吳曉鸰，陳祥旺，占文韜，凌 捷

（廣東工業(yè)大學 計算機學院, 廣東 廣州 510006）

命名實體識別(Named Entity Recognition，NER)是自然語言處理中的核心任務之一，目的是從一段序列文本中提取出實體，并且對實體進行正確的分類。例如在“細胞減少與肺內(nèi)病變程度及肺內(nèi)炎性病變吸收程度密切相關”這段文字中，出現(xiàn)了兩個表示疾病的命名實體，分別是“肺內(nèi)病變”和“肺內(nèi)炎性病變”，還出現(xiàn)了表示身體部位的命名實體“細胞”，此外還有一個臨床表現(xiàn)類型的命名實體“細胞減少”。

醫(yī)學命名實體識別任務是對電子病歷中的醫(yī)學實體進行自動識別和分類，這些實體在自然語言處理的許多下游任務中發(fā)揮著重要的作用，比如信息檢索、推薦系統(tǒng)、知識圖譜[1]等。

在基于深度學習[2]的醫(yī)學命名實體識別方法中，Wu等[3]提出了一個兩階段模型，首先預測句子中的實體，然后用Transformer網(wǎng)絡結(jié)合上下文信息表示，并引入多尺度的句子表示再次預測實體類型。Wang等[4]將醫(yī)學命名實體識別任務分解為兩個子任務，并引入超圖模型，首先提取所有可能的實體組合，然后預測實體組合之間的關系并分類。但超圖模型在模型訓練過程中，容易出現(xiàn)誤差傳播問題。因此，人們提出了基于跨度的方法，避免誤差傳播，這一類方法在預測實體時，只需要預測實體在字符中的開始位置、結(jié)束位置和實體的類別，實體相互是獨立的。Li等[5]提出了能較好地識別命名實體的模型，首先枚舉句子中所有的字符跨度，初步確定跨度的實體類型，再識別出實體跨度之間的關系，繼而預測出文本中所有的醫(yī)學命名實體。Gu等[6]使用兩個模塊來抽取實體，分別是規(guī)則感知模塊和規(guī)則無感模塊，用規(guī)則感知模塊捕獲跨度內(nèi)部的規(guī)律性，確定實體的類型，通過規(guī)則無感模塊定位實體的邊界，緩解對于跨度內(nèi)部規(guī)律性的過度關注，并結(jié)合正交空間，進一步加強模塊提取不同方面特征的能力。Luan等[7]使用多任務學習，用動態(tài)構造的跨度圖來識別命名實體，通過枚舉所有可能的跨度，識別出句子中所有的實體。Yu等[8]基于圖的依存分析方法，引入雙仿射模型做分類器，在字符的開始和結(jié)束位置做標記，使用這些標記枚舉所有的實體。

Wang 等[9]結(jié)合數(shù)據(jù)驅(qū)動的深度學習方法和知識驅(qū)動的字典方法，引入醫(yī)學領域的字典知識，提出了擴展的LSTM模型，在醫(yī)學數(shù)據(jù)集上取得了不錯的結(jié)果。Li等[10]利用BERT對上下文嵌入向量的提取能力，結(jié)合漢字的字根特征和字典知識，構建了一個用于醫(yī)學命名實體識別的模型。Li等[11]將命名實體識別任務轉(zhuǎn)換為閱讀理解任務，用回答問題的方式識別出文本中的命名實體。Pan等[12]使用語義引導的注意力方法，對標簽和文本分別進行編碼，并且將標簽知識融入到文本中，從而改善了Li等[11]提出的模型的效率。Hang等[13]提出了一種針對命名實體識別任務的“序列-序列”模型框架，該框架將命名實體識別問題轉(zhuǎn)化為實體跨度生成問題。Shen等[14]提出了一個并行查詢網(wǎng)絡模型，能夠并行地預測輸入文本中所有的命名實體，模型在訓練過程中自動學習與實體類型和實體位置相關的醫(yī)學知識，不需要借助外部知識構造特征。Li等[15]提出了融入詞匯信息的Transformer，把醫(yī)學領域的專業(yè)詞匯作為模型的輸入，并且在一個網(wǎng)格結(jié)構中構建了新的位置編碼。陳明等[16]設計的混合神經(jīng)網(wǎng)絡模型，利用自注意力、線性注意力和改進的WLSTM網(wǎng)絡提取多層次的語義特征，將特征融合后，利用條件隨機場識別出實體。梁倬騫等[17]從詞語屬性描述、詞語關系組織和相關知識鏈接3個維度構建財務報告領域本體，將非結(jié)構化的信息提取為結(jié)構化的信息并表示。Liu等[18]提出基于MRC模型擴展后的模型，該方法通過圖注意力網(wǎng)絡建模標簽之間的關系，將標簽信息和文本信息相融合，進一步改善了MRC模型的效果。

以上的這些模型在提取全局特征和局部特征方面效果顯著，但是忽略了醫(yī)學命名實體之間隱含的關聯(lián)性，以及醫(yī)學命名實體特征內(nèi)在的聯(lián)系。針對以上問題，本文提出了一個模型，將命名實體識別轉(zhuǎn)換為集合查詢?nèi)蝿眨疚哪Ｐ鸵还舶?個部分：文本編碼器、實體集合解碼器和基于二分圖匹配的損失函數(shù)。首先，文本編碼器從輸入的句子中獲取上下文信息，并引入實體查詢矩陣。再利用實體集合解碼器對上下文信息和實體查詢矩陣進行預測，解碼預測實體的開始位置、結(jié)束位置和實體類別。最后，利用二分圖的匹配算法，計算出模型訓練過程中的預測損失。本文提出的模型在3個數(shù)據(jù)集上進行實驗，并通過和其他模型的對比，驗證了本文模型的有效性。

1 基于門控注意力單元的模型

1.1 模型整體結(jié)構

本文提出的模型由3個部分組成，分別是文本編碼器、實體集合解碼器和基于二分圖匹配的損失函數(shù)。整體結(jié)構如圖1所示。

圖1 模型框架Fig.1 The architecture of the proposed model

1.2 文本編碼器

與英文文本相比，中文命名實體識別中的漢字字符的邊界不清晰，并且需要結(jié)合中文分詞和語法分析才能準確識別命名實體。由于一般領域數(shù)據(jù)集的實體分布與生物醫(yī)學文獻的實體分布情況不同，所以很難估計一般領域的預訓練模型在生物醫(yī)學文本數(shù)據(jù)集上的性能。在一般領域和醫(yī)學領域中有很多相同的詞語、短語，但是它們屬于不同的實體類型。例如，“腹部”在一般領域中可以表示為器官、位置，在醫(yī)學文本中則可以作為解剖部位的醫(yī)學實體。因此，本文采用生物醫(yī)學領域?qū)Ｓ玫腗C-BERT模型對命名實體進行識別。

MC-BERT能夠處理醫(yī)學領域的長尾概念和術語，并且能更好地適應生物醫(yī)學中文語料庫。MCBERT首先使用不同的掩碼生成器來掩蓋詞元的范圍，而不僅僅是隨機的；其次引入了全實體掩碼和全跨度掩碼，全實體掩碼是指在醫(yī)學文本數(shù)據(jù)集中生成的候選醫(yī)學實體，使用醫(yī)學知識圖譜對生物醫(yī)學領域的實體進行篩選，包括檢查、治療等。最后進行全實體掩碼，并將醫(yī)學實體知識注入到模型學習過程中。全跨度掩碼使用完整的跨度掩碼為模型注入細粒度的生物醫(yī)學知識，例如，短語“肚子有點疼”和實體“腹痛”具有相同的意思。如果只使用全實體掩碼則不能將上述的短語知識注入到模型中，因此在訓練過程中，引入全跨度掩碼學習，將輸入文本中所有的短語字符都進行遮蓋操作，因此模型在訓練過程中能夠?qū)W習到短語和實體的先驗知識，MCBERT通過引導的方式讓模型明確地學習醫(yī)學領域的知識信息，這使得MC-BERT模型在生物醫(yī)學領域具有較好的適應性。

本文使用MC-BERT和BiLSTM作為模型的編碼器。模型輸入文本最大長度為510個字符，對于超過最大長度的文本，在標點符號處對文本進行截斷，將超過最大長度的文本部分，作為一段新的輸入文本，最大程度保留數(shù)據(jù)的完整性。對于中文文本，以字為最小單元對文本內(nèi)容進行拆分，并且在文本的開頭和結(jié)尾部分添加上“CLS”和“SEP”兩個特殊字符作為標記。對于命名實體識別任務，針對輸入的序列文本Ct，首先用MC-BERT獲取輸入文本的嵌入表示xi，將嵌入表示xi輸入到BiLSTM網(wǎng)絡中，該網(wǎng)絡能從不同的方向捕獲過去和未來的信息，再將兩個方向上的隱藏狀態(tài)連接起來，得到特征表示H,編碼器的計算過程如式(1) ～ (3) 所示。

式中： ⊕為串聯(lián)操作， θ為LSTM層的參數(shù)，Hi為LSTM層在位置i上的隱藏狀態(tài)。

1.3 實體集合解碼器

本文提出的實體集合解碼器包括交叉注意力機制和FLASH結(jié)構，其中FLASH結(jié)構由兩層門控注意力單元組成。

1.3.1 交叉注意力

為了加強模型對醫(yī)學詞匯的敏感性，本文采用交叉注意力機制，計算H和查詢矩陣之間的交互性，將編碼器中提取的醫(yī)學命名實體信息通過交叉注意力的方式融入到查詢矩陣中，提升模型對于醫(yī)學命名實體的識別效果。

將實體查詢矩陣Qspan輸入到實體集合解碼器中，用交叉注意力對H和Qspan進行計算，交叉注意力的計算公式可以表示為式(4)。

門控注意力單元GAU結(jié)構將Transformer中的注意力機制和前反饋層進行融合，并引入了門控線性單元GLU、GAU，結(jié)構如圖2所示，圖中B為神經(jīng)網(wǎng)絡中的偏置項，表示偏置矩陣。

圖2 門控注意力單元結(jié)構Fig.2 Structure of the gated attention unit

GAU結(jié)構將多頭自注意力機制和GLU結(jié)構進行融合作為統(tǒng)一的層，計算過程如式(7)～(8)所示。

式中：WU，WV和WO均為訓練過程中的參數(shù)，ψU和ψV為激活函數(shù)Swish， ⊙為逐位對應相乘，即哈達瑪積。A為注意力機制矩陣，負責融合詞元之間的信息。當A為單位矩陣時，GAU結(jié)構就是GLU式的前反饋層；當A為全1矩陣時，GAU結(jié)構就是標準的自注意

力機制，注意力矩陣A的計算過程如式(9)～(10)所示。

式中：WZ是訓練過程中的參數(shù)，f和g為簡單的仿射變換， ψZ表示激活函數(shù)Swish，1 /n表示簡單的歸一化因子，用來消除文本長度的影響。

1.3.3 FLASH結(jié)構

通過疊加兩層門控注意力單元，組成了本文提出的實體集合解碼器中的FLASH結(jié)構。結(jié)合查詢矩陣中融入的醫(yī)學詞匯信息，F(xiàn)LASH結(jié)構能夠進一步挖掘醫(yī)學命名實體間隱含的關聯(lián)性，通過GAU中的門控機制，可以提高模型對輸入文本中與醫(yī)學信息相關的漢字字符的關注度，對多頭自注意力機制進行稀疏化操作，減弱了FLASH結(jié)構對查詢矩陣中與醫(yī)學命名實體無關信息的關注，通過以上這些操作，可以加強模型對醫(yī)學命名實體的解碼效果。

在命名實體之間，通常存在著依賴關系和關聯(lián)信息，例如在醫(yī)學電子病歷中，身體部位類型的命名實體和臨床表現(xiàn)類型的命名實體經(jīng)常同時出現(xiàn)在一段文本中，因此，可以通過學習兩種命名實體類型之間的依賴關系，提高對命名實體識別的準確度。例如“咽痛”“鼻塞”這兩個臨床表現(xiàn)類型的實體中，都包含了身體部位類型的命名實體。

本文利用FLASH結(jié)構去提取實體間的依賴關系和關聯(lián)信息。因為GAU結(jié)構對Transformer中的多頭自注意力和前反饋層進行了融合，因此GAU結(jié)構也能通過和注意力機制類似的方式學習命名實體間的依賴關系。此外，GAU中的門控機制GLU能夠從長序列文本中提取局部信息和相對位置信息，加強模型對上下文語義特征的提取能力。

在命名實體識別任務中，命名實體之間的依賴關系主要是局部和短距離內(nèi)的，因此，模型對局部信息的提取能力更加重要。在FLASH結(jié)構中，采用了一種“局部-全局”分塊混合的注意力機制，這種注意力機制能更大程度地提高模型對局部關聯(lián)信息的提取能力，使得模型更多地關注命名實體間的依賴關系，但是又不會完全舍棄文本特征中的全局信息。因此在FLASH結(jié)構中，采用分塊混合的注意力機制提取命名實體間的依賴關系。

分塊混合注意力的計算過程如下：將輸入長度為k的序列，劃分成長度為e的塊，設Ug，Vg，Zg為第g塊，其中U，V，Z的定義同式(7)、(9)。對Zg進行式(10)的計算，通過4個簡單的仿射變換，將Zg變換分別得到成。用計算塊內(nèi)注意力，計算過程如式(11)所示。

最后，將上面兩種注意力計算過程相結(jié)合，整合到GAU中，按照式(8)進行計算就得到了具有線性復雜度的GAU，如式(13) 所示。

式中： ⊙表示哈達瑪積，WO表示訓練中可學習的參數(shù)。

通過交叉注意力和FLASH結(jié)構，實體集合解碼器的輸出嵌入表示為O。最后，利用MLP實現(xiàn)解碼操作，預測查詢矩陣中的命名實體。預測過程如式(14)～(16)所示。

式中：pc，pl，pr分別表示預測的實體類型、實體左邊界和實體右邊界的分類概率，MLP表示多層感知機模型。

1.4 損失函數(shù)

在計算訓練損失時，本文方法將實體集合解碼器預測出的醫(yī)學命名實體和數(shù)據(jù)集中標簽命名實體分為兩個部分，將每一部分看作是二分圖的一部分，在計算模型訓練損失時，使用匈牙利算法來計算真實實體和預測實體之間的最大匹配。

為了計算二分圖的最大匹配，需要找到代價最小的集合α，尋找過程如式(17)所示。

式中：用y表示真實標簽集合，用y′表示預測實體集合，Lmatch為計算真實實體和預測實體之間的配對代價。

計算出實體間的最大匹配α后，可以用式(18)計算模型最終的訓練損失：

2 實驗結(jié)果與分析

2.1 數(shù)據(jù)集

為了驗證本文模型對實體識別的有效性，實驗部分采用了CMeEE、CMQNN和MSRA數(shù)據(jù)集。

CMeEE數(shù)據(jù)集是生物醫(yī)學領域的常用數(shù)據(jù)集，包括身體部位(bod)、疾病(dis)等9個實體類別，CMeEE數(shù)據(jù)集的實體統(tǒng)計如表1所示。

表1 CMeEE數(shù)據(jù)集實體分布統(tǒng)計Table 1 CMeEE dataset statistics

CMQNN數(shù)據(jù)集是醫(yī)學領域的大型數(shù)據(jù)集，主要來源是醫(yī)院的電子病歷， CMQNN數(shù)據(jù)集的實體分布情況如表2所示。

表2 CMQNN數(shù)據(jù)集實體分布統(tǒng)計Table 2 CMQNN dataset statistics

為了驗證本文模型的適用性，在MSRA數(shù)據(jù)集上進行了實驗。MSRA數(shù)據(jù)集的文本來源包括博客、論壇等，包含了金融、娛樂、體育等多個領域。MSRA數(shù)據(jù)集實體類型的統(tǒng)計情況如表3所示。

表3 MSRA數(shù)據(jù)集實體分布Table 3 MSRA dataset statistics

本文采用精確匹配，只有當預測實體的實體類型、起始下標和結(jié)束下標都正確時，才認為實體預測正確。

2.2 參數(shù)設置與評估標準

本文模型的實驗環(huán)境如下：CPU型號是Intel(R)Xeon(R) Silver 4210R CPU @ 2.40 GHz，GPU型號是NVIDIA GeForce RTX3090 (24 G)，Python版本是3.7.13，Pytorch版本是1.13，模型的超參數(shù)設置如表4所示。

表4 實驗參數(shù)設置Table 4 Experimental parameter setting

本文在驗證模型有效性時，采用了3個評價指標，分別是精確率P，召回率R和F1值，計算公式如式(19)～(21)。

式中：TP、FP分別為識別正確的實體個數(shù)和識別錯誤的實體個數(shù)，F(xiàn)N為正例識別為反例的實體個數(shù)。

2.3 對比實驗

本文在3個數(shù)據(jù)集上進行了實驗，為保證實驗結(jié)果的可信度，采用了交叉驗證的方式，將多次實驗結(jié)果取平均值。由于對比模型原論文中使用了不同的數(shù)據(jù)集去驗證模型效果，因此本文在數(shù)據(jù)集的對比實驗中選擇的模型不一致。首先在CMeEE數(shù)據(jù)集上進行了實驗，實驗的結(jié)果對比如表5所示。對比實驗的模型介紹如下：

表5 CMeEE數(shù)據(jù)集實驗對比Table 5 Comparative experimental results on the CMeEE dataset%

RICON[6]：通過規(guī)律感知模塊和規(guī)律無感模塊同時提取實體內(nèi)部和邊界的規(guī)律性，并在正交空間內(nèi)對特征進行融合。

BERT-Biaffine[8]：用雙仿射模型對標記的開始和結(jié)束位置評分，通過詞元的標記評分來提取句子中的實體。

LEAR[12]：分別對文本和標簽進行獨立編碼，將標簽知識顯式地集成到文本中。

FLAT[15]：將網(wǎng)格結(jié)構轉(zhuǎn)換為跨度提取，并且在網(wǎng)格結(jié)構中構建了新的位置編碼。

MANM[16]：利用稀疏化的注意力和改進的WLSTM網(wǎng)絡提取多層次的語義特征。

FLR-MRC[18]：通過圖注意力網(wǎng)絡提取實體間關系，并且將實體信息和上下文語義信息相融合。

由表5可知，本文提出的SGAM模型在CMeEE數(shù)據(jù)集上取得了最佳的效果，F(xiàn)1值達到了70.74%，相比FLR-MRC模型的F1值提高了4.22%，與LEAR模型相比，F(xiàn)1值提升了4.95%。主要是因為SGAM模型使用交叉注意力將醫(yī)學領域?qū)I(yè)知識融入到查詢矩陣中，提高了模型對醫(yī)學命名實體的解碼效果，此外，SGAM模型使用了生物醫(yī)學領域的預訓練模型，對于醫(yī)學文本中的長尾術語有更強的上下文信息提取能力。

為了驗證本文模型在醫(yī)學命名實體識別上的優(yōu)勢，也在CMQNN數(shù)據(jù)集上進行了實驗，對比實驗結(jié)果如表6所示。對比實驗的模型介紹如下：

表6 CMQNN數(shù)據(jù)集實驗對比Table 6 Comparative experimental results on the CMQNN dataset%

BiLSTM+MultiCRF：結(jié)合雙向長短期記憶網(wǎng)絡和多層次的CRF網(wǎng)絡實現(xiàn)命名實體預測。

R o B E R T+C R F：使用預訓練語言模型RoBERT編碼命名實體，用CRF解碼出文本中的命名實體。

表6實驗結(jié)果表明本文提出的SGAM模型與FLAT模型相比，F(xiàn)1值提高了0.09%。本文模型在提取命名實體方面的優(yōu)勢相比其他模型有較大的提升，這是由于SGAM模型不再使用傳統(tǒng)的序列標注方案，序列標注的方法對每個字符只能分配唯一的預測，而本文模型采用基于跨度的方法預測文本中的實體，每個實體都標注為(實體類型，起始下標，結(jié)束下標)這種三元組的形式，能更加準確地預測出文本中的命名實體，因此SGAM模型在CMQNN和CMeEE數(shù)據(jù)集上均獲得了更佳的實驗結(jié)果。

為了驗證本文SGAM模型的在其他領域的應用性，本文在MSRA數(shù)據(jù)集上進行了實驗，在這部分的實驗中，文本編碼器中預訓練模型替換為BERT。實驗結(jié)果如表7所示，對比模型介紹如下：

表7 MSRA數(shù)據(jù)集實驗對比Table 7 Comparative experimental results on the MSRA dataset%

AAMwWIE[19]：用注意力機制動態(tài)地調(diào)整模型對實體的關注分布。

MECT[20]：模型中引入漢字結(jié)構信息，不僅能學習實體的邊界和語義信息，也能學習漢字字根的結(jié)構信息。

PLTE[21]：結(jié)合多孔網(wǎng)格Transformer和多孔注意力機制，增強模型對局部上下文信息的建模能力。

Softlexicon[22]：對字符表征層進行小部分調(diào)整就能引入詞庫信息。

由表7可知，本文提出的SGAM模型在MSRA數(shù)據(jù)集上的F1值達到了95.53%，優(yōu)于目前主流的模型。本文模型在CMeEE、CMQNN和MSRA數(shù)據(jù)集上的實驗結(jié)果都達到了最佳的效果，主要源于以下幾個方面：

(1) SGAM模型將實體提取轉(zhuǎn)換為集合分配問題，對于命名實體有著更強的識別能力，從而在3個數(shù)據(jù)集上達到了更佳的效果。

(2) 本文提出的交叉注意力和FLASH結(jié)構相結(jié)合的實體集合解碼器模型，將醫(yī)學領域的詞匯信息更好地融合到模型中，并且能提取醫(yī)學命名實體之間隱含的關聯(lián)性。

(3) 在模型訓練過程中，二分圖匹配算法在預測實體和真實實體之間尋找最大匹配，相比交叉熵損失，不會受到預測實體順序變化的影響。

2.4 消融實驗

首先研究實體集合解碼器層數(shù)對模型效果的影響，實驗結(jié)果如圖3所示。通過分析可知，當層數(shù)達到5層時，模型效果達到了最優(yōu)，在CMeEE數(shù)據(jù)集上F1值達到了70.74%，當層數(shù)繼續(xù)增加時，模型效果開始下降。表明實體集合解碼器層數(shù)在5層時，模型能夠充分地提取命名實體間的依賴關系。

圖3 解碼器層數(shù)對比實驗Fig.3 Comparative experiment of decoder layer

在模型訓練過程中，為了選擇合適的實體查詢矩陣數(shù)量，本文進行了消融實驗，實驗結(jié)果如圖4所示。從實驗結(jié)果表明，當實體查詢的數(shù)量明顯大于文本中的真實實體數(shù)量時，模型的效果開始下降。

圖4 實體查詢數(shù)量對比實驗Fig.4 Comparative experiment of entity query

為了驗證本文模型的有效性，對所提出的SGAM模型進行了模塊的消融實驗，編碼器層數(shù)設置為5，實體查詢數(shù)量設置為50，在CMeEE數(shù)據(jù)集上進行模塊的消融實驗，實驗結(jié)果如表8所示，消融后的模型具體如下。

表8 CMeEE數(shù)據(jù)集消融實驗Table 8 Ablation experiment on the CMeEE dataset%

CE loss：用交叉熵損失替代模型中的二分圖匹配損失。

-attention：去掉本文模型中的交叉注意力機制。

-FLASH：去掉FLASH模塊，并用Transformer中的多頭自注意力機制和前反饋層代替。

表8中的各模塊消融實驗的結(jié)果表明：

(1) 損失函數(shù)用交叉熵損失替代后，模型的F1值下降了1.21%，證明了二分圖的匹配算法對實體順序不敏感，預測實體的排列不會影響模型訓練過程中損失的計算，能夠利用基于二分圖的匹配損失函數(shù)較好地完成命名實體識別。

(2) 本文模型中attention去掉之后，模型F1值下降了0.28%，表明加強實體查詢和醫(yī)學領域詞匯信息之間的交互計算有利于命名實體識別，可以提升本文模型對命名實體識別的準確率。

(3) 本文模型中的FLASH模塊用多頭自注意力和前反饋層替換后，模型F1值下降了0.78%，驗證了FLASH模塊在提取上下文語義信息和命名實體間的依賴關系上的有效性。

3 結(jié)束語

本文針對中文醫(yī)學命名實體識別任務設計了一個基于門控注意力單元的模型。首先，利用生物醫(yī)學領域的預訓練模型MC-BERT和BiLSTM網(wǎng)絡對輸入文本進行編碼，提取輸入文本中醫(yī)學領域的專業(yè)詞匯信息。其次，利用交叉注意力機制將醫(yī)學命名實體信息融入到查詢矩陣中，用FLASH結(jié)構提取醫(yī)學命名實體之間的依賴關系并捕捉醫(yī)學命名實體上下文相關的語境信息，提高模型對醫(yī)學命名實體識別的準確性。最后，用匈牙利算法計算模型訓練過程中的損失。實驗結(jié)果表明，與目前主流模型相比，本文模型在效果上達到了最佳，證明了本文模型在中文醫(yī)學命名實體識別任務上的有效性。在未來的工作中，將會嘗試在少樣本時，利用提示學習和對比學習進一步提升模型的性能。