摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第一章 绪论 | 第12-19页 |
1.1 研究背景与意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-16页 |
1.2.1 领域知识图谱构建研究现状 | 第14-15页 |
1.2.2 医疗领域问答系统应用研究现状 | 第15页 |
1.2.3 研究现状总结 | 第15-16页 |
1.3 论文主体研究内容与目标 | 第16-17页 |
1.4 硕士在读期间主要完成工作 | 第17页 |
1.5 论文组织结构 | 第17-19页 |
第二章 关键技术相关理论知识综述 | 第19-25页 |
2.1 实体识别与实体关系抽取任务 | 第19-22页 |
2.1.1 命名实体识别 | 第19-21页 |
2.1.2 实体关系抽取 | 第21-22页 |
2.2 实体对齐 | 第22-23页 |
2.3 基于语义解析的知识库问答 | 第23-25页 |
第三章 面向临床医疗领域的知识图谱构建方法与实现 | 第25-45页 |
3.1 知识图谱构建的挑战分析与整体方案设计 | 第25-26页 |
3.2 临床医疗知识抽取 | 第26-34页 |
3.2.1 挑战分析与方案设计 | 第26-28页 |
3.2.2 基于规则包装的人工抽取器 | 第28-29页 |
3.2.3 基于Bi-LSTM-CRF的联合学习模型的自动抽取器 | 第29-34页 |
3.3 临床医疗知识融合 | 第34-37页 |
3.3.1 挑战分析与方案设计 | 第34-35页 |
3.3.2 医疗同义实体库构建 | 第35-37页 |
3.3.3 多知识库融合 | 第37页 |
3.4 临床医疗知识混合存储 | 第37-39页 |
3.4.1 基于Neo4j的关系类知识存储 | 第38-39页 |
3.4.2 基于MongoDB的属性类知识存储 | 第39页 |
3.5 实验评估与分析 | 第39-44页 |
3.5.1 实体与关系联合抽取实验与分析 | 第40页 |
3.5.2 实体对齐实验与分析 | 第40页 |
3.5.3 临床医疗领域知识图谱规模分析 | 第40-44页 |
3.6 本章小结 | 第44-45页 |
第四章 基于临床医疗知识图谱的自动问答方法与系统实现 | 第45-57页 |
4.1 医疗知识图谱问答系统挑战与整体方案设计 | 第45-46页 |
4.2 基于数据冷启动与自动标注的语料生成器 | 第46-48页 |
4.3 基于实体识别与关系映射的问句语义解析 | 第48-52页 |
4.3.1 基于字-词网格LSTM-CRF的NER模型 | 第48-50页 |
4.3.2 基于字-词编码的CNN关系分类模型 | 第50-52页 |
4.4 知识库答案检索 | 第52-53页 |
4.4.1 术语归一化 | 第52页 |
4.4.2 分流与查询逻辑转化 | 第52-53页 |
4.5 实验评估与分析 | 第53-56页 |
4.5.1 问句实体识别实验与分析 | 第53-55页 |
4.5.2 问句关系/属性映射实验与分析 | 第55页 |
4.5.3 问题类型支持度评估 | 第55-56页 |
4.6 本章小结 | 第56-57页 |
第五章 医疗智能辅助问诊服务平台的设计与实现 | 第57-68页 |
5.1 需求分析 | 第57-58页 |
5.1.1 系统业务需求 | 第57-58页 |
5.1.2 系统功能需求 | 第58页 |
5.2 系统设计与实现 | 第58-62页 |
5.2.1 系统总体架构设计与实现 | 第59-60页 |
5.2.2 系统功能流程设计与实现 | 第60-61页 |
5.2.3 技术架构设计与实现 | 第61-62页 |
5.3 平台系统测试 | 第62-66页 |
5.3.1 知识库问诊助手 | 第62-65页 |
5.3.2 图谱关系可视化 | 第65页 |
5.3.3 WeChat医疗助手 | 第65-66页 |
5.3.4 平台服务整合测试 | 第66页 |
5.4 本章小结 | 第66-68页 |
第六章 总结与展望 | 第68-72页 |
6.1 论文工作总结 | 第68-70页 |
6.1.1 研究背景与已完成研究工作 | 第68-69页 |
6.1.2 研究成果与论文创新点 | 第69-70页 |
6.2 未来工作展望 | 第70-72页 |
参考文献 | 第72-76页 |
致谢 | 第76-77页 |
攻读学位期间取得的研究成果 | 第77页 |