首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

面向文本的基于神经网络的药物相互作用抽取研究

摘要第5-6页
Abstract第6页
第一章 绪论第12-18页
    1.1 研究背景及意义第12-13页
    1.2 相关工作及研究现状第13-16页
    1.3 本文研究动机第16页
        1.3.1 药物相互作用抽取面临的困难和挑战第16页
        1.3.2 现有方法的局限性第16页
    1.4 论文研究目标和内容第16-17页
    1.5 论文结构安排第17-18页
第二章 背景工作第18-32页
    2.1 关系抽取第18-19页
    2.2 药物相互作用抽取第19-27页
        2.2.1 问题描述和评价指标第19-21页
        2.2.2 基于特征的药物相互作用抽取方法第21-22页
        2.2.3 基于核函数的药物相互作用抽取方法第22-23页
        2.2.4 基于神经网络的药物相互作用抽取方法第23-27页
    2.3 相关技术第27-30页
        2.3.1 词嵌入第27-29页
        2.3.2 注意力机制第29-30页
    2.4 本章小结第30-32页
第三章 基于P-BLSTM模型的药物相互作用抽取方法第32-48页
    3.1 模型动机第32-33页
    3.2 研究方案第33-39页
        3.2.1 过滤规则第33-34页
        3.2.2 预处理第34-35页
        3.2.3 P-BLSTM模型第35-39页
    3.3 实验结果与分析第39-46页
        3.3.1 实验设置第39-41页
        3.3.2 对比算法第41页
        3.3.3 实验结果第41-42页
        3.3.4 位置敏感注意力的影响第42-44页
        3.3.5 词性信息的影响第44页
        3.3.6 预处理的影响第44-45页
        3.3.7 错误分析第45-46页
    3.4 本章小结第46-48页
第四章 基于PM-BLSTM模型的药物相互作用抽取方法第48-64页
    4.1 模型动机第48-50页
    4.2 研究方案第50-55页
        4.2.1 方案流程第50页
        4.2.2 PM-BLSTM模型第50-55页
    4.3 实验结果与分析第55-62页
        4.3.1 实验设置第55-56页
        4.3.2 实验结果第56-57页
        4.3.3 多任务学习的影响第57-59页
        4.3.4 三种PM-BLSTM结构对比第59-60页
        4.3.5 双注意力权重分析第60-61页
        4.3.6 结果分析第61-62页
    4.4 本章小结第62-64页
第五章 总结与展望第64-66页
    5.1 工作总结第64页
    5.2 未来展望第64-66页
致谢第66-68页
参考文献第68-72页
作者简介第72-73页

论文共73页,点击 下载论文
上一篇:黑磷纳米片的液相制备及其在重金属离子检测中的应用
下一篇:智能电网中的分布式控制与优化问题研究