我们使用内置算法，利用数据采集模块处理后的资源，分别训练了限定类型 的关系抽取器和非限定类型的关系抽取器两种抽取模型。这些模型可以将大量非结构化文本转换成高质量的关系三元组形式。在系统应用模块中，我们直接面向用户，通过 Neo4j 图形数据库实现了关系三元组的存储与结构化组织。

在医疗问答系统中，分词质量的好坏将直接影响后续自然语言处理任务的效果。目前主流的分词方法基于传统的机器学习模型，但随着深度学习神经网络的不断发展，长短期记忆（LSTM）神经网络模型已经成功解决了普通循环神经网络模型无法长期依赖信息的问题，并广泛应用于自然语言处理领域。在本项目中，18我们对经典单向 LSTM 模型进行了如下改进：

（1） 为了进一步提高文本分词的准确性，我们在经典单向 LSTM 模型中增加了自后向前的反向 LSTM 层。通过这种方式，我们设计出了 BI-LSTM 模型，并对双层网络的权重进行了调整，使其能够更好地影响后续的文本分词过程。这种改进可以帮助我们更全面地捕捉文本序列的特征，提高分词的精度和效果。

（2） 考虑到医疗领域文本的特点，我们对 BI-LSTM-CRF 组合网络的标注集进行了扩充。具体地，我们将原来的 4 词位标注集扩充为 6 词位标注集，并相应调整了标注层的结构和参数了置。这种改进可以更好地反映医疗文本中存在的各种实体和关系类型，提高分词和实体/关系抽取的准确性和效果。

（3） 由于混合语料的特殊性，原有的中文分词神经网络模型参数值并不能完全 适用于我们设计的 BI-LSTM-CRF 组合网络。因此，在测试和比较不同网络参数的过程中，我们对该网络进行了一系列的修改和调整，以得到更适用于医疗文本分词的 BI-LSTM-CRF 网络。这种改进可以使网络更加准确地识别和标注各种实体和 关系类型，并提高分词的精度和效果