基于深度学习的中文电子病历实体修饰与关系抽取研究及算法平台开发
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题背景及研究的目的和意义 | 第8-10页 |
| 1.1.1 课题研究背景 | 第8-9页 |
| 1.1.2 研究的目的和意义 | 第9-10页 |
| 1.2 深度学习及其平台的研究现状 | 第10-13页 |
| 1.2.1 NLP领域深层学习模型的研究现状 | 第10-12页 |
| 1.2.2 深度学习算法开源框架研究现状 | 第12-13页 |
| 1.3 本文研究的主要内容 | 第13-14页 |
| 1.4 本文的结构安排 | 第14-15页 |
| 第2章 面向中文电子病历的深度学习算法平台开发 | 第15-31页 |
| 2.1 深度学习平台搭建 | 第15-20页 |
| 2.1.1 平台的主要模块 | 第15-16页 |
| 2.1.2 平台架构说明 | 第16-18页 |
| 2.1.3 数据接口规范 | 第18-19页 |
| 2.1.4 平台使用说明 | 第19-20页 |
| 2.2 深度学习平台算法研究及实现 | 第20-28页 |
| 2.2.1 CBOW模型训练算法 | 第20-21页 |
| 2.2.2 Skip-gram训练算法 | 第21-24页 |
| 2.2.3 RNN训练算法 | 第24-27页 |
| 2.2.4 RNTN训练算法 | 第27-28页 |
| 2.3 深度学习平台功能测试 | 第28-29页 |
| 2.3.1 平台功能测试数据 | 第28-29页 |
| 2.3.2 平台功能测试结果 | 第29页 |
| 2.4 本章小结 | 第29-31页 |
| 第3章 基于RNTN的中文电子病历实体关系抽取 | 第31-41页 |
| 3.1 中文电子病历实体关系抽取任务介绍 | 第31-34页 |
| 3.1.1 中文电子病历语料介绍 | 第31页 |
| 3.1.2 实体关系类型介绍 | 第31-33页 |
| 3.1.3 实体关系标注和评价介绍 | 第33-34页 |
| 3.2 基于RNTN的实体关系抽取 | 第34-38页 |
| 3.2.1 实体关系抽取数据预处理 | 第34-36页 |
| 3.2.2 RNTN模型训练模块实现 | 第36-38页 |
| 3.2.3 外部特征集 | 第38页 |
| 3.3 实验结果与分析 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 基于RNN的中文电子病历实体修饰识别 | 第41-50页 |
| 4.1 中文电子病历实体修饰识别任务介绍 | 第41-43页 |
| 4.1.1 实体修饰类型介绍 | 第41-42页 |
| 4.1.2 实体修饰标注和评价介绍 | 第42-43页 |
| 4.2 基于RNN的实体修饰识别 | 第43-47页 |
| 4.2.1 实体修饰识别数据预处理 | 第43-44页 |
| 4.2.2 RNN模型训练模块实现 | 第44-46页 |
| 4.2.3 外部特征集 | 第46-47页 |
| 4.3 实验结果与分析 | 第47-48页 |
| 4.4 本章小结 | 第48-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-58页 |
| 致谢 | 第58页 |
