隨著互聯(lián)網(wǎng)技術的發(fā)展和普及,很多患者選擇通過在線醫(yī)療網(wǎng)站,向醫(yī)生咨詢醫(yī)療健康相關的問題。利用信息抽取技術從患者的在線醫(yī)療咨詢文本中自動地獲取重要信息,然后從專業(yè)的醫(yī)療知識庫中搜索答案,自動地為患者提供專業(yè)的醫(yī)療答復,這種方法能夠有效地減輕醫(yī)生的工作量。其中,命名實體識別是進行信息抽取工作的關鍵步驟。因此對在線醫(yī)療咨詢文本進行命名實體識別的研究具有重要的現(xiàn)實意義。本文致力于基于深度學習的在線醫(yī)療咨詢文本命名實體識別的研究,通過對相關研究現(xiàn)狀的調研,發(fā)現(xiàn)當前存在以下問題:1)目前針對在線醫(yī)療咨詢文本進行命名實體識別的研究,還處于空白階段。2)在以字粒度進行實體標注的情況下,需要研究如何在模型中有效地融合字在句子中的局部特征和全局特征。3)目前鮮有同時使用雙向語言模型和Mask語言模型的預訓練特征,提高命名實體識別效果的工作。4)目前鮮有將語言模型預訓練和多任務學習兩種方法聯(lián)合起來,提高命名實體識別效果的工作。針對當前存在的問題,本文進行了以下工作:1)構建了高質量的在線醫(yī)療咨詢文本命名實體識別標注數(shù)據(jù)集,填補了當前針對該領域研究的空白。2)根據(jù)在線醫(yī)療咨詢文本的特點,設計了MQNer模型。...

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【部分圖文】：

圖2-1神經(jīng)網(wǎng)絡的典型結構

圖2-1神經(jīng)網(wǎng)絡的典型結構示了一個三層的前饋全連接神經(jīng)網(wǎng)絡，可以看到，一個神經(jīng)的神經(jīng)元沒有連接，而層與層之間的神經(jīng)元存在著連接。其，該層主要負責接收輸入的數(shù)據(jù)；中間的層一般叫隱藏層；該層輸出的值即為神經(jīng)網(wǎng)絡的輸出值。當隱藏層數(shù)比較多時經(jīng)網(wǎng)絡，我們常說的深度學習，指的就是使用深....

圖2-2sigmoid函數(shù)的示意圖

第二章深度學習相關技術介紹moid函數(shù)，其形式如公式（2-2）所示：()=11+ 函數(shù)在坐標軸上的圖形如圖2-2所示。可以看到其輸出范圍為征的優(yōu)點，但是sigmoid函數(shù)容易產生梯度消失的問題，并

圖2-3tanh函數(shù)的示意圖

圖2-2sigmoid函數(shù)的示意圖h函數(shù)，其形式如公式（2-3）所示：()=+ 在坐標軸上的圖形如圖2-3所示�？梢钥吹狡漭敵龇秶鸀閇，但是tanh函數(shù)同樣存在梯度消失和計算代價大的問題。

圖2-4relu函數(shù)的示意圖

華南理工大學碩士學位論文()=,>00,≤0 在坐標軸上的圖形如圖2-4所示�？梢钥吹疆敗�0時，relu輸出x本身。relu函數(shù)相對sigmoid函數(shù)和tanh函數(shù)，具有計算度消失問題的優(yōu)點，但是relu函數(shù)會產生神經(jīng)元死亡的現(xiàn)象....

本文編號：3950021