[发明专利]一种中医细粒度证候名分割的远程监督方法

权利要求书

1.一种中医细粒度证候名分割的远程监督方法，其特征在于：使用中医证候的命名和翻译惯例来训练基于中医细粒度证候名分割的条件随机场模型，首先利用汉英平行语料库中医证候的汉英字词关系，采用概率对准方法构建带噪声的标记训练数据，该概率对准方法结合正向对准和反向检查通过启发式推理来推断出中医证候中的细粒度段，然后使用这些细粒度段训练条件随机场模型；

所述远程监督方法的具体包括以下步骤：(1)用中医证候的英文翻译中的词语之间的自然分隔符来建立中医细粒度证候名分割的条件随机场的训练数据；(2)通过概率对准方法将中医症候中的中文字符与相应翻译的英文单词对准；(3)训练中医学领域基于中医细粒度证候名分割的条件随机场模型；

所述步骤(2)的概率对准方法包括：正向对准方法、反向检查方法和启发式推断方法；

所述正向对准方法用于将中医证候c中的中文字符c_i与相应翻译e中的英文单词e_j进行概率性对齐；在给定c_i的条件下，e_j的对准概率可以通过有拉普拉斯平滑的条件概率直接定义，即

其中，上式(1)中c(e_j，c_i)是e_j和c_i的共现频次，c(c_i)是c_i出现的频次，|V_c|是语料库中字典的数量，α≥0是拉普拉斯平滑参数，P(e_j|c_i)值越高表明与e中的其他英语单词相比e_j与c_i具有更高的关联性；

所述反向检查方法用于检查前向对准方法的结果，即e_j与c_i是否高可信对齐，与c中的其他中文字符相比，c_i与e_j也具有高可信度，反向检查定义为

在式(2)中，c(c_i，e_j)与式(1)中的c(e_j，c_i)具有相同的含义，c(e_j)是e_j出现的频次，|V_e|是语料库中字典的数量；所述反向检查方法也使用了拉普拉斯平滑，其中β≥0是拉普拉斯平滑参数；

所述启发式推理方法用于寻找c中最高可信度对应的最佳细粒度分割段由组成，而由与e_j对准的中文字符组成，它们在e中与相同的e_j对齐，且都是最高的对准概率，对准概率通过正向对准概率和反向检查概率组合测量，定义如下

其中，上式(3)中λ是平衡P(c_i|e_j)和P(e_j|c_i)概率分布的参数，如果在推断过程中存在联系，则使用启发式策略，将被设置为与之前相邻的结果相同的值；如果当前位置是c的第一位，根据经验设定为1。

2.如权利要求1所述的中医细粒度证候名分割的远程监督方法，其特征在于：所述步骤(1)具体是通过对中医症候命名风格的观察和中英翻译惯例，中医证候的细粒度片段通过中医证候相应翻译中英文单词之间的自然分隔符来识别，中医证候的细粒度片段将构成用于在中医学领域中基于中医细粒度证候名分割的条件随机场训练的标记数据。

3.如权利要求1所述的中医细粒度证候名分割的远程监督方法，其特征在于：所述步骤(3)包括分段表示、特征定义和参数设置；所述分段表示是将中医学中的中医细粒度证候名分割的任务定义为一个序列标注过程，用一个标签标记每个汉字，标签代表了一个细粒度段的特定部分，该细粒度段属于汉字，常用的有五种代表性的标签类型；所述特征定义包括n元语法特征定义和具有间隙的n元特征定义；所述条件随机场的实现是采用CRF++工具，使用拟牛顿法训练模型。