基于神经网络的中文电子病历命名实体识别
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 课题的背景与意义 | 第11-13页 |
| 1.1.1 课题研究背景 | 第11-12页 |
| 1.1.2 课题研究的目的和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文研究的主要内容 | 第15-16页 |
| 1.4 本文的结构安排 | 第16-19页 |
| 第二章 电子病历命名实体识别相关介绍 | 第19-29页 |
| 2.1 问题定义 | 第19-21页 |
| 2.1.1 英文电子病历实体类别 | 第19-21页 |
| 2.1.2 中文电子病历实体类别 | 第21页 |
| 2.2 研究数据来源 | 第21-22页 |
| 2.3 经典特征 | 第22-23页 |
| 2.4 主流方法 | 第23-26页 |
| 2.4.1 作为分类问题 | 第24页 |
| 2.4.2 作为序列标注问题 | 第24-26页 |
| 2.5 评价指标体系 | 第26-27页 |
| 2.6 本章小结 | 第27-29页 |
| 第三章 中文电子病历命名实体识别系统的设计与实现 | 第29-43页 |
| 3.1 引言 | 第29页 |
| 3.2 系统总体架构设计 | 第29-30页 |
| 3.3 电子病历NER关键技术的实现 | 第30-42页 |
| 3.3.1 CRF模型 | 第30-32页 |
| 3.3.2 BiLSTM-CRF模型 | 第32-40页 |
| 3.3.3 Seq2Seq模型 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 中文电子病历命名实体识别关键技术的改进 | 第43-51页 |
| 4.1 丰富词特征的LSTM-CRF网络模型 | 第43-46页 |
| 4.1.1 细粒度词向量 | 第43-44页 |
| 4.1.2 丰富词特征 | 第44-45页 |
| 4.1.3 模型和结构 | 第45-46页 |
| 4.2 距离敏感的等长Seq2Seq模型 | 第46-50页 |
| 4.2.1 等长Seq2Seq模型 | 第47-48页 |
| 4.2.2 距离敏感的Attention模型 | 第48-50页 |
| 4.3 本章小节 | 第50-51页 |
| 第五章 数据集构建与算法实验分析 | 第51-57页 |
| 5.1 实验数据集 | 第51-52页 |
| 5.2 模型的实验参数设置 | 第52-53页 |
| 5.3 实验结果与分析 | 第53-56页 |
| 5.4 本章小节 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 论文工作总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |
