隨著信息技術(shù)的發(fā)展和人民生活水平的不斷提高,醫(yī)療健康成為公眾關(guān)注的熱點(diǎn)話題,通過(guò)搜索引擎、問(wèn)答系統(tǒng)等方式來(lái)查詢和咨詢醫(yī)療健康問(wèn)題逐漸成為公眾健康問(wèn)題咨詢的主流途徑。問(wèn)答系統(tǒng)作為一種回答高效、交互人性化的在線平臺(tái),降低了在線用戶的使用難度、緩解了健康咨詢專家的咨詢壓力。在交互過(guò)程中,問(wèn)答系統(tǒng)首先要準(zhǔn)確理解用戶問(wèn)題的意圖,只有正確理解用戶問(wèn)題,問(wèn)答系統(tǒng)才能準(zhǔn)確返回給用戶預(yù)期的答案。針對(duì)在線用戶咨詢過(guò)程中的健康問(wèn)題分類技術(shù),本文展開了以下方面的研究:（1）融合局部語(yǔ)義和全局結(jié)構(gòu)的健康問(wèn)句粗類分類。針對(duì)已有健康問(wèn)句分類方法的不足,本文提出了一種融合局部語(yǔ)義和全局結(jié)構(gòu)的健康問(wèn)句分類方法。首先,通過(guò)卷積神經(jīng)網(wǎng)絡(luò)和獨(dú)立循環(huán)神經(jīng)網(wǎng)絡(luò)分別獲得句子的局部語(yǔ)義表示和全局結(jié)構(gòu)表示。然后,利用自注意力機(jī)制將局部語(yǔ)義表示向量和全局結(jié)構(gòu)表示向量融合,得到句子的最終語(yǔ)義表示向量。最后,通過(guò)分類層分類并輸出分類結(jié)果。實(shí)驗(yàn)結(jié)果表明,本文方法有效地改善了梯度消失和梯度爆炸問(wèn)題,相比已有方法,本文方法在中文健康問(wèn)句數(shù)據(jù)集上取得了更高的F值。（2）結(jié)合外部知識(shí)和雙層注意機(jī)制的健康問(wèn)句細(xì)類分類。針對(duì)在線用戶用詞不規(guī)范的問(wèn)題,本文... 

【文章來(lái)源】：西北師范大學(xué)甘肅省

【文章頁(yè)數(shù)】：53 頁(yè)

【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
    1.2 研究目的及意義
    1.3 研究現(xiàn)狀
    1.4 研究?jī)?nèi)容
    1.5 論文組織結(jié)構(gòu)
第2章 相關(guān)技術(shù)介紹
    2.1 文本預(yù)處理
    2.2 文本表示
    2.3 特征提取
第3章 融合局部語(yǔ)義和全局結(jié)構(gòu)信息的健康問(wèn)句粗類分類
    3.1 介紹
    3.2 方法描述
        3.2.1 基于CNN的問(wèn)題局部語(yǔ)義表示
        3.2.2 基于IndRNN的問(wèn)題全局結(jié)構(gòu)表示
        3.2.3 融合局部語(yǔ)義和全局結(jié)構(gòu)的句子表示
    3.3 實(shí)驗(yàn)
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)
        3.3.2 評(píng)價(jià)指標(biāo)
        3.3.3 實(shí)驗(yàn)設(shè)置
        3.3.4 實(shí)驗(yàn)結(jié)果和分析
    3.4 本章小結(jié)
第4章 結(jié)合外部知識(shí)和雙層注意機(jī)制的健康問(wèn)句細(xì)類分類
    4.1 介紹
    4.2 方法描述
        4.2.1 基于BiGRU的詞表示
        4.2.2 第一層注意機(jī)制
        4.2.3 第二層注意機(jī)制
    4.3 實(shí)驗(yàn)
        4.3.1 實(shí)驗(yàn)數(shù)據(jù)
        4.3.2 評(píng)價(jià)指標(biāo)
        4.3.3 實(shí)驗(yàn)設(shè)置
        4.3.4 實(shí)驗(yàn)結(jié)果和分析
    4.4 本章小結(jié)
第5章 基于CLSTM-Attention網(wǎng)絡(luò)的健康問(wèn)句多標(biāo)簽分類
    5.1 介紹
    5.2 多標(biāo)簽問(wèn)題的描述
    5.3 方法描述
        5.3.1 局部語(yǔ)義的提取
        5.3.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）
        5.3.3 注意力機(jī)制層
        5.3.4 LSTM解碼
    5.4 實(shí)驗(yàn)
        5.4.1 實(shí)驗(yàn)數(shù)據(jù)
        5.4.2 評(píng)價(jià)指標(biāo)
        5.4.3 實(shí)驗(yàn)設(shè)置
        5.4.4 實(shí)驗(yàn)結(jié)果和分析
    5.5 本章小結(jié)
總結(jié)與展望
參考文獻(xiàn)
致謝
個(gè)人簡(jiǎn)歷、在學(xué)期間發(fā)表的學(xué)術(shù)論文及研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于編碼解碼器與深度主題特征抽取的多標(biāo)簽文本分類[J]. 陳文實(shí),劉心惠,魯明羽.  南京師大學(xué)報(bào)(自然科學(xué)版). 2019(04)
[2]基于語(yǔ)義強(qiáng)化和特征融合的文本分類[J]. 王子牛,王宏杰,高建瓴.  軟件. 2020(01)
[3]一種基于混合詞向量的膠囊網(wǎng)絡(luò)文本分類方法[J]. 王弘中,劉漳輝,郭昆.  小型微型計(jì)算機(jī)系統(tǒng). 2020(01)
[4]基于標(biāo)簽語(yǔ)義注意力的多標(biāo)簽文本分類[J]. 肖琳,陳博理,黃鑫,劉華鋒,景麗萍,于劍.  軟件學(xué)報(bào). 2020(04)
[5]融合局部語(yǔ)義和全局結(jié)構(gòu)信息的健康問(wèn)句分類[J]. 張志昌,張治滿,張珍文.  西安電子科技大學(xué)學(xué)報(bào). 2020(02)
[6]面向多標(biāo)簽文本分類的深度主題特征提取[J]. 陳文實(shí),劉心惠,魯明羽.  模式識(shí)別與人工智能. 2019(09)
[7]基于標(biāo)簽相關(guān)性的類屬屬性多標(biāo)簽分類算法[J]. 牟甲鵬,蔡劍,余孟池,徐建.  計(jì)算機(jī)應(yīng)用研究. 2020(09)
[8]基于聯(lián)合模型的多標(biāo)簽文本分類研究[J]. 劉心惠,陳文實(shí),周愛,陳飛,屈雯,魯明羽.  計(jì)算機(jī)工程與應(yīng)用. 2020(14)
[9]基于注意力CNLSTM模型的新聞文本分類[J]. 劉月,翟東海,任慶寧.  計(jì)算機(jī)工程. 2019(07)
[10]基于稀疏自學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的句子分類模型[J]. 高云龍,左萬(wàn)利,王英,王鑫.  計(jì)算機(jī)研究與發(fā)展. 2018(01)

碩士論文
[1]面向網(wǎng)絡(luò)教育新聞文本的區(qū)域分類方法研究[D]. 蒙梅.西安理工大學(xué) 2019
[2]基于深度學(xué)習(xí)的多標(biāo)簽短文本分類方法研究[D]. 徐曉璐.桂林電子科技大學(xué) 2019
[3]基于深度學(xué)習(xí)的知乎標(biāo)題的多標(biāo)簽文本分類[D]. 張闖.北京交通大學(xué) 2018
[4]基于領(lǐng)域詞典的移動(dòng)醫(yī)療問(wèn)題分類與問(wèn)題相似度計(jì)算[D]. 尹京偉.深圳大學(xué) 2016
[5]話題演變的在線方法研究[D]. 王斌.武漢理工大學(xué) 2013



本文編號(hào)：3151452