醫(yī)療文本的信息抽取是醫(yī)療領(lǐng)域自然語言處理研究中重要的一環(huán)。其目的是從電子化的醫(yī)療文本中,挖掘有價值的信息,并進行提取和分析,以幫助醫(yī)生或患者分析病情,實現(xiàn)醫(yī)療智能化。隨著人民的生活水平提高,對身體健康的關(guān)注日益加強,發(fā)展醫(yī)療信息化、將大量的醫(yī)療文本通過自然語言處理技術(shù)轉(zhuǎn)化為醫(yī)療知識是一份十分重要的工作。然而,如何對中文文本使用自然語言處理技術(shù)進行信息抽取,具有以下幾個問題:(一)由于中文的漢字和詞語都具有語義,這不同于英文等以單詞為最小語言單位的語言,在中文自然語言處理時,不同場景下,對中文的表征有不同需求,有的場景需要用字作為基本單位,有的場景需要以詞語作為基本單位。因此,在文本信息抽取任務(wù)中,需要一個魯棒性好,適應(yīng)性強的中文分詞算法。(二)在醫(yī)療文本中,包含了如“疾病名稱”、“發(fā)病部位”、“癥狀”、“藥品名稱”和“治療手段”等大量有價值的信息,這是醫(yī)療文本信息抽取的主要內(nèi)容。由于醫(yī)療文本多為描述復(fù)雜的非結(jié)構(gòu)化自由文本,且具有很多專業(yè)領(lǐng)域的描述方式,如何準(zhǔn)確的提取上述信息,是醫(yī)療文本信息抽取的難點和關(guān)鍵點。(三)僅僅識別醫(yī)療文本中的實體,還不足以滿足醫(yī)療文本信息抽取這一需求。實體的屬...

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1.2本文工作內(nèi)容

杭州師范大學(xué)碩士學(xué)位論文緒論自然語言處理的基本任務(wù)，針對醫(yī)療文本的自然語言處理也叫醫(yī)療語言處理（MedicalLanguageProcessing,MLP）[17]，該任務(wù)大致可分為兩個部分。第一部分是基礎(chǔ)研究，該部分主要涉及到自然語言處理的基本問題，如中文分詞、命名實體識別....

圖2.1簡單的前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

DeepLearning,DL）是機器學(xué)習(xí)的一種方法，是euralNetwork,ANN）為基本架構(gòu)，對數(shù)據(jù)進行特，它大量借鑒了人們關(guān)于人腦、統(tǒng)計學(xué)和應(yīng)用數(shù)更加強大的計算機、海量的數(shù)據(jù)和更深層的神經(jīng)及程度和實用性都有巨大的發(fā)展。本節(jié)將對深度網(wǎng)絡(luò)絡(luò)（FeedforwardNeu....

圖2.2sigmoid函數(shù)圖像

換（affinetransformation），多層神經(jīng)網(wǎng)絡(luò)的仿射變換的疊加。而激活函數(shù)的作用是在每一個仿射變換后引入非線性變換網(wǎng)絡(luò)輸出值應(yīng)用非線性函數(shù)改變其值（這一過程稱為激活）下一層的輸入。的激活函數(shù)有Sigmoid、ReLU、Tanh等。oid函數(shù)oid函數(shù)可以將變....

圖2.3ReLU函數(shù)圖像

圖2.3ReLU函數(shù)圖像采用ReLU激活函數(shù)的神經(jīng)元只需要進行加法、乘法和大小比較操作更加高效。另外，在優(yōu)化方面，ReLU激活函數(shù)為左飽和函數(shù)，且在數(shù)為1，相對于sigmoid型函數(shù)的兩端飽和，ReLU函數(shù)在一定程度上經(jīng)網(wǎng)絡(luò)中可能會出現(xiàn)的梯度消失問題，并加速反....

本文編號：3969143