在文档级医疗实体识别任务中，针对文档级样本长度过长的问题，提出了多级别的句子划分机制，将文档级别样本转为句子级别样本。本文设计了融合知识的序列标注模型，一方面探索了多种方法从医疗领域词典提取领域知识，并且引入预训练语言模型BERT作为通用知识，然后将领域知识和通用知识以向量拼接的方式融入到模型中；另一方面，引入了CNN来提取字的局部上下文信息。实验结果表明，CNN能够提高模型的上下文建模能力，将知识融合到模型中能够有效提高中文医疗实体识别的效果。 对于医疗实体对齐任务，本文提出了融合传统特征的深度学习模型。该模型主要分为传统特征提取器和深度匹配网络两个部分。一方面，基于文本相似度、词袋模型，TFIDF等方法设计传统特征提取器；另一方面，探索了三种深度匹配网络，包括基于BiLSTM的孪生网络、基于Attention机制的匹配聚合网络以及基于BERT的匹配模型。实验结果表明，深度匹配网络越简单，融入传统特征后提升的百分点越大。融入传统特征的BERT匹配模型能够取得最优结果。
