电子病历中的概念抽取研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 课题背景及研究的目的和意义 | 第9-11页 |
| 1.1.1 课题背景 | 第9-10页 |
| 1.1.2 研究的目的和意义 | 第10-11页 |
| 1.2 实体识别的研究现状 | 第11-15页 |
| 1.2.1 基于规则的实体识别 | 第11-13页 |
| 1.2.2 基于统计学习的实体识别 | 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16-18页 |
| 第二章 电子病历概念抽取相关介绍 | 第18-25页 |
| 2.1 语料介绍 | 第18-20页 |
| 2.2 任务详细描述 | 第20-22页 |
| 2.3 基本特征 | 第22-23页 |
| 2.4 标注与评价方法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于有监督方法的电子病历概念抽取 | 第25-41页 |
| 3.1 引言 | 第25页 |
| 3.2 有监督学习方法介绍 | 第25-33页 |
| 3.2.1 最大熵模型 | 第26页 |
| 3.2.2 条件随机域模型 | 第26-28页 |
| 3.2.3 MIRA 算法 | 第28-31页 |
| 3.2.4 Baseline 系统 | 第31-33页 |
| 3.3 特征扩展 | 第33-39页 |
| 3.3.1 病历特征 | 第33-34页 |
| 3.3.2 词典资源 | 第34-37页 |
| 3.3.3 分布语义 | 第37-39页 |
| 3.4 实验结果 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于组合分类器的电子病历概念抽取 | 第41-47页 |
| 4.1 引言 | 第41-42页 |
| 4.2 Bagging 方法 | 第42页 |
| 4.3 stacking 方法 | 第42-44页 |
| 4.4 实验结果 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于迁移学习的电子病历概念抽取 | 第47-55页 |
| 5.1 引言 | 第47页 |
| 5.2 迁移学习方法概述 | 第47-50页 |
| 5.2.1 语料分布相似性 | 第48-49页 |
| 5.2.2 迁移学习方法的分类 | 第49-50页 |
| 5.3 TrAdaBoost 算法 | 第50-52页 |
| 5.3.1 实例迁移学习方法的理论基础 | 第50-51页 |
| 5.3.2 TrAdaBoost 算法 | 第51-52页 |
| 5.4 实验结果 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第63-65页 |
| 致谢 | 第65页 |
