智能计算机与应用
智能計算機與應用
지능계산궤여응용
Computer Study
2014年
1期
69-71,74
,共4页
电子病历%实体识别%堆积策略
電子病歷%實體識彆%堆積策略
전자병력%실체식별%퇴적책략
随着各国政府对健康医疗信息系统的投入,电子病历信息挖掘得到越来越多学者的关注.与传统的文本相比,电子病历有其自身的特点..在2010年i2b2举办的评测中,概念抽取任务最好系统的F值为0.8523,与传统的命名实体识别效果有一定差距.使用了CRF、最大熵两种模型建立了baseline系统并且使用堆积策略综合两者的结果,使得系统的F值达到了91.1%.
隨著各國政府對健康醫療信息繫統的投入,電子病歷信息挖掘得到越來越多學者的關註.與傳統的文本相比,電子病歷有其自身的特點..在2010年i2b2舉辦的評測中,概唸抽取任務最好繫統的F值為0.8523,與傳統的命名實體識彆效果有一定差距.使用瞭CRF、最大熵兩種模型建立瞭baseline繫統併且使用堆積策略綜閤兩者的結果,使得繫統的F值達到瞭91.1%.
수착각국정부대건강의료신식계통적투입,전자병력신식알굴득도월래월다학자적관주.여전통적문본상비,전자병력유기자신적특점..재2010년i2b2거판적평측중,개념추취임무최호계통적F치위0.8523,여전통적명명실체식별효과유일정차거.사용료CRF、최대적량충모형건립료baseline계통병차사용퇴적책략종합량자적결과,사득계통적F치체도료91.1%.