| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第15-25页 |
| 1.1 课题研究背景和意义 | 第15-17页 |
| 1.2 课题国内外研究现状 | 第17-20页 |
| 1.2.1 国外对命名实体识别的研究 | 第17-18页 |
| 1.2.2 国内对中文命名实体识别的研究 | 第18-19页 |
| 1.2.3 深度学习国内外研究现状 | 第19-20页 |
| 1.3 课题研究内容 | 第20-21页 |
| 1.4 全文组织结构 | 第21-25页 |
| 第二章 电子病历命名实体识别研究基础 | 第25-41页 |
| 2.1 基于字典与规则的方法 | 第25-26页 |
| 2.2 基于机器学习的方法 | 第26-36页 |
| 2.2.1 隐马尔可夫模型 | 第27-29页 |
| 2.2.2 最大熵模型 | 第29-32页 |
| 2.2.3 最大熵马尔科夫模型 | 第32-34页 |
| 2.2.4 条件随机场 | 第34-36页 |
| 2.3 瓶颈分析以及改进思路方法 | 第36-39页 |
| 2.4 评价标准 | 第39-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第三章 多源异构文本病历数据融合的研究 | 第41-49页 |
| 3.1 本文研究的总流程 | 第41-42页 |
| 3.2 病历文本数据集 | 第42-43页 |
| 3.3 不同医院的电子病历数据的特点 | 第43-44页 |
| 3.4 多源异构文本病历数据融合的研究 | 第44-46页 |
| 3.5 本章小结 | 第46-49页 |
| 第四章 针对命名实体识别对深度信念网的改进研究 | 第49-57页 |
| 4.1 深度神经网络与深度学习 | 第49-50页 |
| 4.2 针对命名实体识别对深度信念网改进研究 | 第50-56页 |
| 4.2.1 深度信念网的改进 | 第50-52页 |
| 4.2.2 改进的深度信念网的训练过程 | 第52页 |
| 4.2.3 受限的玻尔兹曼机的训练过程 | 第52-56页 |
| 4.3 改进的深度信念网的命名实体识别方案 | 第56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 基于改进的深度信念网的命名实体识别方法对比实验及分析 | 第57-67页 |
| 5.1 数据集介绍 | 第58页 |
| 5.2 中文分词 | 第58-59页 |
| 5.3 语料标注 | 第59页 |
| 5.4 基于改进DBN的中文电子病历命名实体识别方法研究 | 第59-62页 |
| 5.4.1 改进的深度信念网与传统的深度信念网的训练 | 第59-61页 |
| 5.4.2 最大熵马尔科夫模型训练 | 第61-62页 |
| 5.4.3 条件随机场训练 | 第62页 |
| 5.5 实验对比分析 | 第62-65页 |
| 5.6 本章小结 | 第65-67页 |
| 第六章 总结与展望 | 第67-71页 |
| 6.1 全文总结 | 第67-68页 |
| 6.2 研究不足以及展望 | 第68-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 研究成果及发表的学术论文 | 第77-79页 |
| 作者和导师简介 | 第79-80页 |
| 附件 | 第80-81页 |
