| 第一章 绪论 | 第15-20页 |
| 第一节 文本挖掘的研究背景 | 第15-16页 |
| 1.1.1 海量文本数据积累 | 第15页 |
| 1.1.2 文本挖掘方法 | 第15-16页 |
| 第二节 中医药文本挖掘研究 | 第16-17页 |
| 1.2.1 临床方药知识发现 | 第16页 |
| 1.2.2 证病相关知识发现 | 第16-17页 |
| 1.2.3 证候分子生物学相关知识发现 | 第17页 |
| 1.2.4 文献主题知识发现 | 第17页 |
| 第三节 本文的主要贡献 | 第17-18页 |
| 第四节 本文的组织 | 第18-20页 |
| 第二章 中医药学KDD基础及研究特点 | 第20-29页 |
| 第一节 中医药信息化研究基础 | 第20-27页 |
| 2.1.1 中医药学数据库资源建设 | 第20-21页 |
| 2.1.2 中医药学统一语言系统建设 | 第21-25页 |
| 2.1.3 中医药学信息化存在的问题 | 第25-27页 |
| 第二节 中医药学KDD研究特点 | 第27-29页 |
| 第三章 文本挖掘综述 | 第29-39页 |
| 第一节 文本挖掘介绍 | 第29-35页 |
| 3.1.1 目标与定义 | 第29页 |
| 3.1.2 文本挖掘过程 | 第29-31页 |
| 3.1.3 研究内容和方法 | 第31-35页 |
| 3.1.3.1 文本分类／聚类(Text Classification/Clustering) | 第32-33页 |
| 3.1.3.2 信息抽取(Information Extraction) | 第33页 |
| 3.1.3.3 文本数据挖掘(Text Data Mining) | 第33-35页 |
| 第二节 生物医学文献知识发现(KDiBL) | 第35-36页 |
| 第三节 文本挖掘软件 | 第36-38页 |
| 3.3.1 商业软件 | 第37页 |
| 3.3.2 研究性共享软件 | 第37-38页 |
| 第四节 总结与结论 | 第38-39页 |
| 第四章 基于字特征的中文文本分类研究 | 第39-53页 |
| 第一节 问题定义 | 第40-41页 |
| 第二节 关键技术 | 第41-42页 |
| 4.2.1 文本特征表示 | 第41页 |
| 4.2.2 特征抽取和选取 | 第41-42页 |
| 4.2.3 机器学习方法 | 第42页 |
| 4.2.4 分类性能评价 | 第42页 |
| 第四节 相关研究 | 第42-43页 |
| 第五节 文本分类方法 | 第43-46页 |
| 4.5.1 Na(?)ve Bayes | 第44页 |
| 4.5.2 TFIDF/Rocchio | 第44-45页 |
| 4.5.3 Support Vector Machine(SVM) | 第45页 |
| 4.5.4 k-Nearest Neighbor(kNN) | 第45-46页 |
| 第六节 分布字聚类 | 第46-48页 |
| 第七节 训练集 | 第48-49页 |
| 第八节 字特征比较实验 | 第49-50页 |
| 第九节 分布字聚类实验 | 第50-51页 |
| 第十节 结论及未来工作 | 第51-53页 |
| 第五章 基于Bootstrapping的中医药文献信息抽取 | 第53-68页 |
| 第一节 中医药文献信息抽取研究目标 | 第53-54页 |
| 第二节 信息抽取相关研究 | 第54-56页 |
| 第三节 Bootstrapping方法介绍 | 第56-57页 |
| 第四节 Bootstrapping的模式定义 | 第57-59页 |
| 5.4.1 LTRT模式 | 第57-58页 |
| 5.4.2 FEP模式 | 第58页 |
| 5.4.3 WIP模式 | 第58页 |
| 5.4.4 ATP模式 | 第58-59页 |
| 第五节 Bubble-Bootstrapping算法 | 第59-62页 |
| 第六节 实验结果及分析 | 第62-67页 |
| 5.6.1 复方名称抽取 | 第63-64页 |
| 5.6.2 疾病名称抽取 | 第64-66页 |
| 5.6.3 副主题词抽取 | 第66-67页 |
| 第八节 结论与未来工作 | 第67-68页 |
| 第六章 MeDisco/3T临床复方文本挖掘系统 | 第68-82页 |
| 第一节 MeDisco/3T系统体系结构 | 第68-69页 |
| 6.1.1 TCM Term Recognizer | 第69页 |
| 6.1.2 CMF Content Extractor | 第69页 |
| 6.1.3 Data Mining | 第69页 |
| 第二节 MeDisco/3T术语识别模块实现 | 第69-71页 |
| 6.2.1 模式定义实现与特殊处理 | 第69-70页 |
| 6.2.2 Bubble-bootstrapping算法实现 | 第70-71页 |
| 第三节 MeDisco/3T应用 | 第71-73页 |
| 6.3.1 临床复方药物组成知识发现 | 第71-72页 |
| 6.3.2 临床疾病名称抽取 | 第72-73页 |
| 6.3.3 副主题词信息抽取 | 第73页 |
| 第四节 实验结果分析 | 第73-81页 |
| 6.4.1 临床复方内容抽取 | 第73-74页 |
| 6.4.2 药物组成与科属高频知识 | 第74-78页 |
| 6.4.3 复方药物科属分布知识 | 第78-81页 |
| 第五节 结论及未来工作 | 第81-82页 |
| 第七章 MeDisco/3T中医证候分子生物学知识发现系统 | 第82-102页 |
| 第一节 中医药学与大生命科学的研究背景 | 第82-83页 |
| 第二节 中医证候分子生物学知识文本挖掘的提出 | 第83-85页 |
| 7.2.1 概念互补性关联 | 第83页 |
| 7.2.2 文本数据基础 | 第83-84页 |
| 7.2.3 总体框架 | 第84-85页 |
| 7.2.4 研究意义 | 第85页 |
| 第三节 系统体系结构 | 第85-87页 |
| 第四节 关键技术 | 第87-92页 |
| 7.4.1 独立互补性文献与信息整合 | 第87-88页 |
| 7.4.2 基于ATP的中医疾病名称抽取 | 第88-89页 |
| 7.4.3 标准术语库与文献术语索引 | 第89-90页 |
| 7.4.4 术语同现频度与关联度计算 | 第90-91页 |
| 7.4.5 网络图形化输出 | 第91-92页 |
| 第五节 实验结果分析和评价 | 第92-100页 |
| 7.5.1 证病关系 | 第93-95页 |
| 7.5.2 证候与基因关系 | 第95-99页 |
| 7.5.3 基因证候分型特性 | 第99-100页 |
| 第六节 结论及未来工作 | 第100-102页 |
| 第八章 结论与展望 | 第102-105页 |
| 第一节 总结与结论 | 第102-103页 |
| 第二节 未来工作 | 第103页 |
| 第三节 展望 | 第103-105页 |
| 附录 | 第105-108页 |
| 参考文献 | 第108-119页 |
| 博士期间论文 | 第119页 |
