[发明专利]一种面向多数据源的医疗器材类实体识别方法及装置

权利要求书

1.一种面向多数据源的医疗器材类实体识别方法，其特征在于，包括：

获取原始数据中的待处理语句；

将所述待处理语句进行单字切分，确定待处理语句中的每个文字；

根据预先训练完成的CRF训练模型，确定待处理语句中的每个文字在待处理语句中的实体标记，并确定待处理语句的实体标记序列；

根据待处理语句的实体标记序列，确定待处理语句的第一组候选实体；

根据预先设置的医疗器材类术语切分策略，对所述待处理语句进行术语切分，确定第二组候选实体；

根据第一组候选实体和第二组候选实体中各候选实体的末尾字符，对各候选实体进行筛选，分别形成第一组医疗器材类候选实体和第二组医疗器材类候选实体；

若第一组医疗器材类候选实体和第二组医疗器材类候选实体不相同，根据预先设置的判断策略从第一组医疗器材类候选实体和第二组医疗器材类候选实体中确定医疗器材类实体结果。

2.根据权利要求1所述的面向多数据源的医疗器材类实体识别方法，其特征在于，所述根据预先设置的判断策略从第一组医疗器材类候选实体和第二组医疗器材类候选实体中确定医疗器材类实体结果，包括：

确定待处理语句在进行术语切分时，是否通过预先设置的切分规则进行切分；

若待处理语句在进行术语切分时，通过预先设置的切分规则进行切分，则选择所述第二组医疗器材类候选实体中的候选实体作为医疗器材类实体结果；

若待处理语句在进行术语切分时，未通过预先设置的切分规则进行切分，则选择所述第一组医疗器材类候选实体中的候选实体作为医疗器材类实体结果；

或者，确定来源于相同待处理语句的原始字符串的第一组医疗器材类候选实体和第二组医疗器材类候选实体中，实体个数少，且实体包含的字符数多的一组实体作为医疗器材类实体结果；

所述医疗器材类实体结果中的实体类型包括医疗器材名称实体、器材规格型号实体；

在所述第一组医疗器材类候选实体和第二组医疗器材类候选实体中相对应的实体的实体类型不一致时，选择第二组候选实体中的实体的实体类型作为所述相对应的实体的实体类型。

3.根据权利要求2所述的面向多数据源的医疗器材类实体识别方法，其特征在于，所述原始数据包括医疗器材临床治疗数据、医疗器材研发实验数据、医疗器材销售数据、医疗器材科技文献数据、医疗器材电子商务数据。

4.根据权利要求3所述的面向多数据源的医疗器材类实体识别方法，其特征在于，根据预先训练完成的CRF训练模型，确定待处理语句中的每个文字在待处理语句中的实体标记，并确定待处理语句的实体标记序列，包括：

从预先设置的语料库中提取待处理语句中的每个文字的CRF统计特征值；所述预先设置的语料库中记录有原始数据中各语句、各语句中的实体、以及各语句中的实体在各语句中的位置以及实体类别；所述CRF统计特征值包括每个文字在各语句中的分词特征值；

根据每个字在各语句中的CRF统计特征值，确定一训练模型；所述训练模型为：

根据所述训练模型，计算待处理语句中的每个文字的实体标记y_j；

将每个文字的实体标记进行组合，形成待处理语句的实体标记序列；其中，x表示所述待处理语句；y_j表示待处理语句中j位置对应的文字的实体标记；f_i(y_j,y_j-1,x)表示待处理语句中分词特征i的函数值；λ_i为模型参数；m表示分词特征的个数；n表示待处理语句中的文字位置个数；Z(x)表示归一化因子；p(y|x)表示文字在待处理语句中的标记概率。

5.根据权利要求4所述的面向多数据源的医疗器材类实体识别方法，其特征在于，根据待处理语句的实体标记序列，确定待处理语句的第一组候选实体，包括：

在实体标记序列中确定各文字对应的分词特征值，并根据所述分词特征值确定待处理语句的第一组候选实体。