| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 研究背景 | 第15-17页 |
| 1.2 研究现状 | 第17-20页 |
| 1.3 本文工作与主要贡献 | 第20-22页 |
| 1.4 组织结构 | 第22-25页 |
| 第二章 预备知识 | 第25-39页 |
| 2.1 主题模型 | 第25-31页 |
| 2.1.1 主题模型建模 | 第25-30页 |
| 2.1.2 主题模型参数学习 | 第30-31页 |
| 2.2 表示学习 | 第31-36页 |
| 2.2.1 word2vec | 第31-34页 |
| 2.2.2 知识图谱向量化表示 | 第34-36页 |
| 2.3 自编码器 | 第36-37页 |
| 2.4 本章小结 | 第37-39页 |
| 第三章 基于多内容LDA模型的中医诊疗 | 第39-59页 |
| 3.1 问题定义 | 第39-40页 |
| 3.2 多内容LDA模型 | 第40-46页 |
| 3.2.1 模型描述 | 第40-42页 |
| 3.2.2 参数学习 | 第42-46页 |
| 3.2.3 病机推断 | 第46页 |
| 3.3 药物推荐 | 第46-49页 |
| 3.4 实验及分析 | 第49-58页 |
| 3.4.1 实验设置 | 第50-51页 |
| 3.4.2 专家评估 | 第51-53页 |
| 3.4.3 MC-LDA模型的定量分析 | 第53-55页 |
| 3.4.4 MC-LDA模型的定性分析 | 第55-56页 |
| 3.4.5 药物推荐对比分析 | 第56-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第四章 中医实体的向量化表示方法 | 第59-69页 |
| 4.1 基于上下文信息的实体向量化表示 | 第60-63页 |
| 4.1.1 症状实体向量化表示方法 | 第60页 |
| 4.1.2 药物实体向量化表示方法 | 第60-63页 |
| 4.2 基于知识图谱的实体向量化表示 | 第63-68页 |
| 4.2.1 中医知识图谱 | 第63-66页 |
| 4.2.2 基于翻译模型TransE的实体向量化表示 | 第66-68页 |
| 4.3 本章小结 | 第68-69页 |
| 第五章 基于多内容词向量LDA模型的中医诊疗 | 第69-85页 |
| 5.1 引言 | 第69页 |
| 5.2 问题定义 | 第69-71页 |
| 5.3 多内容词向量LDA模型 | 第71-77页 |
| 5.3.1 模型描述 | 第71-72页 |
| 5.3.2 参数学习 | 第72-76页 |
| 5.3.3 算法复杂度分析与优化 | 第76-77页 |
| 5.4 药物推荐 | 第77-78页 |
| 5.5 实验及分析 | 第78-83页 |
| 5.5.1 实验设置 | 第78-79页 |
| 5.5.2 专家评估 | 第79-80页 |
| 5.5.3 MC-eLDA模型的定量分析 | 第80-81页 |
| 5.5.4 MC-eLDA模型的定性分析 | 第81-82页 |
| 5.5.5 药物推荐对比分析 | 第82-83页 |
| 5.6 本章小结 | 第83-85页 |
| 第六章 总结与展望 | 第85-87页 |
| 6.1 本文工作总结 | 第85-86页 |
| 6.2 未来工作展望 | 第86-87页 |
| 参考文献 | 第87-97页 |
| 致谢 | 第97-99页 |
| 攻读硕士学位期间发表论文和科研情况 | 第99页 |