1.一种医疗命名实体识别方法，其特征在于：包括以下过程：获取待识别的医疗文本数据；

根据获取的医疗文本数据，得到至少一个句子中的词嵌入向量；

进行句子中短语的语法角色标记，结合短语之间的依存关系，得到短语之间的关系图，根据预设图卷积神经网络中，得到特征向量；

将获取的词嵌入向量和特征向量进行拼接，得到拼接后的输入向量；

根据拼接后的输入向量和预设动态堆叠网络，得到医疗命名实体识别结果；

其中，所述动态堆叠网络中，根据句子的嵌套层数确定Transformer‑CRF层的叠加数量；

将短语定义为结点，将短语之间的依存关系定义为边，利用图卷积神经网络通过所述关系图上操作聚集结点的邻域特征；

如果只有一层卷积，则捕获直接邻居节点特征，如果具有多层卷积堆叠卷积层，则捕获最多K跳跃的任何结点特征。

2.如权利要求1所述的医疗命名实体识别方法，其特征在于：如果当前Transformer‑CRF层预测到实体，则引入一个新的Transformer‑CRF层，结合当前Transformer‑CRF层检测到的每个实体的单词序列表示，组成该实体的新表示，然后将其作为输入传递到新的Transformer‑CRF层。

3.如权利要求1所述的医疗命名实体识别方法，其特征在于：动态堆叠网络中，如果当前Transformer‑CRF层检预测到非实体，则保留字符表示而不进行任何处理。

4.如权利要求1所述的医疗命名实体识别方法，其特征在于：短语之间的依存关系分析时没有非终结符，词与词相互依存，两个词分别为核心词和从属词，用有向弧表示，弧的方向为核心词指向从属词，弧上的标记为依存关系类型。

5.如权利要求1所述的医疗命名实体识别方法，其特征在于：利用XLnet语言模型进行词向量的获取，且XLnet语言模型采用双流注意力机制。

6.一种医疗命名实体识别系统，其特征在于：包括：数据获取模块，被配置为：获取待识别的医疗文本数据；

词嵌入向量获取模块，被配置为：根据获取的医疗文本数据，得到至少一个句子中的词嵌入向量；

特征向量提取模块，被配置为：进行句子中短语的语法角色标记，结合短语之间的依存关系，得到短语之间的关系图，根据预设图卷积神经网络中，得到特征向量；

向量拼接模块，被配置为：将获取的词嵌入向量和特征向量进行拼接，得到拼接后的输入向量；

实体识别模块，被配置为：根据拼接后的输入向量和预设动态堆叠网络，得到医疗命名实体识别结果；

其中，所述动态堆叠网络中，根据句子的嵌套层数确定Transformer‑CRF层的叠加数量；

将短语定义为结点，将短语之间的依存关系定义为边，利用图卷积神经网络通过所述关系图上操作聚集结点的邻域特征；

如果只有一层卷积，则捕获直接邻居节点特征，如果具有多层卷积堆叠卷积层，则捕获最多K跳跃的任何结点特征。

7.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1‑5任一项所述的医疗命名实体识别方法中的步骤。

8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑5任一项所述的医疗命名实体识别方法中的步骤。