中医典籍文本具有语句短小、一词多义、句式复杂多变等特点,这些特点导致深度学习模型在进行命名实体识别任务中存在一词多义、短文本语料语义特征稀疏、缺乏中医领域数据集等问题。针对以上问题,提出了一种基于生成式对抗网络的面向中医文本的命名实体识别模型GAN-NER。该模型由基于BERT-Bi LSTM-CRF的生成器以及基于CNN的判别器所组成。生成器模型用来生成实体类别标签,判别器模型用来区分生成数据与真实数据的特征分布是否一致,通过反向传播更新生成器模型参数,使得生成器模型生成出更加准确的实体类别标签。针对中医文本中一词多义的问题,采用BERT预训练模型,该模型利用多层注意力机制生成深层次的动态词向量,通过对同一字符输出的不同词向量进行嵌入并提取句子语义特征的方法改善了中医文本中一词多义的问题。经过对比基准模型实验,模型的整体性能在F1值上提升了5%。针对短文本语义特征稀疏问题,通过特征融合对句子序列的语义特征进行特征分布的构建。将句子的语义特征与其所对应的预测标签相结合,使得稀疏矩阵在融入标签的特征分布后形成高维稠密矩阵。该方法改善了短文本语义特征稀疏的问题。针对中医典籍文本数据样本稀缺问题,引入了生成式对抗网络,通过生成器与判别器之间的相互博弈,使得模型在小语料数据集上经过训练后生成器模型能够从其他数据集中生成出相同知识体系结构的实体类别标签,解决了中医领域数据集稀缺的问题。为了能够从生成样本中选取出与真实样本特征分布相似的样本,通过主动学习算法比较二者特征分布的相似性,进而对生成样本进行排序和筛选,达到输入判别器模型的句子组具有高度相似的目的。将中医典籍中最具代表性的《黄帝内经》和《中医症候学》作为本实验的数据集,并对GAN-NER模型进行消融实验。实验结果在准确率、召回率以及F1值上分别为90.01%、81.33%、85.28%,验证了该模型在中医领域的命名实体识别任务中具有较好的识别效果。图29幅;表12个;参50篇。