基于机器学习抽取文本中的药物不良反应
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究内容 | 第11页 |
| 1.3 论文组织 | 第11-13页 |
| 第二章 相关研究 | 第13-19页 |
| 2.1 相关概念 | 第13页 |
| 2.2 特征选择 | 第13-14页 |
| 2.3 基于自然语言处理方法抽取药物不良反应 | 第14-16页 |
| 2.3.1 基于共现抽取药物不良反应 | 第14-15页 |
| 2.3.2 基于规则抽取药物不良反应 | 第15-16页 |
| 2.4 基于机器学习抽取药物不良反应 | 第16-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第三章 特征选择 | 第19-35页 |
| 3.1 基于文本的特征抽取 | 第19-22页 |
| 3.1.1 基于词典匹配的特征抽取 | 第19-20页 |
| 3.1.2 基于N-gram的特征抽取 | 第20-21页 |
| 3.1.3 基于主题模型的特征抽取 | 第21-22页 |
| 3.2 特征选择方法 | 第22-26页 |
| 3.2.1 基于卡方检验选择特征 | 第23-24页 |
| 3.2.2 wrapper特征选择 | 第24-26页 |
| 3.3 实验与分析 | 第26-32页 |
| 3.3.1 实验环境 | 第26-27页 |
| 3.3.2 数据集 | 第27-28页 |
| 3.3.3 评价标准 | 第28-29页 |
| 3.3.4 模型参数设置 | 第29-30页 |
| 3.3.5 实验设置 | 第30页 |
| 3.3.6 实验结果与分析 | 第30-32页 |
| 3.4 本章小结 | 第32-35页 |
| 第四章 基于单一分类器的药物不良反应抽取 | 第35-45页 |
| 4.1 机器学习模型 | 第35-39页 |
| 4.1.1 朴素贝叶斯模型 | 第35-36页 |
| 4.1.2 逻辑斯谛回归模型 | 第36-37页 |
| 4.1.3 支持向量机模型 | 第37-38页 |
| 4.1.4 决策树模型 | 第38-39页 |
| 4.1.5 随机森林模型 | 第39页 |
| 4.2 实验与分析 | 第39-42页 |
| 4.2.1 实验环境 | 第39页 |
| 4.2.2 数据集 | 第39-40页 |
| 4.2.3 评价标准 | 第40页 |
| 4.2.4 实验设置 | 第40-41页 |
| 4.2.5 实验结果与分析 | 第41-42页 |
| 4.3 本章小结 | 第42-45页 |
| 第五章 基于集成分类器的药物不良反应抽取 | 第45-51页 |
| 5.1 Bagging集成方法 | 第45-46页 |
| 5.2 集成策略 | 第46-48页 |
| 5.2.1 相对多数投票法 | 第46-47页 |
| 5.2.2 加权投票法 | 第47页 |
| 5.2.3 阈值移动法 | 第47-48页 |
| 5.2.4 加权平均法 | 第48页 |
| 5.3 实验与分析 | 第48-50页 |
| 5.3.1 实验环境 | 第48-49页 |
| 5.3.2 数据集 | 第49页 |
| 5.3.3 评价标准 | 第49页 |
| 5.3.4 实验设置 | 第49页 |
| 5.3.5 实验结果与分析 | 第49-50页 |
| 5.4 本章小结 | 第50-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51页 |
| 6.2 展望 | 第51-53页 |
| 致谢 | 第53-54页 |
| 参考文献 | 第54-57页 |
