DOI:10.3969/j.issn.1673-6036.2026.04.008
中图分类号:R-05
全文
文内图表
参考文献
出版信息
目录
文内图表
基于深度学习的中医古籍命名实体识别研究综述
1 引言
中医古籍作为承载数千年医学智慧的宝贵财富，是中医药创新发展的根基。2024年7月国家中医药管理局与国家数据局联合印发《关于促进数字中医药发展的若干意见》，明确提出要深度挖掘包括古籍文献在内的数据资源，推动其数字化进程及在人工智能大模型中的应用。借助人工智能、大数据等数字技术，中医古籍的知识价值被激活，推动了中医药领域的传承与创新发展［1-2］。
命名实体识别（named entity recognition，NER）是自然语言处理领域的核心任务之一，其研究可追溯到20世纪90年代初期。进入21世纪，为应对文本数据量激增，以及实体多样性与复杂性显著提升等挑战，统计学习方法逐渐成为主流。Lafferty J等［3］提出条件随机场（conditional random field，CRF）模型，克服了传统方法中的标签独立假设问题；Vapnik V等［4］提出支持向量机方法，通过构造高维特征空间优化分类性能，两者共同推动了NER技术进步。近年来，深度学习的快速发展为NER带来革命性突破。Collobert R等［5］将卷积神经网络（convolutional neural network，CNN）应用于NER任务；Huang Z等［6］提出基于双向长短期记忆网络（bi-directional long shortterm memory，BiLSTM）的序列标注方法，这些深度学习方法能够自动学习和抽象复杂的文本特征，显著提升了命名实体识别的准确率［7］。
本研究系统梳理中医古籍NER领域的研究进展与热点方向。通过剖析中医古籍文本的语言特性与知识体系特殊性，总结该领域面临的核心挑战；重点分析CNN、循环神经网络（recurrent neural network，RNN）、预训练语言模型与图神经网络（graph neural network，GNN）等深度学习方法的技术特点，归纳多特征融合、面向低资源、领域知识融合与应用场景驱动的技术融合［8-11］4类前沿研究路径。
2 中医古籍命名实体识别概述
2.1 中医古籍命名实体识别的特殊性
中医古籍NER任务旨在从中医古籍文本中自动识别药材、方剂、疾病、症状等具有特定意义的实体，具有鲜明的领域特殊性。一是文言文语法自由、标点缺失导致文本歧义性强、实体边界模糊［12］。二是术语体系中同义异名、通假异体字现象普遍，造成标准化与词典构建困难［13］。三是知识表达富含历史隐喻与文化内涵［14］，实体类型复杂多样且存在交叉嵌套［15］。四是高质量标注语料稀缺与统一标准体系匮乏，进一步制约了相关模型的训练与评估［16］。这些特殊性共同构成了其区别于现代领域文本NER的独特挑战。
2.2 数据集
中医古籍NER技术发展高度依赖高质量标注数据集支撑。现有公开语料库虽为研究提供了基础，但其覆盖的实体类型多局限于疾病、症状与药材等基础单元，普遍存在规模有限、标注规范不统一等问题，严重制约深度学习模型性能的进一步提升。目前中医药领域较具代表性的NER数据集，见表1。
表1 中医药领域数据集（部分）
实体数是否治疾病、毒性等级等《普济方·针灸门》实体语卷名、疾病、症状、腧8 004否藏医古籍《四部医典》实体藏药名、疾病、治法、身24 918否数据集实体类型量（个）公开《神农本草经》实体语料［17］中药名、药性、功效、主5 273否料［18］穴、治法《伤寒论》实体语料［19］症状、证候、疗法、病3 518否机、时间、状态、部位《海药本草》实体语料［20］药物、部、味、性、毒性、518否功效、产地语料［21］体部位、病因MC-TCMNER［22］症状、病因、草药、制剂9 036是和功效
2.3 评价指标
模型性能评价是确保中医古籍NER研究有效性的关键环节。常用评价指标包括精确率（precision，P）、召回率（recall，R）和F1值（F1-score）。精确率衡量模型识别出的命名实体中有多少是正确的，召回率衡量实际存在的命名实体中有多少被模型成功识别。精确率与召回率往往呈现一定的矛盾关系，提升其中一个指标可能会导致另一个指标的下降。因此，F1值作为精确率与召回率的调和平均值，成为评价模型性能的综合指标。3个指标计算方式如下，其中TP代表真正例，FP代表假正例，FN代表假负例。
3 基于深度学习的中医古籍命名实体识别
随着研究的不断深入，中医古籍NER技术经历了由传统基于规则和词典的技术到统计机器学习方法，再到深度学习方法的逐步演进［23］。深度学习方法因其强大的特征自动学习能力，在中医古籍NER中取得显著突破［24］。
3.1 卷积神经网络
CNN通过局部感知机制提取文本中的局部特征，从而对中医古籍中的术语、药物等命名实体进行准确识别。针对中文历史文本无标准分词工具、字符语义依赖强的特性，Yan C等［25］以Word2Vec生成的字符级语义向量作为底层输入，由CNN进行深层特征提取，为古籍NER提供了底层技术支撑。近年来，有研究者将汉字字形信息引入NER模型。Liu F等［26］和Shao Y等［27］提出通过CNN直接对汉字图像进行处理，从中抽取字形特征。针对中文NER中词汇冲突难解决及实体边界模糊的问题，Gui T等［28］通过CNN并行编码与高层语义反馈的反思机制，提升了识别精度。但是CNN无法有效建模跨越长距离的语义依赖关系，越来越多的研究将CNN与其他类型神经网络结合，尤其是RNN［29］。
3.2 循环神经网络
RNN具有较强的序列建模能力［30］。长短期记忆网络（long short-term memory，LSTM）通过引入门控机制解决传统RNN存在的长程依赖问题。为进一步克服单向上下文建模的局限，BiLSTM成为主流架构，其通过同时整合前向与后向序列信息［31］，能够更全面地捕捉中医古籍文本的深层语义依赖，从而显著提升复杂实体边界的判定精度与语义表征准确性。为克服逐词标注策略在中医古籍文本中导致的实体标签全局一致性不足问题，引入CRF层以建模标签间的转移约束，有效提升了序列标注的连续性与准确性，BiLSTM-CRF架构成为当前领域主流方法之一，见图1。以输入序列“顿、嗽、宜、先、清、燥”为例，采用BIO标注体系界定实体边界，模型可成功识别出“顿嗽”和“清燥”两个独立实体。
图1 BiLSTM+CRF模型结构
高甦等［32］针对中医古籍NER任务，提出结合字向量的BiLSTM-CRF模型，识别《黄帝内经》中的5种实体，F1值达85.32%。实验中采用预训练字向量机制，且引入dropout防止过拟合，提升了识别效果；但其仅使用《黄帝内经》部分语料，数据规模小，训练数据具有局限性。肖瑞等［33］提出基于BiLSTM-CRF的命名实体识别框架，以Word2Vec作为静态词嵌入基础，结合BiLSTM的序列建模能力，提升了模型性能，F1值达到88.34%。但是该模型仍依赖BiLSTM处理序列特征，对跨段落的实体关系捕捉不足。徐弘民等［34］提出基于BiLSTM-CRF框架的序列标注模型，引入相对位置自注意力机制，通过计算词间相对位置偏移量，增强全局语义捕捉，显著提升对上下文敏感的中医实体识别效果。
3.3 预训练模型
近年来自然语言处理领域发生重大变革，以双向编码器表征量（bidirectional encoder representations from transformers，BERT）为代表的基于Transformer结构的预训练语言模型［35］逐渐应用于中医古籍NER任务。其能够自动学习语言的深层次结构和语义信息［36］，提高了模型在处理多样化文本时的泛化能力，见图2。为优化实体边界判定与长距离依赖建模，研究常将其与BiLSTM-CRF架构结合，以融合深层语义、序列信息及标签约束，从而显著提升识别性能，见图3。
图2 中医古籍预训练模型应用流程
图3 BERT-BiLSTM-CRF模型结构
为克服传统BERT-BiLSTM-CRF模型简单串联结构的局限，Hou J等［37］提出Dyn-Att Net模型，通过并行连接BERT和以Word2Vec为基础的LSTM路径，同时引入动态注意力机制，动态调整两者特征的重要性，从而更充分地融合语义与序列信息。该模型在公开TCM数据集上F1为81.91%，相比传统BERT-LSTM-CRF提升约1.22%，但其仍未解决中医领域实体类别极度不平衡的问题。其他BERT模型在中医古籍NER任务中的应用及特点，见表2。
表2 不同BERT模型在中医古籍NER任务中的应用及特点
模型核心技术优点缺点性能ALBERT-BiLSTM-ALBERT预训练模型参数更轻量，句子级语义关对古文虚词、指代等特在《伤寒论》数据集中F1值达CRF ［38］联更强殊语言现象不敏感86.02%，较BERT-BiLSTM-CRF模型提升3%融合汉字部首的BERT-汉字部首嵌入、BiLSTM、引入部首特征，增强中医术对长实体识别不完整，在中医医案中F1值为84.81%，对BiLSTM-CRF［39］CRF语的表征能力程度副词易误判药物、症状实体识别效果显著BERTsiku-BiLSTM-《四库全书》预训练 BERT、融合古文知识与中医理论，训练数据覆盖有限，模命名实体识别F1 达91.99%，支CRF ［40］知识图谱、“君臣佐使” 理论支持药-症-方关联分析型泛化能力待验证持关联分析SikuBERT+Flat-lattice 基于《四库全书》预训练的避免分词错误，有效保留词缺乏显式的序列约束，在《素问》数据集中有标点场景下Transformer［41］SikuBERT、Flat-lattice 结构汇边界信息实体边界判定易出错F1比原始SikuBERT提升约4%，适配古文句法BRL［42］古文预训练 BERT、部首嵌多维度字符表示，对复杂实数据源于单一病种，泛在名家医案中整体F1达 90.35%，入、关联词嵌入体识别效果好化性受限对脉象等复杂实体识别性能提升显著
3.4 图神经网络
GNN［43］通过将文本表示为图结构，实现特征的全局传播和关系推理，突破了预训练模型难以充分建模实体间复杂关系和知识依赖的局限性。Zou S等［44］提出基于异构图神经网络的模型，对TCM数据集进行实体关系识别，F1值达87.40%，提升了中医古籍NER模型提取效果。Xu Y等［45］针对古文书籍NER任务，提出BAC-GNN-CRF模型，通过图注意力网络整合词典匹配词和章节知识，对C-CLUE数据集进行识别，F1值达76.00%，为中医古籍NER提供了重要的语义增强框架。GNN凭借关系建模和外部知识注入优势，有效提升了语义解析和低资源适应能力，为知识图谱构建奠定基础；但仍面临计算开销高、噪声敏感和领域专用数据不足等局限。
4 中医古籍命名实体识别研究热点
随着研究的深入，传统深度学习方法逐渐暴露其局限性，尤其是在处理多样化特征、低资源环境下的应用以及领域知识的有效融合方面。对此，研究者提出多种创新思路和方法。
4.1 多特征融合模型
中医古籍文本作为文言文语料，其复杂的一词多义现象与模糊的实体边界，使严重依赖分词质量的传统方法面临严峻挑战。因此，能够整合字符、词汇、语义等多维度信息的融合模型成为重要研究方向。孙超等［46］将古籍语言特点加入CRF模型，以字为粒度，模型识别F1值从68.48%提升至79.52%。在词汇增强方面，高质量领域词典的引入，弥补了基于字符向量特征可能导致的文本序列词汇语义信息丢失缺陷，叶青等［47］采用Flat-Lattice Transformer模型将词汇匹配结果与字符拼接，通过线性层映射使词汇向量与字符向量维度一致，保留词汇语义信息，提高了模型对边界模糊实体的处理能力。融合字形特征也有助于提升中医古籍NER模型的识别能力，如Glyce模型［48］。常见多特征融合模型，见表3。
表3 多特征融合模型性能对比
模型特征数据集优势缺点识别效果RoBERTa-BiLSTM-CRF字《新安医案》实体语料增强模型对实体边界样本不均衡，致病因、P=78.1%，R=65.4%，模型［49］和类别的感知能力治法等实体识别不全F1=71.1%BERT-BiLSTM-CRF-部字、词《脉经》实体语料有效提高中医古籍实未处理繁简体部首的P=86.09%，R=83.37%，首特征模型［50］体识别准确率语义差异问题F1=84.77%SiKuBERT-MECT模型［51］字《本草纲目》实体语料泛化能力良好，识别病理实体复杂且存在P=86.95%，R=86.37%，率高嵌套，训练样本不足F1=86.66%D-Bert-BiLSTM-CRF模字《神农本草经》《名医别录》《新修能更准确地确定实体未针对更多本草文献P=89.54%，R=91.56%，型［52］本草》《本草纲目》实体语料及其边界类型进行优化F1=90.54%TCM NER模型［53］词《普济方》《本草》实体语料能更好地学习实体边未完全消除词典未登P=89.36%，R=92.97%，界信息录词对性能的影响F1=91.13%Lattice-LSTM模型［54］字、词《伤寒论》实体语料避免分词错误，有效证候实体样本少P=95.69%，R=95.85%，提升识别效果F1=95.66%
4.2 面向低资源模型
由于古汉语的复杂性和术语多样性，中医古籍NER任务面临数据稀缺的重大挑战。迁移学习在通用领域成效显著，但难以直接适用于语言风格迥异的中医古籍。因此当前研究主要转向数据增强、半监督学习与远程监督学习等替代性方案，以在低资源条件下提升模型性能。一是数据增强，通过生成多样化训练样本，有效缓解标注数据不足问题。柳鹏等［55］提出基于LSTM的中医药数据增强方法，生成更多的中医药数据。杨延云等［56］提出基于EDA方法的数据增强策略，结合半监督自训练学习，有效扩展中医文本NER的训练数据集。二是半监督学习，结合无监督特征和规则后处理，进一步提高NER性能。包振山等［57］采用半监督学习和规则相结合的方法，构建中医古籍语料库，并通过CRF模型提升识别效果。三是远程监督学习，通过自动生成“银标准”数据集，有效降低标注成本。Jia Q等［58］提出针对“银标准”数据集的负采样策略，减少假阴性样本对训练的不良影响。
4.3 领域知识融合模型
领域知识的融合能够显著提升中医药NER模型表现。随着低资源模型研究的深入，在中医古籍NER中融合丰富领域知识成为提升模型性能的重要途径之一。在中医药领域，知识图谱构建是有效的领域知识融合方式，金志刚等［59］基于医疗领域知识图谱，提出融合知识图谱的神经网络架构，将知识图谱的结构化语义信息融入模型表示，有效提升医疗领域NER模型表现。党少康［60］基于《中国药典》构建医药知识图谱，并结合NER技术，通过将药典中的知识和实体关系融入模型，提升中医药领域实体识别效果。牛天星等［61］基于已构建的中医药领域知识图谱，提出结合领域知识图谱增强与Lattice-LSTM的KGE-NER模型，提升了中医药NER模型的表现。中医古籍NER任务面临语言、知识、资源多重挑战，既要深度融合古汉语语言学与领域知识，又要结合现代人工智能技术加以创新突破。
4.4 应用场景驱动的技术融合
目前中医古籍NER研究中，技术路线的演进日益受到下游重大应用需求的牵引，形成技术突破与应用深化双向互驱的研究范式。具体而言，中医知识图谱构建需求［62］推动了NER技术向深层语义关系联合抽取发展，以支撑精准的知识发现与可视化服务；智能化诊疗与辅助决策系统建设驱动研究聚焦细粒度实体识别与动态上下文建模［63］，以实现从复杂病历和古籍中提取结构化诊疗知识；教育与知识服务的革新促进了NER与大语言模型的深度融合［64］，以打造能够理解、阐释并个性化呈现古籍知识的智能平台；临床决策支持系统的发展进一步推动NER技术向多源异构数据融合与可循证建模方向演进［65］，以保障诊疗建议的准确性与系统性。该趋势表明，应用场景的不断拓展与深化，正持续引导并重塑中医古籍NER在模型架构、知识融合及可解释性等方面的核心研究议题。
5 结语
本研究系统梳理中医古籍NER的研究进展。当前研究已演进至以深度学习为主导的范式，在模型适配、低资源学习及知识融合等方面取得进展。但仍存在局限：研究多呈现技术驱动特征，侧重性能比较，对古籍知识体系的结构化映射、深层语义解析等根本挑战关注不足；受限于小规模异质语料与不统一的评估标准，研究的普适性与可复现性受到制约。为突破瓶颈，未来研究应向问题驱动转变，聚焦统一标注体系与评测基准构建，并着力探索融合古文语言学与领域知识图谱的预训练大模型及认知推理模型。
作者贡献：咸宏欣负责文献调研、论文撰写；生慧负责提出选题、论文审核；马素芬、蔡肖红负责论文修订；张丰聪负责提供指导；陈一帆负责文献调研；王苹苹负责提供指导。
利益声明：所有作者均声明不存在利益冲突。
1李明，罗晓兰，朱邦贤.中医古籍方剂数据挖掘与知识问答系统构建［J］.图书馆论坛，2025，45（4）： 49-59.
2吉祥宇，王鑫，张鹤译，等.面向中医药大模型的知识增强方法研究［J］.计算机科学与探索，2024，18（10）：2616-2629.
3LAFFERTY J， MCCALLUM A， PEREIRA F C N.Conditional random fields： probabilistic models for segmenting and labeling sequence data［C］.San Francisco： The 18th International Conference on Machine Learning， 2001.
4VAPNIK V.The nature of statistical learning theory［M］.New York： Springer Science & Business Media， 2013.
5COLLOBERT R， WESTON J， BOTTOU L， et al.Natural language processing （almost） from Scratch［J］.Journal of machine learning research， 2011， 12（7）： 2493-2537.
6HUANG Z， XU W， YU K.Bidirectional LSTM-CRF models for sequence tagging［EB/OL］.［2025-08-09］.https：//arxiv.org/abs/1508.01991.
7朱可，李义凯，李炜弘，等.面向中医古籍的知识抽取研究进展［J］.世界科学技术-中医药现代化，2025，27（11）：3295-3303.
8HU H， CHENG C， YE Q， et al.Enhancing traditional Chinese medicine diagnostics：integrating ontological knowledge for multi-label symptom entity classification［J］.Mathematical biosciences and engineering， 2023， 21（1）： 369-391.
9ZHAO W， LU W， LI Z， et al.TCM herbal prescription recommendation model based on multi-graph convolutional network［J］.Journal of ethnopharmacology， 2022， 297（10）： 115109.
10HAO T， LI X， HE Y， et al.Recent progress in leveraging deep learning methods for question answering［J］.Neural computing and applications， 2022， 34（4）： 2765-2783.
11ZHANG D， JIA Q， YANG S， et al.Traditional Chinese medicine automated diagnosis based on knowledge graph reasoning［J］.Computers， materials & continua， 2022， 71（1）： 159-170.
12王正山，朱建平.基于模式识别的中医药术语同义词自动提取［J］.国际中医中药杂志，2019，41（3）： 284-288.
13彭昌柳.中医语言将走向何方——中医隐喻研究文献［J］.世界科学技术-中医药现代化，2014，16（6）： 1411-1416.
14张德政，谢永红，李曼，等.基于本体的中医知识图谱构建［J］.情报工程，2017，3（1）： 35-42.
15刘丽红，付璐，姚克宇，等.中医药古籍文献实体标注规范探索［J］.中华医学图书情报杂志，2022，31（12）： 1-6.
16王永胜，刘亚丽，宗国浩，等.面向烟草领域的文本标注语料库构建［J］.烟草科技，2024，57（6）： 99-106.
17佟琳，张华敏，佟旭，等.基于命名实体识别的《神农本草经》知识图谱构建及可视化分析［J］.中国中医药信息杂志，2024，31（8）： 37-43.
18李芷君，纪荣，易玮.基于Python和Neo4j构建《普济方·针灸门》针灸治疗相关知识图谱［J］.数理医药学杂志，2025，38（6）： 450-458.
19罗基，张宇洁，张林帅，等.中医古籍事理图谱构建——以《伤寒论》为例［J］.世界科学技术-中医药现代化，2024，26（11）： 2878-2887.
20李儒婷，吴翔宇，张翼飞，等.基于Neo4j构建《海药本草》知识图谱的研究［J］.广州中医药大学学报，2024，41（11）： 3063-3069.
21刘佳，边俊伊.基于混合深度学习的藏医古籍命名实体识别研究［J］.现代情报，2023，43（11）： 37-46.
22CAO S， WU Q.MC-TEMNER： a multi-modal fusion model combining contrast learning method for traditional Chinese medicine NER［C］.Amsterdam： International Conference on Multimedia Modeling， 2024.
23丁建平，李卫军，刘雪洋，等.命名实体识别研究综述［J］.计算机工程与科学，2024，46（7）： 1296-1310.
24朱琛，徐艺武，冯嘉美.基于深度学习与特征融合的命名实体识别［J］.软件导刊，2025，24（6）： 1-9.
25YAN C， SU Q， WANG J.MoGCN： mixture of gated convolutional neural network for named entity recognition of Chinese historical texts［J］.IEEE access， 2020， 8（10）：181629-181639.
26LIU F， LU H， LO C，et al.Learning character-level compositionality with visual features［EB/OL］.［2025-05-06］.https：//arxiv.org/abs/1704.04859.
27SHAO Y， HARDMEIER C， TIEDEMANN J， et al.Characterbased joint segmentation and POS tagging for Chinese using bidirectional RNN-CRF［EB/OL］.［2025-04-05］.https：//arxiv.org/abs/1704.01314.
28GUI T， MA R， ZHANG Q， et al.CNN-based Chinese NER with lexicon rethinking［C］.Macao： International Joint Conference on Artificial Intelligence， 2019.
29CHIU J P C， NICHOLS E.Named entity recognition with bidirectional LSTM-CNNs［J］.Transactions of the association for computational linguistics， 2016， 4（7）： 357-370.
30DAI C， ZHUANG X， CAI J.A survey on deep learning for Chinese medical named entity recognition［C］.New York：The 2023 9th International Conference on Computing and Artificial Intelligence， 2023.
31SCHUSTER M， PALIWAL K K.Bidirectional recurrent neural networks［J］.IEEE transactions on signal processing， 1997， 45（11）： 2673-2681.
32高甦，金佩，张德政.基于深度学习的中医典籍命名实体识别研究［J］.情报工程，2019，5（1）： 113-123.
33肖瑞，胡冯菊，裴卫.基于BiLSTM-CRF的中医文本命名实体识别［J］.世界科学技术-中医药现代化，2020，22（7）： 2504-2510.
34徐弘民，李红岩，郎许锋，等.基于相对位置自注意力机制的《伤寒论》实体识别［J］.南京中医药大学学报，2024，40（12）： 1357-1365.
35DEVLIN J， CHANG M W， LEE K， et al.BERT： pretraining of deep bidirectional transformers for language understanding［EB/OL］.［2025-10-11］.https：//arxiv.org/abs/1810.04805v1.
36DAI Y， SHAO X， ZHANG J， et al.TCMChat： a generative large language model for traditional Chinese medicine［J］.Pharmacological research， 2024， 210（12）： 107530.
37HOU J， SAAD S， OMAR N.Enhancing traditional Chinese medical named entity recognition with Dyn-Att net： a dynamic attention approach［J］.PeerJ computer science，2024， 10（5）： e2022.
38王菁薇，肖莉，骆嘉伟，等.基于《伤寒论》的命名实体识别研究［J］.计算机与数字工程，2021，49（8）： 1584-1587.
39刘彬，肖晓霞，邹北骥，等.融合汉字部首的BERT-BiLSTM-CRF中医医案命名实体识别模型［J］.医学信息学杂志，2023，44（6）： 48-53.
40吴泓嘉，张弛，张宏鑫，等.药症方关联的中医药古籍交互可视分析方法［J］.计算机辅助设计与图形学学报，2025，37（8）： 1439-1452.
41谢靖，刘江峰，王东波.古代中国医学文献的命名实体识别研究——以Flat-lattice增强的SikuBERT预训练模型为例［J］.图书馆论坛，2022，42（10）： 51-60.
42杨航，彭叶辉，杨伟，等.基于BRL神经网络模型的名家医案实体识别［J］.中国实验方剂学杂志，2024，30（24）：167-173.
43CETOLI A， BRAGAGLIA S， O’HARNEY A， et al.Graph convolutional networks for named entity recognition［C］.Prague： The 16th international workshop on treebanks and linguistic theories， 2017.
44ZOU S， LIU Z， WANG K， et al.A study on pharmaceutical text relationship extraction based on heterogeneous graph neural networks ［J］.Mathematical biosciences and engineering， 2024， 21（1）： 1489-1507.
45XU Y， MAO C， WANG Z，et al.Semantic-enhanced graph neural network for named entity recognition in ancient Chinese books［J］.Scientific reports， 2024， 14（1）： 17488.
46孙超，张文博.中医古籍文本术语命名实体识别的研究进展与挑战［J］.中华中医药杂志，2021，36（11）： 6843-6845.
47叶青，赖煊，程春雷，等.融合词汇增强和跨度方法的中医药命名实体识别［J］.计算机工程与应用，2025，61（17）： 222-231.
48MENG Y， WU W， WANG F，et al.Glyce： glyph-vectors for Chinese character representations［C］.Red Hook： The 33rd International Conference on Neural Information Processing Systems， 2019.
49张璐瑶，束建华，王鹏，等.多特征融合的中医古籍医案命名实体识别研究［J］.医学信息学杂志，2024，45（11）：50-58.
50宋熹玥，冯鑫雅，胡为，等.基于深度学习的《脉经》中医术语命名实体识别研究［J］.中医药信息，2024，41（7）： 1-6.
51张文东，吴子炜，宋国昌，等.基于SiKuBERT与多元数据嵌入的中医古籍命名实体识别［J］.华南理工大学学报（自然科学版），2024，52（6）： 128-137.
52马月坤，吴国仲.基于特征增强的中医本草命名实体识别方法［J］.河北大学学报（自然科学版），2024，44（2）：199-207.
53MA Y， LIU H， ZHANG D，et al.A named entity recognition method enhanced with lexicon information and text local feature［J］.Tehnički vjesnik， 2023， 30（3）： 899-906.
54曾江峰，庞雨静，高鹏钰，等.基于LatticeLSTM的中医药古文献命名实体识别与应用研究［J］.情报工程，2023，9（5）：112-122.
55柳鹏，熊旺平，晏燕.一种基于LSTM的中医药数据增强方法［J］.现代信息科技，2023，7（19）： 117-122.
56杨延云，杜建强，聂斌，等.融合数据增强和注意力机制的中医实体及关系联合抽取［J］.智能计算机与应用，2023，13（8）： 186-191，196.
57包振山，宋秉彦，张文博，等.基于半监督学习和规则相结合的中医古籍命名实体识别研究［J］.中文信息学报，2022，36（6）：90-100.
58JIA Q， ZHANG D， XU H， et al.Extraction of traditional Chinese medicine entity： design of a novel span-level named entity recognition method with distant supervision［J］.JMIR medical informatics， 2021， 9（6）： e28219.
59金志刚，何晓勇，岳顺民，等.融合知识图谱的医疗领域命名实体识别［J］.哈尔滨工业大学学报，2023，55（5）：50-58.
60党少康.基于《中国药典》的知识图谱构建与研究［D］.北京：北京交通大学，2022.
61牛天星，郑小盈，祝永新，等.基于领域知识图谱增强和Lattice-LSTM的中医药命名实体识别［J］.计算机应用与软件，2025，42（3）：127-134.
62叶丁菱，牟丽君，许鑫.基于知识图谱的中医古方交互式检索研究［J］.数字图书馆论坛，2024，20（2）：24-33.
63ZHU J， LIU X， GAO P.Digital intelligence technology：new quality productivity for precision traditional Chinese medicine［J］.Frontiers in pharmacology， 2025， 16（4）：1526187.
64李志强，王雪峰，曹凤，等.生成式人工智能在中医药学教育中的应用与挑战［J］.医学新知，2024，34（10）：1191-1198.
65韩星星，朱华旭，唐志书，等.人工智能在中医药临床应用的研究现状与思考展望［J］.中华中医药杂志，2025，40（4）：1527-1531.
A Review of Named Entity Recognition in Ancient Books of Traditional Chinese Medicine Based on Deep Learning
