| 致谢 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第11-17页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 研究内容和主要创新点 | 第13-14页 |
| 1.4 论文的组织和安排 | 第14-15页 |
| 1.5 本章小结 | 第15-17页 |
| 2 相关研究综述 | 第17-28页 |
| 2.1 赛博、物理和社会空间 | 第17-18页 |
| 2.2 人类的社会属性及建模研究 | 第18-21页 |
| 2.2.1 社会网络及建模 | 第18-19页 |
| 2.2.2 社会媒体和社会计算 | 第19-21页 |
| 2.3 物联网中物理对象建模研究 | 第21-24页 |
| 2.3.1 物联网中物理对象身份建模及对象建模方法 | 第21-22页 |
| 2.3.2 物联网中社会属性建模相关研究 | 第22-24页 |
| 2.4 乳腺癌防控的相关研究 | 第24-26页 |
| 2.4.1 乳腺癌危险因素研究 | 第24-25页 |
| 2.4.2 乳腺癌风险评估模型研究 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 3 物联网中物理对象的关系建模及乳腺癌防控中的关系建模 | 第28-54页 |
| 3.1 物联网中物理对象的关系建模 | 第28-39页 |
| 3.1.1 关系的分类及关系的超网络结构 | 第29-34页 |
| 3.1.2 基于本体的物理对象及关系建模 | 第34-37页 |
| 3.1.3 基于Python语言的本体模型实现及基于nID的关系识别 | 第37-39页 |
| 3.2 乳腺癌防控中的关系建模 | 第39-53页 |
| 3.2.1 乳腺癌防控中的物理对象及属性建模 | 第39-41页 |
| 3.2.2 数据来源及值离散化 | 第41-44页 |
| 3.2.3 乳腺癌危险因素发现算法 | 第44-47页 |
| 3.2.4 关联规则算法实现及实验结果分析 | 第47-52页 |
| 3.2.5 乳腺癌防控建议 | 第52-53页 |
| 3.3 本章小结 | 第53-54页 |
| 4 物联网中物理对象的社会网络建模和乳腺癌防控中的医疗社会网络建模 | 第54-63页 |
| 4.1 物理对象的社会网络模型建立 | 第54-55页 |
| 4.2 物理对象的社会网络模型仿真 | 第55-59页 |
| 4.3 乳腺癌防控中的医疗社会网络建模 | 第59-61页 |
| 4.4 本章小结 | 第61-63页 |
| 5 基于医疗社会网络的乳腺癌风险评估模型 | 第63-77页 |
| 5.1 乳腺癌风险评估模型设计及实现 | 第63-67页 |
| 5.2 BCRAM模型的验证 | 第67-75页 |
| 5.2.1 模型评价指标的选择 | 第67-69页 |
| 5.2.2 实验数据源 | 第69-70页 |
| 5.2.3 实验设置和结果分析 | 第70-75页 |
| 5.3 本章小结 | 第75-77页 |
| 6 乳腺癌风险分级评估模式 | 第77-85页 |
| 6.1 乳腺癌风险分级评估模式设计及实现平台 | 第77-79页 |
| 6.2 基于机器学习分类算法的乳腺癌风险二级评估 | 第79-84页 |
| 6.2.1 机器学习分类算法 | 第80-81页 |
| 6.2.2 算法实现及结果分析 | 第81-84页 |
| 6.3 本章小结 | 第84-85页 |
| 7 结论与展望 | 第85-88页 |
| 7.1 结论 | 第85-86页 |
| 7.2 展望 | 第86-88页 |
| 参考文献 | 第88-98页 |
| 附录A | 第98-106页 |
| 作者简历及在学研究成果 | 第106-108页 |
| 学位论文数据集 | 第108页 |
