近幾年隨著中國(guó)經(jīng)濟(jì)的快速發(fā)展,人們?cè)絹碓街匾曌陨淼慕】登闆r,并且互聯(lián)網(wǎng)的廣泛普及也極大的促進(jìn)了互聯(lián)網(wǎng)醫(yī)療的發(fā)展,同時(shí)互聯(lián)網(wǎng)也在多年的發(fā)展過程中,積累了大量的行業(yè)數(shù)據(jù),包括醫(yī)療相關(guān)的科技論文、醫(yī)院的醫(yī)囑、病例等數(shù)字化的醫(yī)療數(shù)據(jù)。眾多相關(guān)的數(shù)據(jù)資源分布在不同的平臺(tái)上,形成了數(shù)據(jù)孤島,當(dāng)人們搜索相關(guān)的資料時(shí),需要自己去從不同的搜索結(jié)果中整理總結(jié)出相關(guān)的信息,這將會(huì)耗費(fèi)人們很大的精力。而谷歌最早提出的服務(wù)于智能搜索的知識(shí)圖譜技術(shù),可以用于整合不同來源的異構(gòu)數(shù)據(jù)。本文將利用知識(shí)圖譜的相關(guān)技術(shù),構(gòu)建一個(gè)糖尿病相關(guān)的知識(shí)圖譜,一方面希望能幫助科研工作者或醫(yī)療從業(yè)人員快捷方便的查詢相關(guān)的知識(shí),另一方面也希望能為糖尿病相關(guān)的各種智能服務(wù)提供數(shù)據(jù)支撐。本文的主要研究?jī)?nèi)容有以下幾點(diǎn):首先設(shè)計(jì)了糖尿病知識(shí)圖譜的整體構(gòu)建流程,該圖譜一共包含15種實(shí)體類別和10種關(guān)系類別,并使用ArangoDB數(shù)據(jù)庫(kù)進(jìn)行圖譜的存儲(chǔ),可以為各種智能服務(wù)提供了數(shù)據(jù)層面的支持。其次,在糖尿病知識(shí)圖譜的構(gòu)建過程中,針對(duì)實(shí)體識(shí)別任務(wù),本文在常用的算法模型的基礎(chǔ)上,引入了多級(jí)別的詞向量特征。實(shí)驗(yàn)結(jié)果表明本文提出的多級(jí)別的詞向量和字符向量相結(jié)... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

線性鏈條件隨機(jī)場(chǎng)

第2章相關(guān)理論技術(shù)概述8神經(jīng)網(wǎng)絡(luò)自動(dòng)抽取特征的能力和CRF通過上下文特征獲得全局最優(yōu)條件概率的優(yōu)勢(shì)相結(jié)合，在進(jìn)行序列標(biāo)注時(shí)取得了較好的結(jié)果。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是一種用于處理時(shí)序數(shù)據(jù)的網(wǎng)絡(luò)，它在每一個(gè)時(shí)刻ｔ的輸出與當(dāng)前時(shí)刻的輸入以及前一時(shí)刻的隱藏狀態(tài)1有關(guān)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2.2所示：圖2.2循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)x是輸入，h是隱藏單元，o為輸出，對(duì)于t時(shí)刻：=(+1+)………………………(2.4)=+……………………………(2.5)其中f是激活函數(shù)，可以使tanh,sigmoid等,b和c為偏置。RNN網(wǎng)絡(luò)在層數(shù)比較多的時(shí)候，面臨梯度消失和梯度爆炸的問題，為了解決這一問題，長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM（LongShort-TermMemory）在RNN的基礎(chǔ)上改進(jìn)了門控制結(jié)構(gòu),LSMT比RNN多了一個(gè)細(xì)胞狀態(tài)，它蘊(yùn)含著之前所有時(shí)刻的信息，LSTM的三個(gè)門結(jié)構(gòu)來控制細(xì)胞狀態(tài)，其節(jié)點(diǎn)單元的內(nèi)部結(jié)構(gòu)如下圖2.3所示：圖2.3LSTM節(jié)點(diǎn)單元的內(nèi)部結(jié)構(gòu)

第2章相關(guān)理論技術(shù)概述8神經(jīng)網(wǎng)絡(luò)自動(dòng)抽取特征的能力和CRF通過上下文特征獲得全局最優(yōu)條件概率的優(yōu)勢(shì)相結(jié)合，在進(jìn)行序列標(biāo)注時(shí)取得了較好的結(jié)果。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）是一種用于處理時(shí)序數(shù)據(jù)的網(wǎng)絡(luò)，它在每一個(gè)時(shí)刻ｔ的輸出與當(dāng)前時(shí)刻的輸入以及前一時(shí)刻的隱藏狀態(tài)1有關(guān)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖2.2所示：圖2.2循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)x是輸入，h是隱藏單元，o為輸出，對(duì)于t時(shí)刻：=(+1+)………………………(2.4)=+……………………………(2.5)其中f是激活函數(shù)，可以使tanh,sigmoid等,b和c為偏置。RNN網(wǎng)絡(luò)在層數(shù)比較多的時(shí)候，面臨梯度消失和梯度爆炸的問題，為了解決這一問題，長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM（LongShort-TermMemory）在RNN的基礎(chǔ)上改進(jìn)了門控制結(jié)構(gòu),LSMT比RNN多了一個(gè)細(xì)胞狀態(tài)，它蘊(yùn)含著之前所有時(shí)刻的信息，LSTM的三個(gè)門結(jié)構(gòu)來控制細(xì)胞狀態(tài)，其節(jié)點(diǎn)單元的內(nèi)部結(jié)構(gòu)如下圖2.3所示：圖2.3LSTM節(jié)點(diǎn)單元的內(nèi)部結(jié)構(gòu)


本文編號(hào)：3298371