醫(yī)藥領(lǐng)域的復(fù)雜信息為實體抽出技術(shù)提供了大量數(shù)據(jù)，實體抽取也有效地處理了一部分中醫(yī)藥信息，兩者之間得到了相互促進(jìn)發(fā)展。實體抽取技術(shù)的應(yīng)用，是對古代名醫(yī)學(xué)術(shù)思想的繼承挖掘和延續(xù)及對現(xiàn)代中醫(yī)信息的進(jìn)一步分析處理的重要基礎(chǔ)。本文總結(jié)了實體抽取技術(shù)在中醫(yī)藥領(lǐng)域的應(yīng)用情況，為中醫(yī)藥實體抽取的研究提供一定的參考，以期促進(jìn)中醫(yī)藥的實體抽取研究。

本綜述從中醫(yī)藥領(lǐng)域中實體抽取的實際研究情況出發(fā)，介紹了各技術(shù)的發(fā)展及中醫(yī)藥領(lǐng)域的應(yīng)用情況。中醫(yī)信息的抽取方法以及抽取模型，呈現(xiàn)出越來越多元化的研究發(fā)展趨勢，對于中醫(yī)領(lǐng)域的實體抽取的后續(xù)研究，在數(shù)據(jù)方面，需要足夠大的、適合訓(xùn)練的數(shù)據(jù)量，并且需要更加精確具體的標(biāo)注標(biāo)簽，在模型方面，要盡可能多方融合考慮各方法的優(yōu)劣性，集成應(yīng)用，力圖使抽取結(jié)果更優(yōu)化。抽取模型要盡可能提高其適用性、魯棒性、泛化性、并且能與中醫(yī)領(lǐng)域的信息契合，以達(dá)到不斷優(yōu)化的抽取方法的目的，以便進(jìn)行下一步的數(shù)據(jù)研究處理。

精準(zhǔn)的獲取利用醫(yī)療信息，能夠有效促進(jìn)醫(yī)學(xué)的進(jìn)步發(fā)展，造福于人類健康。在當(dāng)前中醫(yī)發(fā)展的最佳時期，對中醫(yī)領(lǐng)域包含的海量中醫(yī)知識和學(xué)術(shù)思想等信息進(jìn)行數(shù)據(jù)處理是重中之重，自然語言處理各種技術(shù)的出現(xiàn)與革新加速了中醫(yī)領(lǐng)域?qū)嶓w抽取進(jìn)程，為中醫(yī)藥的傳承發(fā)展做出了極大的貢獻(xiàn)，中醫(yī)藥資源也會在技術(shù)不斷進(jìn)步中得到更好的挖掘與研究。