－这是中医大省医院的一个项目， 他们的数据库需要做一个数据治理；由于很多医生的开药习惯不同，他们的数据库中存储了很多药品的非标准名，实际上一个药品在只有一个通用的标准名字；这就导致数据库的数据很难被复用。他们
就希望我们把非标准名都统一为标准名称；就是这么个需求 －前前后后从医院拿到33万条标注好的文本数据，有三千多个标准名，简单做了一些数据预处理，由于数据是离散数据，采取的是字向量编码；第一个版本是用1d卷积改写的经典卷积网络做分类，分类精度96.5%，达到医院方的要求，后续就部署上线了；过了一段时间， 医院方反馈了一个问题，新来的药品没有办法做转换；后面开始迭代第二个版本，我那段时间正好在接触一个人脸识别的项目，在人脸识
别中有人脸注册功能；既然2d可以这么做，1d应该也可以这么做； 就尝试了这个思路； －采取的特征提取网络是 transfomer，使用了arcloss损失
函数进行分类训练，训练后的分类精度是98.4%； －然后就是测试医院方给的新数据，先将所有标准名输入到网络中得到标准名特征库，然后将非标准
名输入到网络中得到特征向量，将特征向量和特征库中的数据依次做余弦相似度比较，取出其中相似度
最大的标准名，比较是否和原本的标准名一致；测试后top1准确度是 99%，top3准确度是99.9%
－达到医院要求，就把模型打包好，写好说明文档和软件部门对接部署 －当选用多个标准名时候，需要考虑两个阈值：一个是过低的阈值。
－达到医院要求，就把模型打包好，写好说明文档和软件部门对接部署
－当选用多个标准名时候，需要考虑两个阈值；一个是过低的阈值， 就说明该药品标准名没有在特征库中，不进行转换；一个是是否需要人工审查的阈值，当最大相似度低于阈值时候，就需要人工介入审查，高于的话就直接转换成相似度最高的这个标准名
来自随手写