隨著信息和數(shù)字化技術(shù)的應(yīng)用,醫(yī)學(xué)領(lǐng)域形成了大量的數(shù)字化知識和數(shù)據(jù),但截至目前,大部分的醫(yī)學(xué)知識和數(shù)據(jù)仍以非結(jié)構(gòu)化的文本為主要表達形式,如臨床電子病歷,中醫(yī)古籍（如黃帝內(nèi)經(jīng),傷寒雜病論,本草綱目等）和現(xiàn)代醫(yī)學(xué)文獻等。從這些大規(guī)模文本信息中提取結(jié)構(gòu)化信息是進行深入醫(yī)學(xué)分析和利用的前提,是目前醫(yī)學(xué)數(shù)據(jù)挖掘的主要瓶頸之一。本文結(jié)合表型實體及其關(guān)系的抽取問題,分別對臨床病歷,中醫(yī)古籍和PubMed題錄文獻進行人工規(guī)范化標(biāo)注,構(gòu)建信息抽取標(biāo)準(zhǔn)數(shù)據(jù)集,然后進行表型命名實體識別及不同實體間關(guān)系抽取方法的研究。主要研究工作包括以下三個方面:第一,首先構(gòu)建10426個現(xiàn)病史癥狀表型實體識別標(biāo)準(zhǔn)數(shù)據(jù)集,并且分別應(yīng)用條件隨機場（CRF）和結(jié)構(gòu)化支持向量機（SSVM）進行實體抽取,重點比較分析了傳統(tǒng)特征、基于深度表示的字詞特征學(xué)習(xí)方法（Word2Vec和Node2Vec）的性能差異。實驗分析發(fā)現(xiàn),基于傳統(tǒng)特征的CRF方法的F1值為0.83,而基于Word2Vec詞向量的CRF和SSVM方法F1值分別達到了 0.9798和0.9908;同時基于Node2Vec字向量的F1值分別達到0.8879和0.9413,詞向... 

【文章來源】：北京交通大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１鏈?zhǔn)綏l件隨機場??Ｆｉｇｕｒｅ?２－１?Ｃｈａｉｎ?ｃｏｎｄｉｔｉｏｎ?ｒａｎｄｏｍ?ｆｉｅｌｄ??

圖２－２卷積神經(jīng)網(wǎng)路的基本模型??Ｆｉｇｕｒｅ?２－２?Ｂａｓｉｃ?ｍｏｄｅｌ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ??

圖２－３用于文本模型建立的Ａｔｔｅｎｔｉｏｎ－ＢｉＧＲＵ算法??Ｆｉｇｕｒｅ?２－３?Ａｔｔｅｎｔｉｏｎ－ＢｉＧＲＵ?ａｌｇｏｒｉｔｈｍ?ｆｏｒ?ｔｅｘｔ?ｍｏｄｅｌ?ｅｓｔａｂｌｉｓｈｍｅｎｔ??

【參考文獻】：
期刊論文
[1]基于注意力與神經(jīng)圖靈機的語義關(guān)系抽取模型[J]. 張潤巖,孟凡榮,周勇,劉兵.  計算機應(yīng)用. 2018(07)
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)模型的文本情感分類[J]. 周錦峰,葉施仁,王暉.  計算機工程. 2019(03)
[3]基于MEDLINE數(shù)據(jù)庫挖掘高尿酸血癥的中醫(yī)藥研究[J]. 王毅興,吳燕升,張春燕,高建東.  中國中西醫(yī)結(jié)合腎病雜志. 2018(02)
[4]面向中醫(yī)臨床現(xiàn)病史文本的命名實體抽取方法研究[J]. 袁玉虎,周雪忠,張潤順,李曉東.  世界科學(xué)技術(shù)-中醫(yī)藥現(xiàn)代化. 2017(01)
[5]基于條件隨機場的中醫(yī)術(shù)語抽取方法及其應(yīng)用探析[J]. 孟洪宇,孟慶剛.  中華中醫(yī)藥學(xué)刊. 2014(10)
[6]生物醫(yī)學(xué)命名實體識別的研究與進展[J]. 鄭強,劉齊軍,王正華,朱云平.  計算機應(yīng)用研究. 2010(03)
[7]基于條件隨機場的中醫(yī)命名實體識別[J]. 王世昆,李紹滋,陳彤生.  廈門大學(xué)學(xué)報(自然科學(xué)版). 2009(03)
[8]一種松耦合的生物醫(yī)學(xué)命名實體識別算法[J]. 胡俊鋒,陳蓉,陳源,陳浩,于中華.  計算機應(yīng)用. 2007(11)
[9]中醫(yī)古籍?dāng)?shù)字化研究[J]. 符永馳,劉國正,李斌,孫一星,裘儉.  中國中醫(yī)藥信息雜志. 2004(06)



本文編號：3484392