隨著醫(yī)學數(shù)據(jù)量的增加,從疾病、藥物、治療、基因等醫(yī)學實體中發(fā)現(xiàn)新知識,挖掘醫(yī)學數(shù)據(jù)之間隱含的知識來輔助疾病診斷意義重大。知識圖譜技術成為知識問答和領域知識發(fā)現(xiàn)的重要技術支撐。結合醫(yī)學領域知識構建醫(yī)學知識圖譜,是未來智能醫(yī)療發(fā)展的推動力。然而,目前醫(yī)學領域知識圖譜構建存在可解釋性差、效率低的問題。因此,根據(jù)醫(yī)學數(shù)據(jù)的特殊性和復雜性,提高醫(yī)學知識圖譜的表示能力和推理能力,滿足實際醫(yī)學應用需求,是目前值得研究的問題。本文主要針對構建醫(yī)學知識圖譜時,知識自動抽取困難、語義推理能力差的問題,研究了醫(yī)學知識抽取、醫(yī)學知識推理方法以及在疾病診斷中的應用:1、針對文檔級別醫(yī)學實體關系存在多示例、遠程監(jiān)督在醫(yī)學關系標記中存在噪音的問題,提出了一種基于強化學習的遠程監(jiān)督醫(yī)學關系抽取模型,使用強化學習方法對遠程監(jiān)督進行改進。針對長短期記憶網(wǎng)絡模型提取規(guī)則可解釋性差的問題,加入觸發(fā)詞和位置嵌入,改進損失函數(shù),提取出可解釋性強的規(guī)則。實驗結果表明,所提出的模型克服了規(guī)則可解釋性差和噪音問題,達到了67.6%的F值,與基線方法相比F值提高了1.2%。2、針對現(xiàn)有的醫(yī)學知識推理模型需要進行大量矩陣運算且復雜度較高的...

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景
    1.2 研究目的及意義
    1.3 國內(nèi)外研究現(xiàn)狀
    1.4 本文主要內(nèi)容
    1.5 本文的組織結構
第2章 相關理論與方法
    2.1 醫(yī)學知識圖譜構建
    2.2 醫(yī)學實體關系抽取方法
        2.2.1 基于深度學習的醫(yī)學實體關系抽取
        2.2.2 基于遠程監(jiān)督的醫(yī)學實體關系抽取
    2.3 醫(yī)學知識推理方法
        2.3.1 基于翻譯的醫(yī)學知識推理
        2.3.2 基于路徑的醫(yī)學知識推理
    2.4 本章小結
第3章 基于強化學習的遠程監(jiān)督實體關系抽取模型
    3.1 基于強化學習的遠程監(jiān)督實體關系抽取模型
        3.1.1 遠程監(jiān)督自動標注語料
        3.1.2 強化學習去噪
        3.1.3 改進LSTM關系預測
    3.2 實驗環(huán)境及數(shù)據(jù)集
    3.3 實驗結果及分析
    3.4 本章小結
第4章 基于多路徑約束的知識推理模型
    4.1 基于多路徑約束的知識推理模型
        4.1.1 多路徑約束
        4.1.2 特征路徑提取
        4.1.3 路徑編碼
        4.1.4 基于注意力機制的路徑推理
    4.2 實驗環(huán)境及數(shù)據(jù)集
    4.3 實驗結果及分析
    4.4 本章小結
第5章 醫(yī)學知識圖譜在疾病診斷中的應用
    5.1 基于醫(yī)學知識圖譜的疾病診斷應用
        5.1.1 疾病診斷系統(tǒng)
        5.1.2 基于玻爾茲曼機和馬爾可夫邏輯網(wǎng)的疾病診斷模型
    5.2 實驗數(shù)據(jù)集
    5.3 實驗結果及分析
    5.4 本章小結
第6章 總結與展望
    6.1 總結
    6.2 展望
參考文獻
致謝
在學期間主要科研成果
    一、發(fā)表學術論文
    二、其它科研成果



本文編號：3984555