买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：清华大学

摘要：本申请涉及文本处理技术领域，特别涉及一种网络文本中药物名称及药物不良反应的联合检测方法，方法包括：提取网络文本的局部上下文信息，得到网络文本中单词的局部上下文表示；提取网络文本的全局上下文信息，得到网络文本的全局上下文表示；基于局部上下文表示和全局上下文表示，利用预先训练的分类模型识别网络文本的实际类别，并根据实际类别得到网络文本中药物名称及药物不良反应的检测效果。由此，有效地提升了网络文本中药物名称及药物不良反应的检测效果。

主权项：1.一种网络文本中药物名称及药物不良反应的联合检测方法，其特征在于，包括以下步骤：提取网络文本的局部上下文信息，得到所述网络文本中单词的局部上下文表示；提取所述网络文本的全局上下文信息，得到所述网络文本的全局上下文表示；基于所述局部上下文表示和所述全局上下文表示，利用预先训练的分类模型识别所述网络文本的实际类别，并根据所述实际类别得到所述网络文本中药物名称及药物不良反应的检测效果；在利用所述预先训练的分类模型识别所述网络文本的实际类别之前，还包括：对文本的局部信息建模，构建单词的局部上下文表示模型，以提取所述局部上下文信息；对所述文本的全局信息建模，构建所述文本的全局上下文表示模型，以提取所述全局上下文信息；联合训练所述局部上下文表示模型和所述全局上下文表示模型，得到对是否包含药物名称或药物不良反应进行分类的分类模型；所述对文本的局部信息建模，构建单词的局部上下文表示模型，包括：使用字符向量嵌入矩阵查找所述文本的字符的向量表示；使用字符级别的卷积神经网络，根据所述字符的局部上下文信息学习字符的隐向量表示；使用词向量嵌入矩阵查找所述文本的词向量表示；连接所述文本的字符向量表示和词向量表示；所述对所述文本的全局信息建模，构建所述文本的全局上下文表示模型，包括：使用双向长短时记忆网络学习所述文本的全局上下文信息；使用多头自注意力机制绘制单词的交互，构建质量满足预设条件的单词上下文表示；使用附加注意机制建模上下文信息量，为每个单词计算重要性权重；根据所述每个单词的重要性权重加权求和，得到最终表示；所述联合训练所述局部上下文表示模型和所述全局上下文表示模型，得到对是否包含药物名称或药物不良反应进行分类的分类模型，包括：使用全连接层和激活函数转换所述文本的隐藏表示；使用两个单独的全连接层和SoftMax函数预测最终标签；联合药物名称分类模型和药物不良反应分类模型。

全文数据：

权利要求：

百度查询： 清华大学 网络文本中药物名称及药物不良反应的联合检测方法