基于深度学习的医疗后评价系统的设计与实现
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 基于词典的情感分析方法 | 第13-14页 |
| 1.2.2 基于机器学习的情感分析方法 | 第14页 |
| 1.2.3 基于深度学习的情感分析方法 | 第14-15页 |
| 1.3 论文主要工作 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 相关技术 | 第18-26页 |
| 2.1 词嵌入 | 第18-21页 |
| 2.1.1 基于神经网络的语言模型 | 第19-20页 |
| 2.1.2 Word2Vec 模型框架 | 第20-21页 |
| 2.2 卷积神经网络 | 第21-22页 |
| 2.3 关键词提取技术 | 第22-25页 |
| 2.3.1 基于词频统计的关键词提取 | 第23-24页 |
| 2.3.2 基于词汇图模型的关键词提取 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 3 医疗后评价系统分析与设计 | 第26-40页 |
| 3.1 功能性需求分析 | 第26-28页 |
| 3.1.1 医疗后评价系统基本功能 | 第26-27页 |
| 3.1.2 评价情感倾向的分析与判断 | 第27页 |
| 3.1.3 评价数据的分析与展示 | 第27-28页 |
| 3.2 非功能性需求分析 | 第28-29页 |
| 3.3 系统用例设计 | 第29-30页 |
| 3.4 系统总体架构设计 | 第30-32页 |
| 3.4.1 逻辑架构 | 第30-32页 |
| 3.4.2 功能模块设计 | 第32页 |
| 3.5 基本功能模块设计 | 第32-35页 |
| 3.6 数据库设计 | 第35-39页 |
| 3.6.1 E-R模型设计 | 第35-36页 |
| 3.6.2 数据库表结构设计 | 第36-39页 |
| 3.7 本章小结 | 第39-40页 |
| 4 面向字向量的医疗后评价情感分析方法 | 第40-53页 |
| 4.1 情感分析流程 | 第40-42页 |
| 4.2 模型整体架构 | 第42-43页 |
| 4.3 预处理模块 | 第43-45页 |
| 4.4 特征学习模块 | 第45-46页 |
| 4.4.1 输入层 | 第45页 |
| 4.4.2 多核卷积层 | 第45-46页 |
| 4.4.3 分段池化层 | 第46页 |
| 4.5 情感预测分析模块 | 第46-47页 |
| 4.6 实验 | 第47-52页 |
| 4.6.1 数据集 | 第47页 |
| 4.6.2 实验环境及参数设置 | 第47-49页 |
| 4.6.3 对比实验 | 第49页 |
| 4.6.4 实验结果与分析 | 第49-52页 |
| 4.7 本章小结 | 第52-53页 |
| 5 系统实现 | 第53-68页 |
| 5.1 用户入口 | 第53-54页 |
| 5.2 基本功能实现 | 第54-58页 |
| 5.2.1 评价功能 | 第54-55页 |
| 5.2.2 医患间交流 | 第55-56页 |
| 5.2.3 评价管理 | 第56-58页 |
| 5.2.4 用户管理 | 第58页 |
| 5.3 情感分析实现 | 第58-62页 |
| 5.3.1 评价情感分析 | 第58-61页 |
| 5.3.2 异常评价识别 | 第61-62页 |
| 5.4 数据分析实现 | 第62-67页 |
| 5.4.1 评价数据分析流程 | 第62-64页 |
| 5.4.2 关键词提取 | 第64-66页 |
| 5.4.3 数据统计展示 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 6 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读学位期间的研究成果目录 | 第73-74页 |
| 致谢 | 第74页 |
