1.一种基于多源词典的交叉Transformer中文医疗命名实体识别方法，其特征在于包括以下步骤：S1：多源词典匹配模块(MLM)：

1).将原始文本复制2份，分别与通用词典、医疗词典进行匹配；将匹配的词汇拼接在文本的后面，分别得到包含通用词典词汇的新文本序列Sg和包含医疗词典词汇的新文本序列Sm；后续和文本序列Sg相关的变量会添加上标g，和文本序列Sm相关的变量会添加上标m；

2).将文本中的字符和词汇统称为片段，通过检索预训练的词典向量表，得到文本序列Sg的向量序列为Hg，文本序列Sm的向量序列为Hm；

3).为每个片段分配两个位置索引：片段第一个字符所在的位置索引head，片段最后一个字符所在的位置索引tail；通过计算两个片段head、tail的差值来得到片段i和片段j之间的相对位置大小hij，tij，公式如下：hij＝head[i]‑head[j]#(1)

tij＝tai[i]‑tail[j]#(2)

其中head[i]表示片段i的head索引，head[j]表示片段j的head索引，tail[i]表示片段i的tail索引，tail[i]表示片段i的tail索引；然后，计算相对位置大小的向量表示Pd，公式如下：其中d表示相对位置大小，k表示位置索引，dmodel表示模型的维度； 表示向量Pd维度索引为奇数时的值， 表示向量Pd维度索引为偶数时的值；通过公式(3)、(4)，得到相对位置大小为时的向量表示Ph，相对位置大小为tij时的向量表示Pt；之后，计算片段i和片段j的相对位置向量Rij；公式如下：其中Wr是随机初始化的参数；ReLU表示ReLU激活函数，表示向量拼接；参数Wr会随着模型多轮训练自动更新，模型训练轮数的取值范围在50到100之间，最终保存多轮训练结果中验证集F1值最高的参数；后续参数的确定方法相同；

通过公式(5)，可以得到向量序列Hg中片段i和片段j的相对位置向量 向量序列Hm中片段i和片段j的相对位置向量S2：特征提取模块(FE)

特征提取模块FE采用Flat Lattice Transformer模型(FLAT)；FLAT接收上一步得到的文本向量序列Hg、Hm以及对应的相对位置向量 然后通过嵌入相对位置的多头注意力机制提取片段向量序列Hg的语义特征Fg，提取片段向量序列Hm的语义特征Fm；Fg、Fm包含了文本的上下文语义特征和文本匹配词汇的词汇语义特征；计算公式如下：g g

Fg＝softmax(A)V#(9)

m m

Fm＝softmax(A)V#(10)

g

V＝WgHg#(12)

m

V＝WmHm#(13)

g m

其中，V 、V分别表示Hg、Hm经过线性变化后的向量，Hi表示片段i的向量，Hj表示片段j的m向量，Aij表示片段i和片段j的注意力权重；A通过公式(11)得到，表示向量序列Hm中所有片g段之间的注意力权重矩阵；A通过公式(11)得到，表示向量序列Hg中所有片段之间的注意力权重矩阵；Wg、Wm、Wq、Wk，R、Wk，H、u、v都是随机初始化的参数，会随着模型多轮训练自动更新，模型训练轮数的取值范围在50到100之间；

S3：交叉Transformer模块(CT)

交叉Transformer模块(Cross Transformer，简写为CT)接收上一步得到的词汇增强后的文本特征Fg、Fm；在CT模块中，首先通过交叉注意力机制，来交互Fg、Fm之间的信息，得到交inter‑gc inter‑mc互增强后的文本特征F 、F ；计算公式如下：

inter‑gc

F ＝CrossAttg→m(Fg，Fm)Fm#(14)inter‑mc

F ＝CrossAttm→g(Fm，Fg)Fg#(15)g

其中CrossAtt表示计算交叉注意力权重；g→m表示以F作为CrossAtt的查询条件，以Fm作为CrossAtt的查询字段；m→g表示以Fm作为CrossAtt的查询条件，以Fg作为CrossAtt的查询字段；然后，将交互增强后的信息和输入之前的信息拼接起来，并通过线性变换Linear来保持维度不变，得到最终的交互增强特征Fgc、Fmc；公式如下：inter‑gc

Fgc＝Linear[Fg；F ]#(16)

inter‑mc

Fmc＝Linear[Fm；F ]#(17)

S4：特征动态融合模块(FGF)

不同的特征在不同的句子中有不同程度的影响，因此采用特征动态融合模块FGF来动态的选择对特征Fgc、Fmc融合后保留的比重；FGF采用门控机制，使用门控向量Vgate对上一步得到的词汇增强后的文本特征Fg、Fm进行加权求和，得到融合后的特征Ff；公式如下：hgc＝tanh(FgcWgc+bgc)#(18)hmc＝tanh(FmcWmc+bmc)#(19)Vgate＝σ(([hgc；hmc])Wgate)#(20)Ff＝VgateFgc+(1‑Vgate)Fmc#(21)其中，hgc、hmc分别表示Fgc、Fmc经过非线性变换后的向量，Wgc，Wmc，Wgate，bgc，bmc是是随机初始化的参数，会随着模型多轮训练自动更新，模型训练轮数的取值范围在50到100之间；σ表示sigmod激活函数，tanh表示tanh激活函数；

S5：标签预测模块(LP)

标签预测模块采用全连接网络和CRF层对上一步得到的特征Ff进行标签预测；全连接网络将文本特征映射到标签分布空间，输出标签预测概率；CRF层接收全连接网络输出的标签预测概率，输出最优的序列标注结果。