中医典籍是中医学的精华,文本的向量化转换作为中医文本处理任务的基础工作,高质量、特征信息丰富的向量表示能够在源头上保障中医领域下游实体识别等任务的质量,对于中医文本的智能化学习与应用具有重要作用。深度预训练表示模型BERT凭借多层特征提取器的叠加,从而生成富含语义和语法信息的向量表示,但模型的参数规模大,进而导致所需的数据规模大。与此同时,虽然浅层神经网络模型CBOW结构简单,但它对于句子中的词语同等对待,从而忽略了句子内不同成分表示的语义信息以及句子固有的词序信息。为了构建较低计算复杂度的轻量化词表示模型,并使词向量保留丰富的中医文本特征信息,主要做了以下工作:1)根据“动核结构”理论从文本句式和词汇两个方面研究中医文本中蕴含的语言逻辑。利用以动词为核心的固定句式结构以及句子内的不同语法逻辑,制定了9种以动词为核心的句义表征规则及不同语法逻辑词的分类标准,进而增强词表示模型对中医文本语义特征的提取能力。2)针对浅层词表示模型CBOW对文本的语义和语法特征提取能力较弱的问题,提出了一种基于语义逻辑规则并融合词性和词序等语法逻辑的增强词表示模型。该模型对于动词中心词,利用句义表征规则匹配句子结构来提取句子的语义信息;对于非动词中心词,利用不同词语对句义的不同语义贡献作用,强化强语法逻辑词在词向量生成过程中的作用;然后通过卷积操作提取词序特征,并在词向量生成阶段引入同、反义词以及类比词表来进一步提升词向量对相关语义信息的表征效果。3)在内在相似度分析和外在定量比较两方面进行了多组实验,实验结果表明,课题提出的逻辑规则增强模型在语义相似度分析和实体识别任务中均取得了较好的效果。在实体识别任务中,相较于传统CBOW模型F1值提高了4.66%。该模型为轻量化词表示模型,与预训练语言模型BERT相比训练时间缩短了51%,并在资源占用等方面更具优势。图26幅;表17个;参63篇。