事件抽取是构建高质量事件知识图谱的前提。【目的】临床事件抽取过程中事件元素存在依赖关系，现有方法无法准确识别事件元素并组合为事件，且现有临床事件标记数据较少，给事件抽取任务带了极大的挑战。【方法】论文将临床事件抽取建模为实体识别模型，提出一种融合多特征的中文医学事件抽取方法：BERT-MCRF。该方法使用BERT构建模型的嵌入和特征提取部分，在CRF层加入多个字的滑动窗口特征，然后将BERT-MCRF作为半监督实验的基实验，提出一种高置信度伪标签数据选择算法作为筛选数据的条件，得到较高质量的300条数据与原始数据合并，最终构建了1700条语料，并重新训练模型。【结果】BERT-MCRF模型在三种属性实体上的整体F1值达到80.21%，比经典的BiLSTM-CRF模型提升15.11%；通过半监督思路重新训练的模型最终F1值达到81.56%，较原始BERT-MCRF提升了1.35%。

1?引言
2?相关工作
3?融合多特征的中文医学事件抽取模型
3.1?模型描述
3.2 BERT进行特征提取
3.3 CRF修正序列标注
3.4 半监督Self-training方法
4?数据集与实验设置
4.1?数据集与评价指标
4.2?高置信度伪标签数据选择算法
4.3?实验及参数设置
4.4?实验结果与分析
4.4.1?不同模型对比分析
4.4.2?融合多特征的CRF对比分析
4.4.3?融合多特征的CRF对比分析
5?总结

罗媛媛,杨春明,李波等.基于高置信度伪标签数据选择算法的临床事件抽取方法[J/OL].太原理工大学学报:1-14[2023-11-01].http://kns.cnki.net/kcms/detail/14.1220.N.20231031.1400.008.html