| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.2.1 基于不良事件报告系统的研究现状 | 第11-12页 |
| 1.2.2 基于社交网络的研究现状 | 第12-13页 |
| 1.3 本文工作 | 第13页 |
| 1.4 本文结构 | 第13-15页 |
| 2 相关资源和算法 | 第15-23页 |
| 2.1 生物医学数据资源 | 第15-18页 |
| 2.1.1 SIDER | 第15页 |
| 2.1.2 Semantic MEDLINE Database | 第15-16页 |
| 2.1.3 MeSH | 第16-17页 |
| 2.1.4 DrugBank | 第17-18页 |
| 2.2 生物医学工具 | 第18-19页 |
| 2.3 相关算法 | 第19-22页 |
| 2.3.1 非序列化Skip-gram模型 | 第19-21页 |
| 2.3.2 信息熵 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 面向不良事件报告的潜在药物不良反应发现 | 第23-31页 |
| 3.1 问题引出 | 第23页 |
| 3.2 实验数据 | 第23-24页 |
| 3.3 研究框架 | 第24页 |
| 3.4 方法 | 第24-28页 |
| 3.4.1 药名文本去噪 | 第24-25页 |
| 3.4.2 药名实体识别(MetaMap) | 第25页 |
| 3.4.3 语义类型过滤 | 第25-27页 |
| 3.4.4 生成分布式实体向量 | 第27-28页 |
| 3.4.5 计算药物和不良反应之间关联度 | 第28页 |
| 3.5 实验分析 | 第28-30页 |
| 3.6 本章小结 | 第30-31页 |
| 4 面向社交网络的潜在药物不良反应发现 | 第31-44页 |
| 4.1 问题引出 | 第31页 |
| 4.2 研究框架 | 第31-33页 |
| 4.2.1 数据获取模块 | 第32页 |
| 4.2.2 潜在不良反应识别模块 | 第32页 |
| 4.2.3 关联蛋白质寻求模块 | 第32-33页 |
| 4.3 识别潜在药物不良反应 | 第33-36页 |
| 4.3.1 生成“疾病和不良反应”词典 | 第33页 |
| 4.3.2 基于信息熵和字典匹配的“疾病和不良反应”实体识别 | 第33-34页 |
| 4.3.3 基于DrugBank和Semantic MEDLINE的适应症标记 | 第34-35页 |
| 4.3.4 基于SIDER的已知药物不良反应标记 | 第35页 |
| 4.3.5 潜在药物不良反应标记 | 第35-36页 |
| 4.4 寻求潜在不良反应的证据 | 第36-37页 |
| 4.4.1 关联度 | 第36-37页 |
| 4.4.2 基于Skip-gram模型的生物实体关联度 | 第37页 |
| 4.5 实验结果分析 | 第37-43页 |
| 4.5.1 不良反应识别结果 | 第38-40页 |
| 4.5.2 分布式实体向量 | 第40-41页 |
| 4.5.3 关联蛋白质 | 第41-43页 |
| 4.6 本章小结 | 第43-44页 |
| 结论 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间发表学术论文情况 | 第49-50页 |
| 致谢 | 第50-51页 |
