1.一种药品说明书文本命名实体识别建模方法，其特征在于，包括：步骤1：使用BERT模型将药品说明书文本语句序列S＝(x1,x2,...,xn)向量化，得到带有上下文信息及文本语义信息的特征向量W＝(w1,w2,...,wn)；其中，wi是语句序列S中文字xi上下文相关的动态特征向量，其维度为d；i∈{1,2,3,...,n}；

步骤2：使用双向长短期记忆网络BiLSTM从特征向量W中学习到药品说明书文本的上下文信息，得到隐藏向量H，具体为：

所述BiLSTM分别由一个前向LSTM网络和一个后向LSTM网络从特征向量W中学习药品说明书文本的上文信息和下文信息，得到其隐藏层状态输出 和其中， 和 分别表示前向LSTM网络和后向LSTM网络在t时刻的隐藏层状态输出，t∈{1,2,3,...,n}；

BiLSTM通过将前向LSTM网络和后向LSTM网络的隐藏层状态输出拼接得到语句的隐藏向量H＝(h1,h2,...,hn)，其中在t时刻的隐藏层状态输出为： ht的维度为dh；

步骤3：使用全连接层FC将隐层向量H进行降维，得到标签特征向量M＝H·WFC+BFC；其中，WFC和BFC分别为全连接层FC的权重矩阵和偏置向量，WFC的维度为dh×dl，BFC的维度为dl，dl为实体标签的数量；所述实体标签是对语句序列的文字的标注；

步骤4：利用条件随机场CRF对标签特征向量M进行解码，得到语句序列S最终的输出序*

列Y，具体为：

通过得到的语句的标签特征向量M＝(m1,m2,...,mn)，计算可能的输出标签序列Y的条件概率：p(Y|M)＝CRF(M,Y)；其中Y∈YS，YS表示语句序列S所有可能的输出标签序列集合；

*

将条件概率最大的输出标签序列Y作为语句序列S最终的输出序列：*

Y＝argmaxP(Y|M)。

2.根据权利要求1所述药品说明书文本命名实体识别建模方法，其特征在于，所述BERT模型为微调后的BERT模型；所述微调后的BERT模型通过以下步骤建模，再经训练后得到；

步骤1：使用BERT模型将药品说明书文本语句序列X＝(x1,x2,...,xm)向量化，得到带有上下文信息及文本语义信息的特征向量WFT＝(w1,w2,...,wm)；其中wj是语句序列X中文字xj上下文相关的动态特征向量，其维度为d；j∈{1,2,3,......,m}；

步骤2：使用全连接层FC将特征向量WFT进行降维，得到标签特征向量其中， 和 分别为全连接层FC的权重矩阵和偏置向量，的维度为d×dl， 的维度为dl，dl为实体标签的数量；所述实体标签是对语句序列的文字的标注；

步骤3：将标签特征向量MFT输入到Softmax网络，得到语句序列X的标签预测信息L：L＝softmax(MFT)＝(l1,l2,...,ln)，其中li表示语句序列X中文字xj对应的标签的归一化概率值；

步骤4：使用交叉熵函数计算标签预测信息L和真实标签LT之间的损失值，使用反向传播算法迭代更新BERT模型的权重直至损失值收敛，得到微调后的BERT模型。