冠心病是危害人类健康的重要疾病,患者的电子病历中蕴含着大量如高血压、糖尿病等危险因素的描述信息,准确抽取这些描述信息对临床研究和辅助临床诊断具有重要意义。目前,基于英文电子病历的冠心病危险因素抽取已经开展了大量工作,而基于中文电子病历的抽取研究则相对较少,因而研究中文电子病历的冠心病危险因素抽取十分必要。本文综合运用自然语言处理的多种技术,在构建语料库的基础上,研究冠心病危险因素的抽取方法,为临床实验提供参考。本文的主要贡献有:(1)制定了适用于中文电子病历的冠心病危险因素语料库的标注指南,完成了语料库的构建。在对新疆某三甲医院提供的500名冠心病患者的出院小结预处理的基础上,参照2014年美国临床信息学研究中心I2B2发布的冠心病危险因素标注语料库,制定了标注指南并开发了危险因素语料库标注工具;由两名临床医生完成了预标注和正式标注工作。经过三轮预标注和一轮正式标注后,标注一致性IAA达到了0.95,结果表明标注具备可靠性。(2)提出了一种混合式冠心病危险因素抽取方法。针对所构建语料库中危险因素标识数据存在不平衡问题,分别采用基于规则和机器学习的方法实现抽取。对标识数据分布较多的危险因素,运用条件随机场CRF与双向长短时记忆神经网络Bi-LSTM结合的模型进行抽取;对标识数据分布较少的,则借助基于规则的方法完成。分组抽取有助于克服描述信息不平衡导致的模型泛化能力差、容易发生过拟合的缺点,实验表明混合式抽取方法的F值为0.882,高于单一方法、单一分组抽取结果。(3)为进一步提高准确率,针对标识数据较多的危险因素,提出一种改进的多任务Bi-LSTM-CRF的抽取方法。使用分词数据构建词向量,将抽取任务与分词任务相结合,在抽取过程中共享分词中所获取的词边界信息,为抽取提供更多的特征集。两种任务均采用Bi-LSTM-CRF模型对危险因素进行了抽取,实验表明F值为0.885,远优于单独使用Bi-LSTM-CRF模型抽取结果0.865。