中醫(yī)古籍文本中蘊含著豐富的中醫(yī)臨床經(jīng)驗知識,若利用自然語言處理技術(shù)對中醫(yī)古籍進行研究,能夠深度挖掘中醫(yī)領(lǐng)域的文本知識,促進中醫(yī)知識的整合與創(chuàng)新。命名實體識別作為一種重要的自然語言處理技術(shù)可以從文本中識別出關(guān)鍵的命名實體,從而幫助人們快速理解文本中的語義信息并獲取相關(guān)知識。將命名實體識別技術(shù)應(yīng)用于中醫(yī)古籍中——即進行中醫(yī)術(shù)語識別,可以便捷地從中醫(yī)古籍文本中識別出中醫(yī)術(shù)語,從而大大促進現(xiàn)代中醫(yī)研究者們研究中醫(yī)古籍的進程,為中醫(yī)學(xué)的文本挖掘和信息檢索等研究領(lǐng)域提供支持。中醫(yī)古籍文本的語法獨特而靈活,導(dǎo)致對中醫(yī)古籍文本進行中醫(yī)術(shù)語識別非常困難,而當(dāng)前針對中醫(yī)術(shù)語識別的研究非常匱乏,所以如何利用先進的命名實體識別技術(shù)解決中醫(yī)術(shù)語識別這一難題是當(dāng)務(wù)之急。目前深度學(xué)習(xí)模型在命名實體識別等自然語言處理領(lǐng)域中取得了令人矚目的成果,但是將深度學(xué)習(xí)模型應(yīng)用于中醫(yī)術(shù)語識別的相關(guān)研究和文獻均非常稀缺,因此基于深度學(xué)習(xí)提出并設(shè)計BERT-BiLSTM-CRF模型用于進行中醫(yī)術(shù)語識別。BERT-BiLSTM-CRF模型的設(shè)計過程充分結(jié)合了遷移學(xué)習(xí)策略、預(yù)訓(xùn)練語言模型以及經(jīng)典的機器學(xué)習(xí)模型,在實驗中將BERT-BiL... 

【文章來源】：北京工業(yè)大學(xué)北京市211工程院校

【文章頁數(shù)】：79 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 中醫(yī)術(shù)語識別的研究背景與意義
    1.2 國內(nèi)外相關(guān)研究現(xiàn)狀
        1.2.1 命名實體識別的研究現(xiàn)狀
        1.2.2 中醫(yī)術(shù)語識別的研究現(xiàn)狀
    1.3 本文主要內(nèi)容與組織結(jié)構(gòu)
第2章 中醫(yī)術(shù)語識別相關(guān)方法研究
    2.1 傳統(tǒng)的中醫(yī)術(shù)語識別方法
    2.2 基于深度學(xué)習(xí)的中醫(yī)術(shù)語識別方法
    2.3 遷移學(xué)習(xí)與預(yù)訓(xùn)練語言模型
        2.3.1 word2vec
        2.3.2 BERT
    2.4 主動學(xué)習(xí)算法
    2.5 本章小結(jié)
第3章 基于深度學(xué)習(xí)的中醫(yī)術(shù)語識別研究
    3.1 中醫(yī)術(shù)語識別數(shù)據(jù)集的構(gòu)建
    3.2 中醫(yī)術(shù)語識別模型整體框架設(shè)計
    3.3 中醫(yī)術(shù)語識別模型設(shè)計
        3.3.1 基于BERT進行語義特征提取
        3.3.2 基于BiLSTM進行上下文語義建模
        3.3.3 基于CRF進行上下文標(biāo)簽建模
    3.4 模型性能對比實驗及實驗結(jié)果分析
        3.4.1 實驗設(shè)置
        3.4.2 實驗結(jié)果及實驗結(jié)果分析
    3.5 本章小節(jié)
第4章 基于主動學(xué)習(xí)的中醫(yī)術(shù)語識別研究
    4.1 基于主動學(xué)習(xí)的中醫(yī)術(shù)語識別研究的意義
    4.2 針對中醫(yī)術(shù)語識別的主動學(xué)習(xí)算法設(shè)計
        4.2.1 初始化階段
        4.2.2 循環(huán)查詢階段
    4.3 算法實驗及實驗結(jié)果分析
        4.3.1 實驗設(shè)置
        4.3.2 實驗結(jié)果及實驗結(jié)果分析
    4.4 本章小節(jié)
第5章 基于實體粒度的主動學(xué)習(xí)算法研究
    5.1 基于實體粒度的主動學(xué)習(xí)算法原理
    5.2 基于實體粒度的主動學(xué)習(xí)算法設(shè)計
        5.2.1 初始化階段
        5.2.2 循環(huán)查詢階段
    5.3 算法實驗及實驗結(jié)果分析
        5.3.1 實驗設(shè)置
        5.3.2 實驗結(jié)果及實驗結(jié)果分析
    5.4 本章小節(jié)
結(jié)論
參考文獻
攻讀碩士學(xué)位期間取得的研究成果
致謝


【參考文獻】：
期刊論文
[1]融入自注意力機制的社交媒體命名實體識別[J]. 李明揚,孔芳.  清華大學(xué)學(xué)報(自然科學(xué)版). 2019(06)
[2]基于LSTM-CRF的中醫(yī)醫(yī)案癥狀術(shù)語識別[J]. 李明浩,劉忠,姚遠哲.  計算機應(yīng)用. 2018(S2)
[3]基于主題標(biāo)簽和CRF的中文微博命名實體識別[J]. 朱顥東,楊立志,丁溫雪,馮嘉美.  華中師范大學(xué)學(xué)報(自然科學(xué)版). 2018(03)
[4]CRF與詞典相結(jié)合的疾病命名實體識別[J]. 龍光宇,徐云.  微型機與應(yīng)用. 2017(21)
[5]主動學(xué)習(xí)算法研究進展[J]. 楊文柱,田瀟瀟,王思樂,張錫忠.  河北大學(xué)學(xué)報(自然科學(xué)版). 2017(02)
[6]基于多特征融合的中文電子病歷命名實體識別[J]. 張祥偉,李智.  軟件導(dǎo)刊. 2017(02)
[7]基于條件隨機場的《傷寒論》中醫(yī)術(shù)語自動識別[J]. 孟洪宇,謝晴宇,常虹,孟慶剛.  北京中醫(yī)藥大學(xué)學(xué)報. 2015(09)
[8]中文句子評價對象抽取的特征分析研究[J]. 鄭敏潔,雷志城,廖祥文,陳國龍.  福州大學(xué)學(xué)報(自然科學(xué)版). 2012(05)
[9]一種中醫(yī)名詞術(shù)語自動抽取方法[J]. 張五輩,白宇,王裴巖,張桂平.  沈陽航空航天大學(xué)學(xué)報. 2011(01)
[10]命名實體識別研究進展綜述[J]. 孫鎮(zhèn),王惠臨.  現(xiàn)代圖書情報技術(shù). 2010(06)

碩士論文
[1]基于遞歸神經(jīng)網(wǎng)絡(luò)的生物醫(yī)學(xué)命名實體識別[D]. 金留可.大連理工大學(xué) 2016
[2]基于Attention-Based LSTM模型的文本分類技術(shù)的研究[D]. 張沖.南京大學(xué) 2016
[3]基于Web挖掘的中醫(yī)知識發(fā)現(xiàn)研究[D]. 趙翔.北京交通大學(xué) 2010
[4]基于最大熵模型的中文命名實體識別方法研究[D]. 楊華.哈爾濱工程大學(xué) 2008



本文編號：3638460