隨著計算機應(yīng)用于醫(yī)療事業(yè)的發(fā)展,電子病歷逐漸成為我國醫(yī)生記錄患者入院、病史、治療、出院的主要載體。電子病歷的特殊作用決定了其必定包含豐富的醫(yī)學(xué)實體以及復(fù)雜的實體關(guān)系。醫(yī)學(xué)實體以及實體間的關(guān)系是構(gòu)建醫(yī)學(xué)知識的基礎(chǔ),因此本文提出用機器學(xué)習(xí)算法對中文電子病歷進行命名實體識別以及關(guān)系抽取。針對中文電子病歷實體識別問題,本文設(shè)計了一種基于卷積神經(jīng)網(wǎng)絡(luò)結(jié)合條件隨機場(Convolutional Neural Network-Conditional Random Field,CNN-CRF)的實體識別算法框架。為得到高質(zhì)量的詞向量,本文將標注實體加入詞典進行分詞,并將已標注和未標注文本作為語料,用word2vec工具對已分詞文本進行無監(jiān)督學(xué)習(xí)。為避免擴張卷積層數(shù)增加導(dǎo)致過擬合,本文采用迭代擴張卷積處理輸入向量,并運用dropout隨機丟棄一些連接,最后,利用條件隨機場對網(wǎng)絡(luò)的分類結(jié)果進行修正。該方法在中文電子病歷上進行對比試驗,從病歷中提取出身體部位、疾病、癥狀、檢查及治療五類實體。實驗結(jié)果表明,該方法能有效地辨別病歷中的實體,其識別的精確率、召回率和F值分別為90.01%、90.62%、90.31...

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
注釋表
第1章 緒論
    1.1 研究背景與意義
    1.2 命名實體識別的研究現(xiàn)狀
        1.2.1 傳統(tǒng)機器學(xué)習(xí)方法
        1.2.2 深度學(xué)習(xí)方法
    1.3 關(guān)系抽取的研究現(xiàn)狀
        1.3.1 有監(jiān)督的關(guān)系抽取
        1.3.2 半監(jiān)督的關(guān)系抽取
        1.3.3 無監(jiān)督的關(guān)系抽取
    1.4 論文的主要工作
    1.5 論文結(jié)構(gòu)
第2章 相關(guān)技術(shù)理論
    2.1 卷積神經(jīng)網(wǎng)絡(luò)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 全連接層
    2.2 循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.1 普通循環(huán)神經(jīng)網(wǎng)絡(luò)
        2.2.2 長短期記憶網(wǎng)絡(luò)
    2.3 條件隨機場
    2.4 標注策略
    2.5 評測方法
    2.6 本章小結(jié)
第3章 基于CNN-CRF的中文電子病歷命名實體識別
    3.1 數(shù)據(jù)處理
        3.1.1 數(shù)據(jù)集及標注
        3.1.2 數(shù)據(jù)預(yù)處理
    3.2 網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.1 擴張卷積
        3.2.2 迭代擴張卷積
        3.2.3 算法架構(gòu)
    3.3 實驗結(jié)果與分析
        3.3.1 實驗設(shè)置
        3.3.2 實驗結(jié)果對比分析
    3.4 本章小結(jié)
第4章 基于序列標注的中文電子病歷實體關(guān)系抽取
    4.1 中文電子病歷實體關(guān)系
    4.2 標注模式
    4.3 實驗
        4.3.1 實驗數(shù)據(jù)介紹
        4.3.2 實驗數(shù)據(jù)預(yù)處理
        4.3.3 實驗框架
        4.3.4 實驗結(jié)果與分析
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來展望
參考文獻
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號：3968772