| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-12页 |
| 1.1.1 课题研究背景 | 第9-10页 |
| 1.1.2 研究的目的和意义 | 第10-12页 |
| 1.2 关系抽取的研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文研究的主要内容 | 第14页 |
| 1.4 本文的结构安排 | 第14-16页 |
| 第2章 电子病历实体关系抽取 | 第16-22页 |
| 2.1 语料介绍 | 第16-17页 |
| 2.2 任务详细描述 | 第17-19页 |
| 2.3 电子病历相关资源介绍 | 第19-20页 |
| 2.4 标注与评价方法 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第3章 基于有监督方法的电子病历实体关系抽取 | 第22-28页 |
| 3.1 实体关系抽取的主要方法 | 第22-23页 |
| 3.1.1 基于模式匹配的实体关系抽取 | 第22页 |
| 3.1.2 基于词典驱动的实体关系抽取 | 第22页 |
| 3.1.3 基于有监督学习的实体关系抽取 | 第22-23页 |
| 3.2 基于有监督方法的实体关系抽取 | 第23-26页 |
| 3.2.1 电子病历中数据的预处理 | 第23-24页 |
| 3.2.2 基本特征选择 | 第24-25页 |
| 3.2.3 条件随机场模型 | 第25-26页 |
| 3.2.4 基于有监督学习的关系抽取 | 第26页 |
| 3.3 实验结果与分析 | 第26-27页 |
| 3.4 本章小结 | 第27-28页 |
| 第4章 基于深度学习的电子病历实体关系抽取 | 第28-40页 |
| 4.1 引言 | 第28页 |
| 4.2 特征学习与深度神经网络 | 第28-34页 |
| 4.2.1 特征学习 | 第28-29页 |
| 4.2.2 深度结构与深度学习 | 第29-31页 |
| 4.2.3 深度自动编码 | 第31-33页 |
| 4.2.4 稀疏性限制 | 第33-34页 |
| 4.3 基于深度自动编码的电子病历实体关系抽取方法 | 第34-36页 |
| 4.3.1 基于深度学习的电子病历实体关系抽取 | 第34页 |
| 4.3.2 特征表示 | 第34-36页 |
| 4.4 实验结果 | 第36-38页 |
| 4.5 本章小结 | 第38-40页 |
| 第5章 基于词特征选择的电子病历实体关系抽取 | 第40-49页 |
| 5.1 引言 | 第40页 |
| 5.2 词特征的基本表示 | 第40-43页 |
| 5.2.1 概述 | 第40-41页 |
| 5.2.2 术语概念的合并 | 第41-42页 |
| 5.2.3 通用词的合并 | 第42-43页 |
| 5.3 电子病历实体关系抽取中基于词的特征选择 | 第43-45页 |
| 5.3.1 基于词的特征的判别性选择 | 第43-44页 |
| 5.3.2 基于熵的特征排序 | 第44-45页 |
| 5.4 实验结果与分析 | 第45-48页 |
| 5.5 本章小结 | 第48-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-58页 |
| 致谢 | 第58页 |