中圖網(wǎng)小程序
一鍵登錄
更方便
自然語言處理與醫(yī)療文本的知識抽取 版權(quán)信息
- ISBN：9787115612274
- 條形碼：9787115612274 ; 978-7-115-61227-4
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
自然語言處理與醫(yī)療文本的知識抽取 本書特色
1.全彩印刷，自然語言處理在醫(yī)療文本上的智能應(yīng)用圖書，詳細(xì)講解醫(yī)療領(lǐng)域的前沿技術(shù)。
2.清華大學(xué)人工智能研究院知識智能研究中心主任李涓子傾情推薦。
3.作者是中國計(jì)算機(jī)學(xué)會-自然語言處理專業(yè)委員會委員，中國人工智能學(xué)會-青工委委員，參與IEEE國際標(biāo)準(zhǔn)《知識圖譜架構(gòu)》和國家標(biāo)準(zhǔn)《信息技術(shù) 人工智能 知識圖譜技術(shù)框架》的制定。
4.面向醫(yī)療領(lǐng)域文本數(shù)據(jù)，針對電子病歷中術(shù)語繁多、語法結(jié)構(gòu)缺失、標(biāo)注成本大、屬性和關(guān)系復(fù)雜等問題，利用自然語言處理技術(shù)，從實(shí)體識別、關(guān)系抽取、事件抽取、對話等幾方面進(jìn)行方法和技術(shù)的介紹。并附有實(shí)際案例講解。
自然語言處理與醫(yī)療文本的知識抽取 內(nèi)容簡介
本書主要介紹自然語言處理技術(shù)在醫(yī)療信息領(lǐng)域尤其是電子病歷文本中的應(yīng)用。本書首先對一些基礎(chǔ)知識和技術(shù)做了介紹，然后給出相關(guān)技術(shù)在醫(yī)療信息領(lǐng)域的應(yīng)用案例。本書還介紹了知識抽取的一些前沿技術(shù)與實(shí)踐。 本書內(nèi)容分為四大部分：基礎(chǔ)知識、知識抽取、醫(yī)療電子病歷研究與實(shí)踐，以及前沿技術(shù)與實(shí)踐。 **部分包括第1～3章，主要介紹自然語言處理的基礎(chǔ)知識、技術(shù)發(fā)展路線、相關(guān)任務(wù)以及詞表示模型等。 第二部分包括第4～9章，主要介紹知識抽取的相關(guān)任務(wù)和技術(shù)，其中包括實(shí)體識別、關(guān)系抽取、領(lǐng)域自適應(yīng)、多模態(tài)、小樣本和實(shí)體與關(guān)系聯(lián)合抽取等。 第三部分包括第10～12章，主要介紹自然語言處理技術(shù)在醫(yī)療文本領(lǐng)域的應(yīng)用，其中包括電子病歷實(shí)體關(guān)系分類體系、ICD（International Classification of Diseases，國際疾病分類）編碼、電子病歷事件元素抽取等。 第四部分包括第13～15章，主要介紹知識抽取的一些前沿技術(shù)及應(yīng)用，如因果關(guān)系發(fā)現(xiàn)、小樣本知識抽取及其在醫(yī)療知識抽取中的應(yīng)用等。 本書可作為高校相關(guān)專業(yè)師生的學(xué)習(xí)用書和培訓(xùn)機(jī)構(gòu)的教材，以及希望深入研究自然語言處理算法的計(jì)算機(jī)工程師的參考書，也可作為對人工智能、深度學(xué)習(xí)和自然語言處理感興趣的初學(xué)者與希望把人工智能應(yīng)用到醫(yī)療領(lǐng)域的研究者學(xué)習(xí)用書。
自然語言處理與醫(yī)療文本的知識抽取 目錄
目 錄
第 一部分 基礎(chǔ)知識
第 1章 自然語言處理技術(shù) 2
1.1 自然語言處理概述 2
1.2 數(shù)據(jù)標(biāo)注任務(wù) 3
1.2.1 數(shù)據(jù)標(biāo)注之中文分詞 3
1.2.2 數(shù)據(jù)標(biāo)注之詞性標(biāo)注 4
1.3 詞表示學(xué)習(xí)任務(wù) 5
1.3.1 詞表示方法的類型 5
1.3.2 詳解詞的分布式表示 6
1.3.3 詞嵌入 7
1.4 實(shí)體識別任務(wù) 9
1.5 關(guān)系抽取任務(wù) 10
1.6 事件抽取任務(wù) 12
1.7 預(yù)訓(xùn)練模型 14
1.8 小樣本學(xué)習(xí) 16
1.9 領(lǐng)域自適應(yīng) 18
1.10 多模態(tài)任務(wù) 20
1.11 對話任務(wù) 23
1.11.1 生成式對話 23
1.11.2 任務(wù)導(dǎo)向型對話 24
1.12 本書結(jié)構(gòu) 26
參考文獻(xiàn) 26
第 2章 從統(tǒng)計(jì)機(jī)器學(xué)習(xí)模型到神經(jīng)網(wǎng)絡(luò)模型 28
2.1 統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法的三要素 28
2.2 隱馬爾可夫模型 28
2.3 支持向量機(jī) 30
2.4 條件隨機(jī)場 34
2.5 前饋神經(jīng)網(wǎng)絡(luò) 37
2.6 反饋神經(jīng)網(wǎng)絡(luò) 42
2.6.1 循環(huán)神經(jīng)網(wǎng)絡(luò) 42
2.6.2 遞歸神經(jīng)網(wǎng)絡(luò) 43
2.6.3 Hopfield神經(jīng)網(wǎng)絡(luò) 44
2.6.4 長短期記憶網(wǎng)絡(luò) 45
2.7 注意力模型 47
2.7.1 注意力 47
2.7.2 Encoder-Decoder框架 47
2.7.3 軟注意力 49
2.7.4 硬注意力 50
2.7.5 自注意力 51
2.8 Transformer模型 53
2.9 圖神經(jīng)網(wǎng)絡(luò)模型 55
參考文獻(xiàn) 57
第3章 詞表示學(xué)習(xí) 59
3.1 分布假設(shè)與分布式表示 59
3.2 詞向量模型CBOW 60
3.3 詞向量模型Skip-Gram 61
參考文獻(xiàn) 62
第二部分 知識抽取
第4章 實(shí)體識別 64
4.1 基于卷積神經(jīng)網(wǎng)絡(luò)的實(shí)體識別 64
4.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的實(shí)體識別 67
4.3 基于Transformer的實(shí)體識別模型 70
參考文獻(xiàn) 72
第5章 關(guān)系抽取 73
5.1 基于注意力的關(guān)系抽取模型 73
5.2 基于集成學(xué)習(xí)的關(guān)系抽取模型 76
5.3 基于預(yù)訓(xùn)練的關(guān)系抽取模型 78
5.4 基于Transformer的關(guān)系抽取模型 81
5.5 基于GCN的關(guān)系抽取模型 82
參考文獻(xiàn) 84
第6章 領(lǐng)域自適應(yīng) 86
6.1 DAN模型 86
6.2 DANN模型 87
6.3 DSN模型 90
參考文獻(xiàn) 92
第7章 多模態(tài)任務(wù) 93
7.1 多模態(tài)數(shù)據(jù) 93
7.2 多模態(tài)融合技術(shù) 95
7.3 多模態(tài)融合技術(shù)面臨的挑戰(zhàn) 98
參考文獻(xiàn) 99
第8章 小樣本學(xué)習(xí) 100
8.1 數(shù)據(jù)增強(qiáng) 100
8.2 遠(yuǎn)程監(jiān)督 102
8.3 元學(xué)習(xí) 103
參考文獻(xiàn) 106
第9章 實(shí)體與關(guān)系聯(lián)合抽取 107
9.1 參數(shù)共享模式 108
9.2 新標(biāo)注策略模式 110
9.3 關(guān)系重疊問題 111
參考文獻(xiàn) 112
第三部分 醫(yī)療電子病歷研究與實(shí)踐
第 10章 電子病歷研究背景 114
10.1 電子病歷概述 114
10.2 電子病歷文本類型 115
10.3 電子病歷實(shí)體分類體系 115
10.4 電子病歷實(shí)體關(guān)系分類體系 116
10.5 電子病歷隱私實(shí)體分類體系 117
10.6 ICD編碼 118
10.7 電子病歷ICD自動編碼實(shí)踐 119
10.8 電子病歷實(shí)體識別實(shí)踐 122
參考文獻(xiàn) 131
第 11章 電子病歷的事件抽取 132
11.1 電子病歷中的事件 132
11.2 電子病歷事件觸發(fā)詞識別 133
11.3 電子病歷事件觸發(fā)詞抽取實(shí)踐 134
11.3.1 文本預(yù)處理 134
11.3.2 引入依存句法特征的動態(tài)多池化模型 136
11.3.3 動態(tài)多池化卷積神經(jīng)網(wǎng)絡(luò) 138
11.3.4 實(shí)驗(yàn)結(jié)果分析 140
11.4 電子病歷事件元素抽取 141
11.4.1 電子病歷事件元素角色類別的定義 141
11.4.2 電子病歷事件元素抽取實(shí)踐 142
11.4.3 句子編碼 142
11.4.4 混合句法特征的圖神經(jīng)網(wǎng)絡(luò) 144
參考文獻(xiàn) 146
第 12章 醫(yī)療對話摘要生成 147
12.1 基于情景記憶網(wǎng)絡(luò)的編碼標(biāo)記模型 148
12.1.1 情景記憶網(wǎng)絡(luò) 149
12.1.2 基于情景記憶網(wǎng)絡(luò)的分層標(biāo)記模型 150
12.1.3 實(shí)驗(yàn) 151
12.2 醫(yī)療對話摘要的未來 155
參考文獻(xiàn) 155
第四部分 前沿技術(shù)與實(shí)踐
第 13章 因果推斷技術(shù) 158
13.1 電子病歷中的因果關(guān)系 158
13.2 因果方法 158
13.2.1 因果推斷 158
13.2.2 將因果關(guān)系發(fā)現(xiàn)與不同研究方向結(jié)合 160
13.2.3 將因果關(guān)系發(fā)現(xiàn)應(yīng)用于不同領(lǐng)域 161
13.2.4 典型的因果推斷技術(shù) 161
13.3 電子病歷中的因果推斷技術(shù) 165
參考文獻(xiàn) 166
第 14章 小樣本學(xué)習(xí)實(shí)體識別實(shí)踐 167
14.1 問題定義 167
14.2 方法 169
14.2.1 原型網(wǎng)絡(luò) 169
14.2.2 字符感知 170
14.2.3 句子感知 171
14.2.4 聯(lián)合學(xué)習(xí)策略 172
14.3 實(shí)驗(yàn) 172
14.3.1 數(shù)據(jù)集 172
14.3.2 超參數(shù)設(shè)置 173
14.3.3 基線模型 173
14.3.4 整體實(shí)驗(yàn)結(jié)果 174
14.3.5 收斂速度驗(yàn)證 174
14.3.6 消融研究 176
14.3.7 整體實(shí)驗(yàn)結(jié)果 177
14.3.8 錯誤指標(biāo)分析 179
參考文獻(xiàn) 180
第 15章 小樣本實(shí)體關(guān)系抽取實(shí)踐 181
15.1 問題定義 182
15.2 方法 182
15.2.1 原型網(wǎng)絡(luò) 183
15.2.2 特征級注意力 184
15.2.3 深度集成策略 185
15.2.4 微調(diào)策略 185
15.3 實(shí)驗(yàn) 186
15.3.1 數(shù)據(jù)集 186
15.3.2 超參數(shù)設(shè)置 186
15.3.3 基線模型 187
15.3.4 整體實(shí)驗(yàn)結(jié)果 187
15.3.5 交叉驗(yàn)證 189
15.3.6 消融研究 190
參考文獻(xiàn) 192
第 一部分 基礎(chǔ)知識
第 1章 自然語言處理技術(shù) 2
1.1 自然語言處理概述 2
1.2 數(shù)據(jù)標(biāo)注任務(wù) 3
1.2.1 數(shù)據(jù)標(biāo)注之中文分詞 3
1.2.2 數(shù)據(jù)標(biāo)注之詞性標(biāo)注 4
1.3 詞表示學(xué)習(xí)任務(wù) 5
1.3.1 詞表示方法的類型 5
1.3.2 詳解詞的分布式表示 6
1.3.3 詞嵌入 7
1.4 實(shí)體識別任務(wù) 9
1.5 關(guān)系抽取任務(wù) 10
1.6 事件抽取任務(wù) 12
1.7 預(yù)訓(xùn)練模型 14
1.8 小樣本學(xué)習(xí) 16
1.9 領(lǐng)域自適應(yīng) 18
1.10 多模態(tài)任務(wù) 20
1.11 對話任務(wù) 23
1.11.1 生成式對話 23
1.11.2 任務(wù)導(dǎo)向型對話 24
1.12 本書結(jié)構(gòu) 26
參考文獻(xiàn) 26
第 2章 從統(tǒng)計(jì)機(jī)器學(xué)習(xí)模型到神經(jīng)網(wǎng)絡(luò)模型 28
2.1 統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法的三要素 28
2.2 隱馬爾可夫模型 28
2.3 支持向量機(jī) 30
2.4 條件隨機(jī)場 34
2.5 前饋神經(jīng)網(wǎng)絡(luò) 37
2.6 反饋神經(jīng)網(wǎng)絡(luò) 42
2.6.1 循環(huán)神經(jīng)網(wǎng)絡(luò) 42
2.6.2 遞歸神經(jīng)網(wǎng)絡(luò) 43
2.6.3 Hopfield神經(jīng)網(wǎng)絡(luò) 44
2.6.4 長短期記憶網(wǎng)絡(luò) 45
2.7 注意力模型 47
2.7.1 注意力 47
2.7.2 Encoder-Decoder框架 47
2.7.3 軟注意力 49
2.7.4 硬注意力 50
2.7.5 自注意力 51
2.8 Transformer模型 53
2.9 圖神經(jīng)網(wǎng)絡(luò)模型 55
參考文獻(xiàn) 57
第3章 詞表示學(xué)習(xí) 59
3.1 分布假設(shè)與分布式表示 59
3.2 詞向量模型CBOW 60
3.3 詞向量模型Skip-Gram 61
參考文獻(xiàn) 62
第二部分 知識抽取
第4章 實(shí)體識別 64
4.1 基于卷積神經(jīng)網(wǎng)絡(luò)的實(shí)體識別 64
4.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的實(shí)體識別 67
4.3 基于Transformer的實(shí)體識別模型 70
參考文獻(xiàn) 72
第5章 關(guān)系抽取 73
5.1 基于注意力的關(guān)系抽取模型 73
5.2 基于集成學(xué)習(xí)的關(guān)系抽取模型 76
5.3 基于預(yù)訓(xùn)練的關(guān)系抽取模型 78
5.4 基于Transformer的關(guān)系抽取模型 81
5.5 基于GCN的關(guān)系抽取模型 82
參考文獻(xiàn) 84
第6章 領(lǐng)域自適應(yīng) 86
6.1 DAN模型 86
6.2 DANN模型 87
6.3 DSN模型 90
參考文獻(xiàn) 92
第7章 多模態(tài)任務(wù) 93
7.1 多模態(tài)數(shù)據(jù) 93
7.2 多模態(tài)融合技術(shù) 95
7.3 多模態(tài)融合技術(shù)面臨的挑戰(zhàn) 98
參考文獻(xiàn) 99
第8章 小樣本學(xué)習(xí) 100
8.1 數(shù)據(jù)增強(qiáng) 100
8.2 遠(yuǎn)程監(jiān)督 102
8.3 元學(xué)習(xí) 103
參考文獻(xiàn) 106
第9章 實(shí)體與關(guān)系聯(lián)合抽取 107
9.1 參數(shù)共享模式 108
9.2 新標(biāo)注策略模式 110
9.3 關(guān)系重疊問題 111
參考文獻(xiàn) 112
第三部分 醫(yī)療電子病歷研究與實(shí)踐
第 10章 電子病歷研究背景 114
10.1 電子病歷概述 114
10.2 電子病歷文本類型 115
10.3 電子病歷實(shí)體分類體系 115
10.4 電子病歷實(shí)體關(guān)系分類體系 116
10.5 電子病歷隱私實(shí)體分類體系 117
10.6 ICD編碼 118
10.7 電子病歷ICD自動編碼實(shí)踐 119
10.8 電子病歷實(shí)體識別實(shí)踐 122
參考文獻(xiàn) 131
第 11章 電子病歷的事件抽取 132
11.1 電子病歷中的事件 132
11.2 電子病歷事件觸發(fā)詞識別 133
11.3 電子病歷事件觸發(fā)詞抽取實(shí)踐 134
11.3.1 文本預(yù)處理 134
11.3.2 引入依存句法特征的動態(tài)多池化模型 136
11.3.3 動態(tài)多池化卷積神經(jīng)網(wǎng)絡(luò) 138
11.3.4 實(shí)驗(yàn)結(jié)果分析 140
11.4 電子病歷事件元素抽取 141
11.4.1 電子病歷事件元素角色類別的定義 141
11.4.2 電子病歷事件元素抽取實(shí)踐 142
11.4.3 句子編碼 142
11.4.4 混合句法特征的圖神經(jīng)網(wǎng)絡(luò) 144
參考文獻(xiàn) 146
第 12章 醫(yī)療對話摘要生成 147
12.1 基于情景記憶網(wǎng)絡(luò)的編碼標(biāo)記模型 148
12.1.1 情景記憶網(wǎng)絡(luò) 149
12.1.2 基于情景記憶網(wǎng)絡(luò)的分層標(biāo)記模型 150
12.1.3 實(shí)驗(yàn) 151
12.2 醫(yī)療對話摘要的未來 155
參考文獻(xiàn) 155
第四部分 前沿技術(shù)與實(shí)踐
第 13章 因果推斷技術(shù) 158
13.1 電子病歷中的因果關(guān)系 158
13.2 因果方法 158
13.2.1 因果推斷 158
13.2.2 將因果關(guān)系發(fā)現(xiàn)與不同研究方向結(jié)合 160
13.2.3 將因果關(guān)系發(fā)現(xiàn)應(yīng)用于不同領(lǐng)域 161
13.2.4 典型的因果推斷技術(shù) 161
13.3 電子病歷中的因果推斷技術(shù) 165
參考文獻(xiàn) 166
第 14章 小樣本學(xué)習(xí)實(shí)體識別實(shí)踐 167
14.1 問題定義 167
14.2 方法 169
14.2.1 原型網(wǎng)絡(luò) 169
14.2.2 字符感知 170
14.2.3 句子感知 171
14.2.4 聯(lián)合學(xué)習(xí)策略 172
14.3 實(shí)驗(yàn) 172
14.3.1 數(shù)據(jù)集 172
14.3.2 超參數(shù)設(shè)置 173
14.3.3 基線模型 173
14.3.4 整體實(shí)驗(yàn)結(jié)果 174
14.3.5 收斂速度驗(yàn)證 174
14.3.6 消融研究 176
14.3.7 整體實(shí)驗(yàn)結(jié)果 177
14.3.8 錯誤指標(biāo)分析 179
參考文獻(xiàn) 180
第 15章 小樣本實(shí)體關(guān)系抽取實(shí)踐 181
15.1 問題定義 182
15.2 方法 182
15.2.1 原型網(wǎng)絡(luò) 183
15.2.2 特征級注意力 184
15.2.3 深度集成策略 185
15.2.4 微調(diào)策略 185
15.3 實(shí)驗(yàn) 186
15.3.1 數(shù)據(jù)集 186
15.3.2 超參數(shù)設(shè)置 186
15.3.3 基線模型 187
15.3.4 整體實(shí)驗(yàn)結(jié)果 187
15.3.5 交叉驗(yàn)證 189
15.3.6 消融研究 190
參考文獻(xiàn) 192
展開全部
自然語言處理與醫(yī)療文本的知識抽取 作者簡介
劉永彬，博士、副教授，中國計(jì)算機(jī)學(xué)會-自然語言處理專業(yè)委員會執(zhí)行委員，中國中文信息學(xué)會-語言與知識計(jì)算專業(yè)委員會委員，中國中文信息學(xué)會-自然語言生成與智能寫作專業(yè)委員會委員，中國人工智能學(xué)會-青年工作委員會委員，中國人工智能學(xué)會-教育工作委員會委員；主要研究信息抽取、知識圖譜構(gòu)建，以及在醫(yī)療大數(shù)據(jù)、科學(xué)大數(shù)據(jù)和企業(yè)智能化信息服務(wù)等領(lǐng)域的應(yīng)用；國際期刊Data Intelligence （MIT出版社）編委；多個(gè)CCF推薦國際會議PC（ACL，EMNLP，COLING，CIKM，NLPCC）；多個(gè)國際期刊審稿人；參與IEEE國際標(biāo)準(zhǔn)《知識圖譜架構(gòu)》和國家標(biāo)準(zhǔn)《信息技術(shù) 人工智能 知識圖譜技術(shù)框架》的制定。 歐陽純萍，博士，教授，中文信息學(xué)會-語言與知識計(jì)算專業(yè)委員會委員，湖南省普通高校青年骨干教師，湖南省大學(xué)計(jì)算機(jī)教學(xué)指導(dǎo)委員會委員。湖南省線下、線上優(yōu)質(zhì)本科課程、課程思政示范課程負(fù)責(zé)人，湖南省研究生精品思政課程負(fù)責(zé)人。曾獲湖南省高等教育教學(xué)成果一等獎，湖南省教育教學(xué)改革發(fā)展優(yōu)秀成果二等獎，湖南省計(jì)算機(jī)學(xué)會高等教育教學(xué)成果二等獎，中國電子學(xué)會電子信息科學(xué)技術(shù)三等獎。研究方向?yàn)榫W(wǎng)絡(luò)表示學(xué)習(xí)和知識圖譜及其在醫(yī)藥關(guān)系發(fā)現(xiàn)和疾病診療預(yù)測等領(lǐng)域的應(yīng)用研究。參與IEEE國際標(biāo)準(zhǔn)《知識圖譜架構(gòu)》和國家標(biāo)準(zhǔn)《信息技術(shù) 人工智能 知識圖譜技術(shù)框架》的制定。
書友推薦
- >
隨園食單
- >
龍榆生：詞曲概論/大家小書
- >
名家?guī)阕x魯迅:朝花夕拾
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
中國歷史的瞬間
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
羅曼·羅蘭讀書隨筆-精裝
- >
月亮虎
本類暢銷
