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

面向中文医疗问题检索的语义匹配技术研究

摘要第5-6页
abstract第6-7页
第一章 绪论第13-17页
    1.1 研究背景第13-15页
    1.2 本文工作与主要贡献第15-16页
    1.3 组织结构第16-17页
第二章 相关工作第17-24页
    2.1 语义匹配概述及研究现状第17-22页
        2.1.1 语义匹配概述第17页
        2.1.2 语义匹配研究现状第17-21页
        2.1.3 医疗领域的语义匹配工作第21-22页
    2.2 迁移学习概述及研究现状第22-23页
        2.2.1 迁移学习的分类第22-23页
        2.2.2 基于迁移学习的语义匹配研究现状第23页
    2.3 本章小结第23-24页
第三章 中文医疗领域的语义匹配语料挖掘第24-43页
    3.1 语义匹配任务概述第24-28页
        3.1.1 任务定义第24-25页
        3.1.2 训练方式分类第25-27页
        3.1.3 常用的语义匹配公开数据第27-28页
    3.2 医疗领域语义匹配语料挖掘框架第28-30页
    3.3 中文医疗实体表述词典的构建第30-34页
        3.3.1 整体流程第30-31页
        3.3.2 知识抽取第31-32页
        3.3.3 知识库融合第32-33页
        3.3.4 医疗实体表述词典的构建第33-34页
    3.4 中文医疗语义匹配数据集构建第34-42页
        3.4.1 整体流程第34-35页
        3.4.2 基于Web数据的问答语料挖掘方法第35-38页
        3.4.3 医疗问句匹配数据集构建方法第38-42页
    3.5 本章小结第42-43页
第四章 基于有监督学习的语义匹配模型第43-61页
    4.1 有监督学习方法概述第43-44页
    4.2 基于传统特征的语义匹配模型第44-45页
        4.2.1 传统特征表示方法第44-45页
        4.2.2 基于传统特征的语义匹配模型第45页
    4.3 基于神经网络的语义匹配模型第45-48页
    4.4 TMTransformer语义匹配模型第48-52页
        4.4.1 Transformer基本原理第48-49页
        4.4.2 基于Transformer改进的语义匹配模型第49-51页
        4.4.3 TMTransformer中的语义交互建模第51-52页
    4.5 实验与结果分析第52-60页
        4.5.1 实验数据第53页
        4.5.2 实验设置第53-55页
        4.5.3 评价指标第55-56页
        4.5.4 实验结果分析第56-60页
    4.6 本章小结第60-61页
第五章 基于迁移学习的语义匹配提升方法第61-78页
    5.1 迁移学习第61-63页
        5.1.1 迁移学习的定义第61-62页
        5.1.2 基于迁移学习的语义匹配方法概述第62-63页
    5.2 跨领域的语义匹配迁移学习方法第63-65页
        5.2.1 预训练任务介绍第63-64页
        5.2.2 跨领域的迁移学习流程第64-65页
    5.3 跨任务的语义匹配迁移学习方法第65-70页
        5.3.1 预训练任务介绍第66-67页
        5.3.2 多分类预训练模型构建第67-68页
        5.3.3 预训练任务的评估方法第68-69页
        5.3.4 跨任务的迁移学习流程第69-70页
    5.4 实验设置和分析第70-77页
        5.4.1 数据集介绍第70-72页
        5.4.2 数据预处理第72页
        5.4.3 实验设置第72-73页
        5.4.4 实验分析第73-77页
    5.5 本章小结第77-78页
第六章 总结与展望第78-80页
    6.1 本文工作总结第78-79页
    6.2 未来工作展望第79-80页
参考文献第80-90页
致谢第90-92页
攻读硕士学位期间发表论文和科研情况第92页

论文共92页,点击 下载论文
上一篇:中国紫贻贝群体遗传分析及紫贻贝与厚壳贻贝杂交研究
下一篇:论巴什拉想象理论的身体性内蕴