| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第16-41页 |
| 1.1 研究背景与意义 | 第16-18页 |
| 1.2 生物医学信息抽取相关工作 | 第18-19页 |
| 1.3 生物医学领域关系抽取分类 | 第19-22页 |
| 1.4 生物医学关系抽取中的常用方法 | 第22-31页 |
| 1.4.1 生物医学关系抽取中的统计机器学习方法 | 第23-25页 |
| 1.4.2 生物医学关系抽取中的深度学习方法 | 第25-31页 |
| 1.5 生物医学关系抽取在常用语料中存在的问题 | 第31-37页 |
| 1.6 本文主要研究思路与研究内容 | 第37-41页 |
| 2 基于上下文向量的句子级药物间交互关系抽取 | 第41-63页 |
| 2.1 药物间交互关系抽取相关研究 | 第41-44页 |
| 2.1.1 句子级关系抽取任务 | 第41-42页 |
| 2.1.2 基于核的药物间交互关系抽取相关研究 | 第42-44页 |
| 2.2 上下文向量图核 | 第44-50页 |
| 2.2.1 文本预处理 | 第44页 |
| 2.2.2 句子的结构化表示 | 第44-46页 |
| 2.2.3 构建上下文向量 | 第46-49页 |
| 2.2.4 基于等价类的上下文向量图核 | 第49-50页 |
| 2.3 实验结果与分析 | 第50-62页 |
| 2.3.1 数据集 | 第50-51页 |
| 2.3.2 评价指标 | 第51-52页 |
| 2.3.3 参数选择 | 第52页 |
| 2.3.4 与其他图核的性能比较 | 第52-55页 |
| 2.3.5 与其他系统的性能比较 | 第55-60页 |
| 2.3.6 错误分析 | 第60-62页 |
| 2.4 本章小结 | 第62-63页 |
| 3 基于attention的句子级药物间交互关系抽取 | 第63-83页 |
| 3.1 基于深度学习的药物间交互关系抽取相关研究 | 第63-65页 |
| 3.2 基于attention和LSTM的网络模型 | 第65-71页 |
| 3.2.1 文本处理 | 第65-67页 |
| 3.2.2 输入表示 | 第67-69页 |
| 3.2.3 带有长短期记忆单元的循环神经网络 | 第69-70页 |
| 3.2.4 训练和分类 | 第70-71页 |
| 3.3 实验结果与分析 | 第71-82页 |
| 3.3.1 数据集和评价指标 | 第71页 |
| 3.3.2 嵌入向量的预训练 | 第71-72页 |
| 3.3.3 超参数设置 | 第72-74页 |
| 3.3.4 输入attention的影响 | 第74-76页 |
| 3.3.5 输入表示的影响 | 第76-77页 |
| 3.3.6 与其他系统的性能比较 | 第77-82页 |
| 3.4 本章小结 | 第82-83页 |
| 4 基于神经网络的篇章级药物疾病关系抽取 | 第83-104页 |
| 4.1 药物疾病关系抽取相关研究 | 第84-86页 |
| 4.1.1 药物疾病关系抽取任务 | 第84-85页 |
| 4.1.2 基于深度学习的药物疾病关系抽取相关研究 | 第85-86页 |
| 4.2 篇章级神经网络模型 | 第86-92页 |
| 4.2.1 关系实例的构建 | 第86-87页 |
| 4.2.2 文本处理 | 第87页 |
| 4.2.3 网络架构 | 第87-88页 |
| 4.2.4 标记候选实体 | 第88-89页 |
| 4.2.5 输入表示 | 第89页 |
| 4.2.6 带有LSTM的循环神经网络 | 第89-90页 |
| 4.2.7 句子间的卷积神经网络 | 第90-91页 |
| 4.2.8 训练和分类 | 第91-92页 |
| 4.2.9 后处理 | 第92页 |
| 4.3 实验结果与分析 | 第92-103页 |
| 4.3.1 数据集和评价指标 | 第92-93页 |
| 4.3.2 嵌入向量的训练 | 第93-94页 |
| 4.3.3 超参数设置 | 第94-95页 |
| 4.3.4 输入表示和后处理的影响 | 第95-98页 |
| 4.3.5 网络架构的影响 | 第98-99页 |
| 4.3.6 与其他系统的比较 | 第99-103页 |
| 4.4 本章小结 | 第103-104页 |
| 5 融合领域知识的篇章级药物疾病关系抽取 | 第104-120页 |
| 5.1 融合领域知识的药物疾病关系抽取相关研究 | 第104-105页 |
| 5.2 融合领域知识的网络模型 | 第105-110页 |
| 5.2.1 网络架构 | 第105-107页 |
| 5.2.2 输入表示 | 第107页 |
| 5.2.3 带有attention机制的知识 | 第107-109页 |
| 5.2.4 分类和后处理 | 第109-110页 |
| 5.3 实验结果与分析 | 第110-119页 |
| 5.3.1 数据集和嵌入向量的训练 | 第110-111页 |
| 5.3.2 超参数设置 | 第111-112页 |
| 5.3.3 输入表示的影响 | 第112-113页 |
| 5.3.4 带有attention机制知识的影响 | 第113-116页 |
| 5.3.5 与其他使用知识的系统的性能比较 | 第116-119页 |
| 5.4 本章小结 | 第119-120页 |
| 6 结论与展望 | 第120-124页 |
| 6.1 结论 | 第120-122页 |
| 6.2 创新点 | 第122-123页 |
| 6.3 展望 | 第123-124页 |
| 参考文献 | 第124-134页 |
| 攻读博士学位期间科研项目及科研成果 | 第134-135页 |
| 致谢 | 第135-137页 |
| 作者简介 | 第137页 |
