| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 课题研究背景 | 第12-14页 |
| 1.2 国内外主要研究现状 | 第14-17页 |
| 1.2.1 文本分词 | 第14页 |
| 1.2.2 文本表示 | 第14-16页 |
| 1.2.3 分类学习 | 第16-17页 |
| 1.3 论文的研究目的和意义 | 第17-18页 |
| 1.4 论文的组织结构 | 第18-20页 |
| 第2章 理论知识基础 | 第20-37页 |
| 2.1 短文本表示技术 | 第20-27页 |
| 2.1.1 One-hot表示和Distributed表示 | 第20-21页 |
| 2.1.2 Word2Vec词向量 | 第21-25页 |
| 2.1.3 GloVe词向量 | 第25-26页 |
| 2.1.4 向量相似度 | 第26-27页 |
| 2.2 分类技术 | 第27-30页 |
| 2.2.1 支持向量机 | 第28-29页 |
| 2.2.2 k邻近学习 | 第29-30页 |
| 2.3 深度学习 | 第30-33页 |
| 2.3.1 卷积神经网络 | 第30-32页 |
| 2.3.2 Softmax | 第32-33页 |
| 2.4 集成学习 | 第33-35页 |
| 2.5 本章小结 | 第35-37页 |
| 第3章 基于医学电子病历数据的智能处理 | 第37-64页 |
| 3.1 基于定长词向量矩阵的医学短文本表示 | 第38-48页 |
| 3.1.1 基于commons-csv的数据提取: | 第38-39页 |
| 3.1.2 基于Word分词的词语空间 | 第39-42页 |
| 3.1.3 基于GloVe的词向量训练 | 第42-45页 |
| 3.1.4 基于最大Tanimoto系数的文本定长矩阵表示 | 第45-48页 |
| 3.2 基于深度学习和集成学习的医学疾病预测 | 第48-60页 |
| 3.2.1 基于传统机器学习的分类预测 | 第49-52页 |
| 3.2.2 基于深度学习的分类预测 | 第52-56页 |
| 3.2.3 基于集成学习思想的改进 | 第56-60页 |
| 3.3 基于定长词向量矩阵的文本语义信息挖掘 | 第60-63页 |
| 3.3.1 相似度匹配 | 第60-61页 |
| 3.3.2 关键信息提取 | 第61-63页 |
| 3.4 本章小结 | 第63-64页 |
| 第4章 基于病历文本语义分析的智能肝病辅助诊疗系统的设计 | 第64-82页 |
| 4.1 系统整体设计 | 第64-67页 |
| 4.1.1 功能模块 | 第64-66页 |
| 4.1.2 整体架构 | 第66-67页 |
| 4.2 网络接入层设计 | 第67-69页 |
| 4.3 业务逻辑层设计 | 第69-75页 |
| 4.3.1 智能疾病预测和校验模块 | 第69-71页 |
| 4.3.2 智能语音模块 | 第71-72页 |
| 4.3.3 智能匹配模块 | 第72-74页 |
| 4.3.4 关键信息提取模块 | 第74-75页 |
| 4.4 展现层设计 | 第75-78页 |
| 4.5 算法层设计 | 第78-79页 |
| 4.6 数据层设计 | 第79-80页 |
| 4.7 本章小结 | 第80-82页 |
| 第5章 系统功能和性能测试 | 第82-98页 |
| 5.1 测试环境介绍 | 第82页 |
| 5.2 基于病历文本语义分析的智能肝病辅助诊疗系统功能测试 | 第82-93页 |
| 5.2.1 服务端测试 | 第82-84页 |
| 5.2.2 网页端测试 | 第84-91页 |
| 5.2.3 移动端测试 | 第91-93页 |
| 5.3 基于病历文本语义分析的智能肝病辅助诊疗系统性能测试 | 第93-97页 |
| 5.3.1 词向量性能测试 | 第93-95页 |
| 5.3.2 系统吞吐量测试 | 第95-96页 |
| 5.3.3 系统稳定性测试 | 第96-97页 |
| 5.4 本章小结 | 第97-98页 |
| 第6章 总结和展望 | 第98-101页 |
| 6.1 总结 | 第98-99页 |
| 6.2 展望 | 第99-101页 |
| 参考文献 | 第101-107页 |
| 攻读硕士学位期间主要的研究成果 | 第107页 |
