1.基于融合注意力的医疗命名实体识别建模方法，其特征在于，包括：步骤1：将医疗文本语句s进行中文分词并索引：将医疗文本语句s与词典进行匹配得到词语序列w1，w2，...，wn，wi为词语序列中第i个词语，i＝1，2，...，n；第i个词语的第k个字符以t(i，k)进行索引，k为字符在词语中所处位置；

所述医疗文本语句s＝c1，c2，...，cm，cj为医疗文本语句s的第j个字符，j＝1，2，...，m；

索引以b作为开始且以e作为结束的词语通过 进行表示，其中b表示词语开始字符的索引，e表示词语结束字符的索引；

步骤2：利用前向LSTM和反向LSTM通过拼接得到Bi‑LSTM模型；

所述前向LSTM的 为：

c

其中， 和 分别为输入门、遗忘门和输出门； 为新的候选细胞信息； 和b分别为要学习的模型权重参数和偏置项；σ为Sigmoid函数；⊙为哈达玛乘积；

c

为字符cj的嵌入表示， e表示字符嵌入查询表；

为字符cj对应的隐藏状态， 为字符cj对应的字符细胞状态； 为前一字符cj‑1对应的隐藏状态， 为前一字符cj‑1对应的字符细胞状态；

引入词语信息后的字符细胞状态 由以下步骤得到：其中， 和 为 和 经过归一化之后得到；

为引入的附加门结构，用于控制所有以索引为e的字符结尾的词语细胞 对尾字l

符细胞 的贡献， 和b 分别为要学习的模型权重参数和偏置项；

词语细胞状态 由以下步骤得到：

w

其中， 为输入门， 为遗忘门； 为新的候选词语细胞信息； 和b分别为要学习的模型权重参数和偏置项； 为词语首字符对应的隐藏状态；

w

为词语 的嵌入表示， e 表示由步骤1所述词典转化得到的词嵌入查询表；

反向LSTM与前向LSTM类同；

将上述方法分别用于医疗文本语句s，得到 和 两组向量，然后将两组向量进行拼接，s中每个字符对应的最终隐藏向量 计算公式如下：步骤3：通过注意力机制给步骤2的输出分配与其对应的权重αtj，特征向量 以及与其对应的权重αtj进行加权求和后得到新的输出向量ct，具体为：特征向量 对应的权重αtj由以下步骤得到：其中，etj用于度量第j个源端字符与第t个目标端字符的匹配程度；st‑1为第t时刻隐藏层状态； Wa和Ua为权重矩阵；

步骤4：通过条件随机场CRF对步骤3输出的特征向量c＝{c1，c2，...，cm}进行解码，得到输入医疗文本语句s的医疗实体类型的标注，具体为：P(y|c)＝CRF(c，y)；

其中，y为输入医疗文本语句s所有可能的输出标签序列，P(y|c)为可能的输出标签序列y的条件概率；

预测时，通过动态规划的维特比算法(Viterbi Algorithm)在输入序列上找到得分最*高的标注序列，得到输入医疗文本语句s的医疗实体类型的标注y，*

y＝arg max P(y|c)。