近年來,隨著人工智能化的廣泛應(yīng)用,醫(yī)療信息化和自動(dòng)化也逐漸引起了廣泛關(guān)注。在醫(yī)療健康領(lǐng)域,藥品說明書相對(duì)于公開醫(yī)療領(lǐng)域文本,書寫良好、權(quán)威、全面,雖然數(shù)據(jù)規(guī)模較小,但含有大量的醫(yī)療專業(yè)術(shù)語和語義信息,具有明顯的醫(yī)療領(lǐng)域特征。目前醫(yī)療領(lǐng)域的研究多集中在英文數(shù)據(jù)集,由于中文句法和語義的特殊性,中文醫(yī)療領(lǐng)域的研究更加復(fù)雜和困難。本文以抗菌類藥品說明書為對(duì)象,自主構(gòu)建了中文藥品說明書數(shù)據(jù)集。當(dāng)前階段針對(duì)醫(yī)療健康領(lǐng)域的相關(guān)研究主要集中在命名實(shí)體識(shí)別和關(guān)系抽取兩個(gè)方面。在以往工作中,大多采用了流水線模式:輸入一個(gè)句子,先進(jìn)行命名實(shí)體識(shí)別,再進(jìn)行關(guān)系抽取。此類模式忽略了任務(wù)間聯(lián)系并造成了錯(cuò)誤傳播,同時(shí)該模式需要大量的人工操作。針對(duì)流水線模式的諸多弊端,本文引入了聯(lián)合學(xué)習(xí)模式,將卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)、條件隨機(jī)場相結(jié)合,構(gòu)建了聯(lián)合神經(jīng)網(wǎng)絡(luò)模型,在此模型基礎(chǔ)上,以參數(shù)共享的方式,對(duì)實(shí)體分類與關(guān)系抽取兩個(gè)任務(wù)進(jìn)行聯(lián)合學(xué)習(xí)。更進(jìn)一步,本文基于雙向長短時(shí)記憶循環(huán)神經(jīng)網(wǎng)絡(luò)構(gòu)建了全新的聯(lián)合模型,模型在未依賴任何人工特征和NLP工具的前提下,能夠完全抽取所有實(shí)體及關(guān)系,同時(shí)我們首次將自注意力機(jī)制加入到聯(lián)合任務(wù)中,... 

【文章頁數(shù)】：53 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的主要工作與創(chuàng)新點(diǎn)
    1.4 論文組織
第2章 數(shù)據(jù)處理與表示
    2.1 醫(yī)療實(shí)體及醫(yī)療實(shí)體關(guān)系
    2.2 語料標(biāo)注
    2.3 中文數(shù)據(jù)集
    2.4 本章小結(jié)
第3章 基于CNN的聯(lián)合模型
    3.1 模型綜述
    3.2 數(shù)據(jù)預(yù)處理
    3.3 深度特征
    3.4 聯(lián)合方式
        3.4.1 任務(wù)聯(lián)合
        3.4.2 特征聯(lián)合
        3.4.3 模型聯(lián)合
    3.5 實(shí)驗(yàn)結(jié)果
        3.5.1 數(shù)據(jù)集
        3.5.2 評(píng)價(jià)指標(biāo)
        3.5.3 結(jié)果分析
    3.6 本章小結(jié)
第4章 基于LSTM與 Self-attention的聯(lián)合學(xué)習(xí)
    4.1 模型綜述
        4.1.1 Self-attention層
        4.1.2 Bi LSTM層
        4.1.3 NER層
        4.1.4 Sigmoid層
    4.2 實(shí)驗(yàn)背景
        4.2.1 數(shù)據(jù)集
        4.2.2 實(shí)驗(yàn)設(shè)置
    4.3 實(shí)驗(yàn)結(jié)果
    4.4 錯(cuò)誤分析
    4.5 本章小結(jié)
第5章 結(jié)論與展望
    5.1 結(jié)論
    5.2 展望
致謝
參考文獻(xiàn)
附錄1 攻讀學(xué)位期間的研究成果
詳細(xì)摘要


【參考文獻(xiàn)】：
期刊論文
[1]融入自注意力機(jī)制的社交媒體命名實(shí)體識(shí)別[J]. 李明揚(yáng),孔芳.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(06)
[2]基于CNN-BLSTM-CRF模型的生物醫(yī)學(xué)命名實(shí)體識(shí)別[J]. 李麗雙,郭元?jiǎng)P.  中文信息學(xué)報(bào). 2018(01)

博士論文
[1]生物事件抽取聯(lián)合模型研究[D]. 魏小梅.武漢大學(xué) 2016

碩士論文
[1]基于并行多池化CNN的生物醫(yī)學(xué)事件抽取[D]. 秦美越.大連理工大學(xué) 2017



本文編號(hào)：3648347