基于生物医学文献挖掘的化合物与疾病关系识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 研究现状 | 第14-18页 |
| 1.2.1 生物医学命名实体归一化研究现状 | 第14-16页 |
| 1.2.2 化合物与疾病关系提取研究现状 | 第16-17页 |
| 1.2.3 待改进之处 | 第17-18页 |
| 1.3 本文研究内容 | 第18页 |
| 1.3.1 基于语义匹配的生物医学命名实体归一化 | 第18页 |
| 1.3.2 基于卷积神经网络的疾病与化合物关提取 | 第18页 |
| 1.4 论文组织 | 第18-21页 |
| 第2章 相关技术与知识 | 第21-41页 |
| 2.1 自然语言处理中单词的表示方法 | 第21-23页 |
| 2.1.1 基于符号的独热表示法 | 第21页 |
| 2.1.2 蕴含语义的分布式词向量 | 第21-23页 |
| 2.2 自然语言处理中的神经网络方法 | 第23-35页 |
| 2.2.1 全连接前向神经网络 | 第24-26页 |
| 2.2.2 线性递归神经网络 | 第26-29页 |
| 2.2.3 树形递归神经网络 | 第29-32页 |
| 2.2.4 卷积神经网络 | 第32-35页 |
| 2.3 文本相似度模型 | 第35-39页 |
| 2.3.1 基于符号的文本相似度 | 第36页 |
| 2.3.2 基于语义的文本相似度 | 第36-39页 |
| 2.4 本章小结 | 第39-41页 |
| 第3章 生物医学命名实体归一化 | 第41-55页 |
| 3.1 问题定义 | 第41-42页 |
| 3.1.1 问题描述 | 第41页 |
| 3.1.2 解决思路 | 第41-42页 |
| 3.2 关键点分析 | 第42-43页 |
| 3.2.1 模型的泛化性 | 第42页 |
| 3.2.2 语义刻画的准确性 | 第42-43页 |
| 3.3 算法设计 | 第43-49页 |
| 3.3.1 语义词向量的学习 | 第43页 |
| 3.3.2 生物医学命名实体的语义刻画 | 第43-45页 |
| 3.3.3 生物医学命名实体间的语义匹配 | 第45-46页 |
| 3.3.4 算法流程 | 第46-49页 |
| 3.4 实验 | 第49-53页 |
| 3.4.1 NCBI数据集上的实验 | 第49-51页 |
| 3.4.2 CDR数据集上的实验 | 第51-53页 |
| 3.5 本章小结 | 第53-55页 |
| 第4章 化合物与疾病关系提取 | 第55-69页 |
| 4.1 问题定义 | 第55-56页 |
| 4.1.1 问题描述 | 第55页 |
| 4.1.2 解决思路 | 第55-56页 |
| 4.2 关键点分析 | 第56-57页 |
| 4.2.1 单词特征的刻画 | 第56页 |
| 4.2.2 局部关键信息的捕获 | 第56-57页 |
| 4.3 算法设计 | 第57-61页 |
| 4.3.1 刻画单词特征 | 第57页 |
| 4.3.2 利用卷积神经网络捕获局部关键信息 | 第57-58页 |
| 4.3.3 优化目标 | 第58-59页 |
| 4.3.4 算法流程 | 第59-61页 |
| 4.4 实验 | 第61-67页 |
| 4.4.1 卷积核尺寸、数量调整实验 | 第61-65页 |
| 4.4.2 不同方法对比实验 | 第65-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第5章 总结 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 附录A 实验参数说明 | 第75-77页 |
| 致谢 | 第77-78页 |
| 在读期间发表的学术论文与取得的研究成果 | 第78页 |
