药品剂量标准化建模：NLP结合多特征的并行网络方案是否过度复杂？

• 这个方案不算过于复杂，但是否适用要结合你的数据规模和阶段需求判断：
  • 从特征匹配角度看，分文本分支和数值分支的思路很合理：Dosage这类文本需要embedding捕捉格式、单位、符号的模式，而活性物质数量、剂型、特定活性物质存在性这类数值/类别特征，适合单独做编码或embedding后再与文本特征拼接，这种结构在结构化+非结构化数据的联合建模中很常见。
  • 但如果你的标注数据量不大（比如仅几千条），这个方案偏“重”：小数据量下，规则+轻量模型（比如把文本转成TF-IDF特征后用XGBoost训练）的组合可能更高效，训练快、易调试，还能避免NN的过拟合问题。
  • 建议先把regex能覆盖的样本全部处理完，只留规则解决不了的难样本给模型处理，这样不管用什么模型，都能聚焦在复杂案例上，效率更高。
  • 若你打算长期维护系统、后续会补充更多标注数据，那并行NN方案值得投入——它扩展性强，后续可加入更多特征（如数据源所属国家标识），还能通过持续迭代训练优化效果。

内容的提问来源于stack exchange，提问作者Pedro Domingues