| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 选题背景及现实意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 知识图谱的应用领域 | 第11-12页 |
| 1.2.2 知识图谱的构建方法 | 第12-13页 |
| 1.2.3 知识图谱构建流程 | 第13-15页 |
| 1.3 主要研究内容及组织结构 | 第15-17页 |
| 1.3.1 本文主要研究内容 | 第15-16页 |
| 1.3.2 论文结构安排 | 第16-17页 |
| 第二章 基于深度学习的中文电子病历命名实体识别 | 第17-37页 |
| 2.1 中文命名实体识别 | 第17-18页 |
| 2.2 中文命名实体识别技术 | 第18-21页 |
| 2.2.1 条件随机场 | 第18-19页 |
| 2.2.2 神经网络算法 | 第19-21页 |
| 2.3 基于神经网络结构的中文命名实体识别 | 第21-25页 |
| 2.3.1 英文命名实体识别研究 | 第21-22页 |
| 2.3.2 基于BiLSTM-CRF模型的中文命名实体识别 | 第22页 |
| 2.3.3 基于BiLSTM-CRF模型的中文命名实体识别中的LSTM | 第22-24页 |
| 2.3.4 基于BiLSTM-CRF模型的中文命名实体识别中的CRF | 第24-25页 |
| 2.4 基于BiLSTM-CRF模型的中文命名实体识别在电子病历中的应用 | 第25-28页 |
| 2.4.1 模型训练中的数据说明与处理 | 第26-27页 |
| 2.4.2 预训练嵌入与网络训练 | 第27-28页 |
| 2.5 实验 | 第28-36页 |
| 2.5.1 实验环境与使用的工具包 | 第28-29页 |
| 2.5.2 数据格式 | 第29-30页 |
| 2.5.3 模型数据处理流程及校对语料 | 第30-32页 |
| 2.5.4 实验结果与分析 | 第32-36页 |
| 2.6 工作总结与展望 | 第36-37页 |
| 第三章 基于深度学习的中文电子病历关系抽取 | 第37-46页 |
| 3.1 关系抽取 | 第37-40页 |
| 3.1.1 语义关系 | 第37-38页 |
| 3.1.2 常用的语义关系 | 第38页 |
| 3.1.3 中文电子病历中的语义关系 | 第38-40页 |
| 3.2 关系抽取算法 | 第40-43页 |
| 3.2.1 基于神经网络的关系抽取技术 | 第40-41页 |
| 3.2.2 基于深度学习的中文电子病例关系抽取 | 第41-43页 |
| 3.3 实验 | 第43-45页 |
| 3.3.1 实验环境 | 第43页 |
| 3.3.2 实验数据 | 第43-44页 |
| 3.3.3 实验结果 | 第44-45页 |
| 3.3.4 实验分析 | 第45页 |
| 3.4 结论 | 第45-46页 |
| 第四章 基于图数据库的医疗知识图谱构建 | 第46-52页 |
| 4.1 Neo4j数据库简介 | 第46-49页 |
| 4.1.1 Neo4j数据库数据的特点 | 第46-47页 |
| 4.1.2 Neo4j数据库数据的优点 | 第47-48页 |
| 4.1.3 Neo4j数据库数据的应用领域 | 第48-49页 |
| 4.2 知识图谱构建 | 第49-50页 |
| 4.2.1 知识图谱构建流程 | 第49页 |
| 4.2.2 基于中文电子病历的知识图谱构建 | 第49-50页 |
| 4.3 医疗知识图谱分析 | 第50-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52-53页 |
| 5.2 未来的工作 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-61页 |
| 攻读硕士期间发表论文和参与科研项目 | 第61-62页 |
