| 论文创新点 | 第4-11页 |
| 摘要 | 第11-13页 |
| ABSTRACT | 第13-16页 |
| 0 引言 | 第17-34页 |
| 0.1 选题背景与意义 | 第17-19页 |
| 0.1.1 选题背景 | 第17-18页 |
| 0.1.2 研究意义 | 第18-19页 |
| 0.2 国内外研究现状分析 | 第19-29页 |
| 0.2.1 药物不良反应挖掘的报告源 | 第19-24页 |
| 0.2.2 基于社交媒体挖掘药物不良反应的主要方法论 | 第24-27页 |
| 0.2.3 评价方法 | 第27-28页 |
| 0.2.4 国内外研究现状评析 | 第28-29页 |
| 0.3 研究内容、方法与创新点 | 第29-34页 |
| 0.3.1 研究内容 | 第29-30页 |
| 0.3.2 研究方法与路线 | 第30-31页 |
| 0.3.3 研究重点与难点 | 第31-32页 |
| 0.3.4 主要创新点 | 第32-34页 |
| 1 相关研究 | 第34-44页 |
| 1.1 药物不良反应的相关理论 | 第34-36页 |
| 1.1.1 药物不良反应 | 第34页 |
| 1.1.2 药物不良事件 | 第34-35页 |
| 1.1.3 药物不良反应信号 | 第35页 |
| 1.1.4 药物警戒 | 第35-36页 |
| 1.2 知识发现理论 | 第36-38页 |
| 1.2.1 知识发现 | 第36-37页 |
| 1.2.2 知识发现与数据挖掘 | 第37页 |
| 1.2.3 药物不良反应知识发现 | 第37-38页 |
| 1.3 网络健康社区 | 第38-42页 |
| 1.4 DIKW体系 | 第42-43页 |
| 1.5 本章小节 | 第43-44页 |
| 2 药物不良反应知识发现与利用模型的构建 | 第44-52页 |
| 2.1 药物不良反应知识发现与利用中的基本要素 | 第44-47页 |
| 2.1.1 药物不良反应大数据 | 第44-45页 |
| 2.1.2 药物不良反应信息 | 第45-46页 |
| 2.1.3 药物不良反应知识 | 第46页 |
| 2.1.4 药物不良反应智慧 | 第46-47页 |
| 2.2 药物不良反应知识发现与利用中的信息活动 | 第47-49页 |
| 2.2.1 药物不良反应大数据的过滤 | 第47页 |
| 2.2.2 药物不良反应信号的抽取 | 第47-48页 |
| 2.2.3 药物不良反应本体的半自动构建 | 第48页 |
| 2.2.4 个性化药物不良反应预警 | 第48-49页 |
| 2.3 基于DIKW体系的药物不良反应知识发现与利用模型 | 第49-51页 |
| 2.4 本章小节 | 第51-52页 |
| 3 药物不良反应大数据的过滤 | 第52-66页 |
| 3.1 药物不良反应大数据过滤研究问题的提出 | 第52-55页 |
| 3.2 药物不良反应大数据过滤的研究框架 | 第55-56页 |
| 3.3 数据收集及处理 | 第56-57页 |
| 3.4 LDA特征空间建模 | 第57-60页 |
| 3.4.1 潜在狄利克雷分配模型 | 第57-59页 |
| 3.4.2 基于潜在狄利克雷分配的特征空间建模 | 第59-60页 |
| 3.5 训练数据的自动扩充 | 第60-62页 |
| 3.5.1 半监督学习方法 | 第60-61页 |
| 3.5.2 利用半监督学习增加训练数据 | 第61-62页 |
| 3.6 构建分类器 | 第62-65页 |
| 3.6.1 提纯候选的负样本集 | 第63-64页 |
| 3.6.2 迭代选择可靠的正样本构建分类器 | 第64-65页 |
| 3.7 本章小结 | 第65-66页 |
| 4 药物不良反应信号的抽取 | 第66-84页 |
| 4.1 药物不良反应信号抽取研究问题的提出 | 第66-68页 |
| 4.2 药物不良反应信号抽取的研究框架 | 第68-69页 |
| 4.3 数据收集及预处理 | 第69-70页 |
| 4.4 医学实体识别 | 第70-73页 |
| 4.3.1 生物医学数据资源 | 第70-72页 |
| 4.3.2 基于多词典源的医学实体识别 | 第72-73页 |
| 4.5 药物不良事件的抽取 | 第73-81页 |
| 4.5.1 生物医学关系抽取方法 | 第73-75页 |
| 4.5.2 基于最短依存路径核函数的药物不良事件抽取 | 第75-80页 |
| 4.5.3 语义过滤 | 第80-81页 |
| 4.6 报告源分类 | 第81-82页 |
| 4.7 本章小节 | 第82-84页 |
| 5 药物不良反应本体的半自动构建 | 第84-102页 |
| 5.1 药物不良反应本体半自动构建研究问题的提出 | 第84-85页 |
| 5.2 药物不良反应本体半自动构建的研究框架 | 第85-87页 |
| 5.3 领域分词词典的构建 | 第87-90页 |
| 5.4 基于WORD2VEC的细粒度描述概念候选词抽取 | 第90-94页 |
| 5.4.1 Word2vec词向量模型 | 第90-92页 |
| 5.4.2 细粒度描述概念候选词的抽取过程 | 第92-94页 |
| 5.5 细粒度描述概念候选词筛选 | 第94-97页 |
| 5.6 细粒度药物不良反应本体的半自动构建 | 第97-101页 |
| 5.6.1 本体构建方法 | 第97页 |
| 5.6.2 细粒度药物不良反应本体的构建过程 | 第97-101页 |
| 5.7 本章小节 | 第101-102页 |
| 6 个性化药物不良反应预警 | 第102-118页 |
| 6.1 个性化药物不良反应预警研究问题的提出 | 第102-103页 |
| 6.2 个性化药物不良反应预警的研究框架 | 第103-104页 |
| 6.3 用户情景建模 | 第104-106页 |
| 6.4 情景本体规则学习 | 第106-112页 |
| 6.4.1 关联规则的基本理论 | 第107-109页 |
| 6.4.2 基于用户情景的药物不良反应关联规则挖掘 | 第109-112页 |
| 6.5 基于规则学习的药物不良反应本体推理和个性化用药预警 | 第112-117页 |
| 6.5.1 数据预处理模块 | 第113-114页 |
| 6.5.2 本体建模模块 | 第114页 |
| 6.5.3 规则学习模块 | 第114页 |
| 6.5.4 个性化用药预警模块 | 第114-117页 |
| 6.6 本章小节 | 第117-118页 |
| 7 实验及结果分析 | 第118-138页 |
| 7.1 药物不良反应大数据过滤的实验分析 | 第118-122页 |
| 7.1.1 参数调整 | 第118-120页 |
| 7.1.2 评估指标 | 第120-121页 |
| 7.1.3 结果分析 | 第121-122页 |
| 7.2 药物不良反应信号抽取的实验分析 | 第122-126页 |
| 7.2.1 数据集及预处理 | 第122-123页 |
| 7.2.2 评价标准 | 第123页 |
| 7.2.3 结果分析 | 第123-126页 |
| 7.3 药物不良反应本体半自动构建的实验分析 | 第126-131页 |
| 7.3.1 实验本体领域范围的界定 | 第126-127页 |
| 7.3.2 基于word2vec的细粒度药物不良反应候选词抽取 | 第127-129页 |
| 7.3.3 细粒度药物不良反应本体的构建 | 第129-131页 |
| 7.4 个性化药物不良反应预警的实验分析 | 第131-136页 |
| 7.4.1 基于用户情景的药物不良反应本体建模 | 第131-132页 |
| 7.4.2 基于用户情景的药物不良反应本体规则学习 | 第132-135页 |
| 7.4.3 情景演绎与本体推理/个性化药物不良反应预警 | 第135-136页 |
| 7.5 本章小节 | 第136-138页 |
| 8 总结与展望 | 第138-142页 |
| 8.1 研究总结 | 第138-140页 |
| 8.2 研究不足与展望 | 第140-142页 |
| 参考文献 | 第142-153页 |
| 攻读博士期间科研情况 | 第153-154页 |
| 致谢 | 第154-156页 |
