| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.1.1 课题研究背景 | 第10-11页 |
| 1.1.2 课题研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 命名实体识别研究现状 | 第12-13页 |
| 1.2.2 实体关系抽取研究现状 | 第13-14页 |
| 1.2.3 中文电子病历信息抽取的难点 | 第14-15页 |
| 1.3 本文的主要内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 信息抽取技术理论基础 | 第18-32页 |
| 2.1 命名实体识别方法 | 第18-20页 |
| 2.1.1 基于规则的方法 | 第18-19页 |
| 2.1.2 基于统计的方法 | 第19-20页 |
| 2.1.3 混合方法 | 第20页 |
| 2.2 统计学习模型 | 第20-29页 |
| 2.2.1 马尔科夫模型 | 第20页 |
| 2.2.2 隐马尔科夫模型 | 第20-24页 |
| 2.2.3 最大熵模型 | 第24-27页 |
| 2.2.4 最大熵马尔科夫模型 | 第27-29页 |
| 2.3 信息抽取评估标准 | 第29-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 基于条件随机场的病历命名实体识别 | 第32-48页 |
| 3.1 条件随机场模型 | 第32-36页 |
| 3.1.1 图模型 | 第32-34页 |
| 3.1.2 产生式模型与判别式模型 | 第34-35页 |
| 3.1.3 条件随机场原理 | 第35-36页 |
| 3.2 条件随机场建模流程 | 第36-37页 |
| 3.3 实验数据与特征选择 | 第37-42页 |
| 3.3.1 实验数据 | 第37-38页 |
| 3.3.2 特征选择与标注 | 第38-40页 |
| 3.3.3 CRF++特征模板 | 第40-42页 |
| 3.4 实验与结果分析 | 第42-47页 |
| 3.4.1 上下文窗口大小的确定 | 第42-43页 |
| 3.4.2 添加高级特征的实验结果 | 第43-46页 |
| 3.4.3 基于字标注语料与基于词标注语料的对比实验 | 第46-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 基于半监督方法的病历命名实体识别 | 第48-56页 |
| 4.1 Bootstrapping算法 | 第48-49页 |
| 4.2 结合最大熵改进的ME-B算法 | 第49-51页 |
| 4.2.1 ME-B算法 | 第49-51页 |
| 4.2.2 ME-B算法的特征选择 | 第51页 |
| 4.3 候选词集过滤机制 | 第51-52页 |
| 4.4 实验与结果分析 | 第52-55页 |
| 4.4.1 ME-B算法的参数对比 | 第53-54页 |
| 4.4.2 ME-B算法与常见的命名实体识别方法的对比 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 基于卷积树核的病历实体关系抽取 | 第56-70页 |
| 5.1 电子病历中的实体关系 | 第56-58页 |
| 5.2 电子病历实体关系抽取流程 | 第58-59页 |
| 5.3 支持向量机模型 | 第59-63页 |
| 5.3.1 线性可分SVM | 第60-61页 |
| 5.3.2 线性不可分SVM | 第61-62页 |
| 5.3.3 非线性SVM | 第62-63页 |
| 5.3.4 SVM多分类 | 第63页 |
| 5.4 基于卷积树核的实体关系抽取 | 第63-66页 |
| 5.4.1 卷积树核 | 第63-65页 |
| 5.4.2 基于卷积树核的实体关系抽取 | 第65-66页 |
| 5.5 实验与结果分析 | 第66-68页 |
| 5.6 本章小结 | 第68-70页 |
| 结论 | 第70-72页 |
| 参考文献 | 第72-78页 |
| 攻读硕士学位期间所发表的学术成果 | 第78-80页 |
| 致谢 | 第80页 |