1、電子病歷中包含著大量醫(yī)療領(lǐng)域的知識，并且利用以電子病歷為代表的臨床醫(yī)療數(shù)據(jù)來輔助醫(yī)療診斷以及建立用戶健康信息模型已經(jīng)成為了醫(yī)療信息學(xué)的發(fā)展的方向。電子病歷中的出院小結(jié)和病程記錄是最典型的無結(jié)構(gòu)文本，其中記錄著患者的臨床治療過程，包含著大量的專業(yè)術(shù)語，所以在其之上的信息抽取成為了挖掘知識的第一步，其中電子病歷中的實體抽取以及實體間關(guān)系的抽取是核心內(nèi)容。電子病歷的語料標(biāo)注需要大量的專業(yè)領(lǐng)域知識，所以標(biāo)注語料的構(gòu)建存在著較大困難。i2b2評測

2、及其標(biāo)注語料大大促進(jìn)了信息抽取在電子病歷上面的研究。本文將使用i2b22010年提供的語料來進(jìn)行研究。
　　本文主要針對電子病歷實體關(guān)系抽取任務(wù)進(jìn)行研究，研究工作包括以下四個方面內(nèi)容：
　?。?）對電子病歷實體關(guān)系抽取任務(wù)和評價方法以及使用的外部相關(guān)詞典數(shù)據(jù)資源進(jìn)行介紹
　　（2）介紹關(guān)系抽取的一般方法，并選擇基本特征，通過CRF模型進(jìn)行有監(jiān)督訓(xùn)練，將原問題轉(zhuǎn)化為一個分類問題，完成了baseline系統(tǒng)，完成對誤分類實

3、例的分析，進(jìn)而從特征選擇的方向來對實驗的效果進(jìn)行優(yōu)化。
　?。?）利用深度學(xué)習(xí)的方法進(jìn)行特征的優(yōu)化，將基本的詞級別特征組成的上下文特征來進(jìn)行更高級的表示，來得到更有判別能力的抽象特征。在實驗中使用多層稀疏自動編碼來進(jìn)行特征的逐層抽象，對于識別率較低的關(guān)系類別的召回率有提升效果，并且整體的F1值也比baseline提升了1.5％，達(dá)到86.1%。結(jié)果說明深度學(xué)習(xí)對電子病歷中特征的再表示可以得到更有識別力的特征。
　?。?）通過

4、詞形信息以及外部詞典資源將相似語義的詞進(jìn)行合并，并利用統(tǒng)計分析方法對其中顯著特征進(jìn)行提取來對特征進(jìn)行進(jìn)一步優(yōu)化，對比于深度學(xué)習(xí)，其時間效率大大提升，整體的F1值較 baseline系統(tǒng)提升了2.3%，達(dá)到了86.9%。結(jié)果說明在同義詞合并的基礎(chǔ)上，基于統(tǒng)計方法的顯著特征抽取在電子病歷的實體關(guān)系抽取中有著比較明顯的效果。
　　綜上所述，本文針對于電子病歷實體關(guān)系任務(wù)進(jìn)行研究，并從特征表示優(yōu)化的角度進(jìn)行方法的改進(jìn)，本文中提出的基于深度