来源：期刊VIP网 时间：
作者：李晨;刘纳;郑国风;杨杰;道路;
单位：北方民族大学计算机科学与工程学院;北方民族大学图像图形智能处理国家民委重点实验室;
摘要：针对医疗短文本存在特征稀疏、语义歧义和提取短文本特征不充分等问题，提出融合双通道特征的医疗短文本分类模型（EBDF）。该模型利用预训练模型得到动态词向量，使模型包含更丰富的语义信息；之后利用BiLSTM获取全局文本特征信息和DPECNN获取深层次的局部文本特征信息，为了提高模型的鲁棒性和泛化能力，采用FGM对抗训练算法对数据进行扰动；最后，将双通道的特征信息进行特征融合获得最终的文本表示。EBDF模型在三个医疗领域和两个通用领域的短文本数据集上与效果较好的模型相比，准确率提升约0.57%～6.16%,F1值提高约0.65%～5.80%。
关键词：医疗文本挖掘;;短文本分类;;特征融合;;BiLSTM;;DPECNN;;双通道
基金资助：宁夏自然科学基金项目（2021AAC03224）;; 北方民族大学校级科研项目（2024XYZJK01）;北方民族大学研究生创新项目（YCX23167）
