| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 面向自发报告系统的研究现状 | 第9-10页 |
| 1.2.2 面向社交媒体的研究现状 | 第10-11页 |
| 1.3 本文工作 | 第11-12页 |
| 1.4 本文结构 | 第12-14页 |
| 2 相关资源和算法 | 第14-22页 |
| 2.1 生物医学数据资源 | 第14-15页 |
| 2.1.1 SIDER | 第14页 |
| 2.1.2 CHV | 第14-15页 |
| 2.2 生物医学工具 | 第15-16页 |
| 2.3 相关算法 | 第16-21页 |
| 2.3.1 关联规则算法 | 第16-17页 |
| 2.3.2 基于Skip-gram思想的Word2Vec模型 | 第17-18页 |
| 2.3.3 基于深度网络的Doc2Vec模型 | 第18-19页 |
| 2.3.4 卷积神经网络模型 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 面向自发报告系统的药物不良反应发现 | 第22-33页 |
| 3.1 问题引出 | 第22页 |
| 3.2 实验数据 | 第22-23页 |
| 3.3 研究框架 | 第23-24页 |
| 3.4 方法 | 第24-28页 |
| 3.4.1 药名文本清洗 | 第24-25页 |
| 3.4.2 药名实体识别与标准化 | 第25-26页 |
| 3.4.3 不良反应实体识别与标准化 | 第26页 |
| 3.4.4 不良反应报告数据重构 | 第26-28页 |
| 3.4.5 分布式向量生成与关联度计算 | 第28页 |
| 3.5 实验分析 | 第28-31页 |
| 3.5.1 Gadoversetamide实验结果分析 | 第28-30页 |
| 3.5.2 Vioxx实验结果分析 | 第30-31页 |
| 3.6 本章小结 | 第31-33页 |
| 4 面向社交媒体的药物不良反应发现 | 第33-45页 |
| 4.1 问题引出 | 第33-34页 |
| 4.2 实验数据 | 第34-35页 |
| 4.2.1 MedHelp医学论坛数据 | 第34-35页 |
| 4.2.2 Twitter相关语料 | 第35页 |
| 4.3 研究框架 | 第35-36页 |
| 4.4 方法 | 第36-42页 |
| 4.4.1 文本预处理 | 第36-37页 |
| 4.4.2 医学词典构建 | 第37-38页 |
| 4.4.3 文本切分 | 第38-39页 |
| 4.4.4 药物与不良反应实体识别 | 第39页 |
| 4.4.5 情感特征计算 | 第39页 |
| 4.4.6 文本向量表示 | 第39-40页 |
| 4.4.7 模型搭建 | 第40-42页 |
| 4.5 实验结果与错误分析 | 第42-44页 |
| 4.6 本章小结 | 第44-45页 |
| 结论 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 攻读硕士学位期间发表学术论文情况 | 第50-51页 |
| 致谢 | 第51页 |