| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题研究的背景 | 第9-11页 |
| 1.1.1 电子病历概述 | 第9-10页 |
| 1.1.2 医学信息学与电子病历 | 第10-11页 |
| 1.2 课题研究的目的及意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-16页 |
| 1.3.1 中文分词 | 第12-14页 |
| 1.3.2 名实体识别 | 第14-16页 |
| 1.4 本文的主要研究内容 | 第16-17页 |
| 1.4.1 基于半监督学习的中文电子病历分词 | 第16-17页 |
| 1.4.2 基于半监督学习的中文电子病历名实体挖掘 | 第17页 |
| 1.5 本文的结构安排 | 第17-18页 |
| 第2章 中文电子病历文本特点分析 | 第18-23页 |
| 2.1 结构特点 | 第18-21页 |
| 2.1.1 出院小结的结构特点 | 第18-20页 |
| 2.1.2 病程记录的结构特点 | 第20-21页 |
| 2.2 语言特点 | 第21页 |
| 2.3 实体分布的密集程度 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 基于半监督学习的中文电子病历分词 | 第23-36页 |
| 3.1 无监督分词 | 第23-31页 |
| 3.1.1 良度概述 | 第23-26页 |
| 3.1.2 边界熵的快速计算 | 第26-28页 |
| 3.1.3 基于边界熵的无监督分词 | 第28-29页 |
| 3.1.4 实验结果与分析 | 第29-31页 |
| 3.2 基于半监督学习的中文电子病历分词 | 第31-35页 |
| 3.2.1 基于 EM 算法的初步切分 | 第31-32页 |
| 3.2.2 基于有序聚类的结果调整 | 第32-34页 |
| 3.2.3 实验结果与分析 | 第34-35页 |
| 3.3 本章小结 | 第35-36页 |
| 第4章 基于半监督学习的中文电子病历名实体挖掘 | 第36-48页 |
| 4.1 基于 BOOTSTRAPPING 算法的名实体挖掘 | 第38-44页 |
| 4.1.1 模式的定义 | 第39-41页 |
| 4.1.2 模式的发现 | 第41页 |
| 4.1.3 候选实体的挖掘 | 第41-42页 |
| 4.1.4 模式的评价 | 第42-43页 |
| 4.1.5 候选实体的评价 | 第43页 |
| 4.1.6 Bootstrapping 算法的详细流程 | 第43-44页 |
| 4.2 实验结果与分析 | 第44-47页 |
| 4.3 本章小结 | 第47-48页 |
| 结论 | 第48-49页 |
| 参考文献 | 第49-54页 |
| 攻读硕士学位期间发表的论文 | 第54-56页 |
| 致谢 | 第56页 |
