1.一种基于生成式模型的医疗领域事件抽取方法，其特征在于，所述方法包括以下步骤：

1)获取数据库中的电子病历文本数据，预先设定好需要抽取的实体类型和事件schema，所述实体包括人名、年龄、时间、性别、发病部位和症状，所述事件包括传染病、寄生虫病、肿瘤和内分泌疾病；

2)根据上述的标注，在标注平台上人工标注出描述文本中的实体和事件信息，病根据格式生产标注文本作为训练和测试数据；

3)事件抽取方法的训练使用的是联合抽取的策略，输入病历文本和label数据，先利用Transformer编码器作为文本编码器，将文本编码的结果分别送入线性分类层、指针网络，得到事件类型和实体BIO标注，计算事件类型loss1和实体标注loss2；把事件类型、实体BIO标注分别送入事件编码器和实体编码器；把文本编码结果、事件编码结果、实体编码结果相加后送入生成模型，生成事件论元角色，计算论元角色生成loss3；loss1、loss2、loss3相加得到最终loss，进行反向传播；

4)训练完成后，保存模型；

5)预测时将一段文本输入到模型中，对生成模型生成的序列进行处理，得到最终的结构化事件信息。

2.根据权利要求1所述的基于生成式模型的医疗领域事件抽取方法，其特征在于，所述步骤3)的处理过程为：

3.1)对输入文本tokenize分词，头尾加上特殊token[start]和[end]，得到文本W＝[w1,w2……wn]，其中wt为在文本t+1位置的token，把W输入文本编码器Transformer1后得到文本的向量表示H＝[h1,h2……hn]，其过程表示为：H＝Transformer1(W)                    (1)

3.2)对H进行最大池化，得到文章的向量表示h；用线性层把h降维到事件分类数，使用softmax函数，得到各个事件的概率值，其过程表示为：h＝maxpooling(H)                   (2)p＝softmax(fc1(h))                   (3)

3.3)根据事件类型label，可以得到事件的类型的gold标签g，再用交叉熵损失函数对事件分类任务计算loss值：其中Mevent表示事件分类数；

3.4)根据BIO标注的实体label，可以构造出实体识别的gold标签G＝[g1,g2……gn]，再将3.1)中得到的文本向量表示H输入到指针网络，得到文本在每个token上的实体标注分类概率P＝[p1,p2……pn]，再用交叉熵损失函数对实体识别任务计算loss值，其过程表示为：其中n表示序列长度，Mbio表示实体标签数；

3.5)把3.2)计算得到的h`做argmax计算，可以得到事件类型id，再把事件类型id送入事件分类Embedding层，得到事件类型的向量表示t；对4.4)计算得到的实体标注分类概率P做argmax计算，可以得到每个token的实体标注，将实体标注送入实体Embedding层，得到实体向量表示E＝[e1,e2……en]，其过程表示为：t＝Embedding1(argmax(h`))                    (6)E＝Embedding2(argmax(P))                    (7)

3.6)将4.5)中计算得到的t复制n份得到T＝[t1,t2……tn]，使其维度和文本向量表示H相同；

3.7)把文本编码结果H、事件编码结果T、实体编码结果E相加，得到X＝[x1,x2……xn]，送入生成模型Transformer2，得到X`＝[x`1,x`2……x`n]；再利用线性层降维到1维，使用softmax得到每个token的概率值P_gen＝[p_gen1,p_gen2……p_genn]；选出前n个token中概率最大的token对应的x向量，添加到X的末尾，其过程表示为：X`＝Transformer2(X)                    (8)P_gen＝softmax(fc2(X`))                   (9)X∶＝Xappend argmax(P_gen)                (10)

3.8)重复执行3.7)，直至选中的token为特殊token[end]；得到如下序列：[论元角色1][start][论元角色2][start][论元角色3][start]…[end]其中[start]表示两个论元角色之间的分隔，[end]表示生成结束；

3.9)从3.8)中获得的序列中提取论元角色，得到最终的论元角色信息

3.10)为计算3.7)和3.8)的损失函数，论元角色抽取的label包含了的生成的完整序列，当生成到第i步时，将label序列第i个以后的元素掩盖掉，使用部分掩盖的label计算交叉熵损失；论元角色生成的loss表示为每一步的平均loss：其中N表示生成的次数，n表示原始序列长度

3.11)将Loss1、Loss2、Loss3相加，得到最终Loss，进行反向传播。