基于协同学习的医疗概念提取技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 本文研究的主要内容 | 第13-14页 |
| 1.4 本文的结构安排 | 第14-16页 |
| 第2章 任务描述及相关技术 | 第16-23页 |
| 2.1 概念信息的特点 | 第16-17页 |
| 2.2 概念抽取任务描述 | 第17-18页 |
| 2.3 集成学习 | 第18-20页 |
| 2.3.1 学习模式 | 第18-19页 |
| 2.3.2 Bagging和Boosting技术 | 第19-20页 |
| 2.4 协同训练 | 第20-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 数据构建与评价方法 | 第23-37页 |
| 3.1 临床文档模型 | 第23-24页 |
| 3.2 医疗标注规范 | 第24-28页 |
| 3.2.1 标注特征 | 第24-26页 |
| 3.2.2 标注方法 | 第26-27页 |
| 3.2.3 标注模式 | 第27-28页 |
| 3.3 构建中文电子病历标注系统 | 第28-34页 |
| 3.3.1 硬件软件需求 | 第28页 |
| 3.3.2 实验数据简介 | 第28页 |
| 3.3.3 格式统一化 | 第28-30页 |
| 3.3.4 系统标注过程 | 第30-34页 |
| 3.4 构建实验数据 | 第34-35页 |
| 3.4.1 构建初始字典 | 第34页 |
| 3.4.2 数据选择 | 第34页 |
| 3.4.3 最大匹配算法 | 第34页 |
| 3.4.4 数据构建过程 | 第34-35页 |
| 3.5 评价方法 | 第35-36页 |
| 3.5.1 KAPPA值计算 | 第35页 |
| 3.5.2 F值计算 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 基于单分类器的医疗概念信息抽取 | 第37-45页 |
| 4.1 引言 | 第37页 |
| 4.2 基于单分类器的医疗概念抽取 | 第37-42页 |
| 4.2.1 基于隐马尔可夫模型的概念抽取 | 第37-39页 |
| 4.2.2 基于最大熵马尔科夫模型的概念抽取 | 第39-40页 |
| 4.2.3 基于条件随机场的概念抽取 | 第40-42页 |
| 4.3 实验结果及分析 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第5章 基于多分类器的协同学习概念抽取 | 第45-63页 |
| 5.1 协同学习基础 | 第45-50页 |
| 5.1.1 协同训练与改进思路 | 第45-48页 |
| 5.1.2 集成学习与改进思路 | 第48-50页 |
| 5.1.3 协同训练与集成学习 | 第50页 |
| 5.2 多分类器协同学习算法 | 第50-55页 |
| 5.2.1 基础分类器学习 | 第50-53页 |
| 5.2.2 组合分类器学习 | 第53-55页 |
| 5.3 多分类器协同学习概念抽取 | 第55-58页 |
| 5.3.1 数据的切分处理 | 第55页 |
| 5.3.2 多分类器抽取实验 | 第55-56页 |
| 5.3.3 实验结果 | 第56-58页 |
| 5.4 实验结果对比及分析 | 第58-62页 |
| 5.4.1 实验精准 | 第59-60页 |
| 5.4.2 训练时间 | 第60-61页 |
| 5.4.3 抽取概念数 | 第61-62页 |
| 5.4.4 综合性能 | 第62页 |
| 5.5 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70页 |
