幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

自然語言處理與醫療文本的知識抽取/智能醫學與大數據

  • 作者：劉永彬//歐陽純萍|責編:張濤
  • 出版社：人民郵電
  • ISBN：9787115612274
  • 出版日期：2023/10/01
  • 裝幀：平裝
  • 頁數：192
人民幣：RMB 89.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書主要介紹自然語言處理技術在醫療信息領域尤其是電子病歷文本中的應用。本書首先對一些基礎知識和技術做了介紹，然後給出相關技術在醫療信息領域的應用案例。本書還介紹了知識抽取的一些前沿技術與實踐。
    本書內容分為四大部分：基礎知識、知識抽取、醫療電子病歷研究與實踐，以及前沿技術與實踐。
    第一部分包括第1?3章，主要介紹自然語言處理的基礎知識、技術發展路線、相關任務以及詞表示模型等。
    第二部分包括第4?9章，主要介紹知識抽取的相關任務和技術，其中包括實體識別、關係抽取、領域自適應、多模態、小樣本和實體與關係聯合抽取等。
    第三部分包括第10?12章，主要介紹自然語言處理技術在醫療文本領域的應用，其中包括電子病歷實體關係分類體系、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及應用，如因果關係發現、小樣本知識抽取及其在醫療知識抽取中的應用等。
    本書可作為高校相關專業師生的學慣用書和培訓機構的教材，以及希望深入研究自然語言處理演算法的電腦工程師的參考書，也可作為對人工智慧、深度學習和自然語言處理感興趣的初學者與希望把人工智慧應用到醫療領域的研究者學慣用書。
作者介紹
劉永彬//歐陽純萍|責編:張濤
目錄
第一部分  基礎知識
  第1章  自然語言處理技術
    1.1  自然語言處理概述
    1.2  數據標注任務
      1.2.1  數據標注之中文分詞
      1.2.2  數據標注之詞性標注
    1.3  詞表示學習任務
      1.3.1  詞表示方法的類型
      1.3.2  詳解詞的分散式表示
      1.3.3  詞嵌入
    1.4  實體識別任務
    1.5  關係抽取任務
    1.6  事件抽取任務
    1.7  預訓練模型
    1.8  小樣本學習
    1.9  領域自適應
    1.10  多模態任務
    1.11  對話任務
      1.11.1  生成式對話
      1.11.2  任務導向型對話
    1.12  本書結構
  參考文獻
  第2章  從統計機器學習模型到神經網路模型
    2.1  統計機器學習方法的三要素
    2.2  隱馬爾可夫模型
    2.3  支持向量機
    2.4  條件隨機場
    2.5  前饋神經網路
    2.6  反饋神經網路
      2.6.1  循環神經網路
      2.6.2  遞歸神經網路
      2.6.3  Hopfield神經網路
      2.6.4  長短期記憶網路
    2.7  注意力模型
      2.7.1  注意力
      2.7.2  Encoder-Decoder框架
      2.7.3  軟注意力
      2.7.4  硬注意力
      2.7.5  自注意力
    2.8  Transformer模型
    2.9  圖神經網路模型
  參考文獻
  第3章  詞表示學習
    3.1  分佈假設與分散式表示
    3.2  詞向量模型CBOW
    3.3  詞向量模型Skip-Gram
  參考文獻
第二部分  知識抽取
  第4章  實體識別
    4.1  基於卷積神經網路的實體識別

    4.2  基於循環神經網路的實體識別
    4.3  基於Transformer的實體識別模型
  參考文獻
  第5章  關係抽取
    5.1  基於注意力的關係抽取模型
    5.2  基於集成學習的關係抽取模型
    5.3  基於預訓練的關係抽取模型
    5.4  基於Transformer的關係抽取模型
    5.5  基於GCN的關係抽取模型
  參考文獻
  第6章  領域自適應
    6.1  DAN模型
    6.2  DANN模型
    6.3  DSN模型
  參考文獻
  第7章  多模態任務
    7.1  多模態數據
    7.2  多模態融合技術
    7.3  多模態融合技術面臨的挑戰
  參考文獻
  第8章  小樣本學習
    8.1  數據增強
    8.2  遠程監督
    8.3  元學習
  參考文獻
  第9章  實體與關係聯合抽取
    9.1  參數共享模式
    9.2  新標注策略模式
    9.3  關係重疊問題
  參考文獻
第三部分  醫療電子病歷研究與實踐
  第10章  電子病歷研究背景
    10.1  電子病歷概述
    10.2  電子病歷文本類型
    10.3  電子病歷實體分類體系
    10.4  電子病歷實體關係分類體系
    10.5  電子病歷隱私實體分類體系
    10.6  ICD編碼
    10.7  電子病歷ICD自動編碼實踐
    10.8  電子病歷實體識別實踐
    參考文獻
  第11章  電子病歷的事件抽取
    11.1  電子病歷中的事件
    11.2  電子病歷事件觸發詞識別
    11.3  電子病歷事件觸發詞抽取實踐
      11.3.1  文本預處理
      11.3.2  引入依存句法特徵的動態多池化模型
      11.3.3  動態多池化卷積神經網路
      11.3.4  實驗結果分析
    11.4  電子病歷事件元素抽取

      11.4.1  電子病歷事件元素角色類別的定義
      11.4.2  電子病歷事件元素抽取實踐
      11.4.3  句子編碼
      11.4.4  混合句法特徵的圖神經網路
    參考文獻
  第12章  醫療對話摘要生成
    12.1  基於情景記憶網路的編碼標記模型
      12.1.1  情景記憶網路
      12.1.2  基於情景記憶網路的分層標記模型
      12.1.3  實驗
    12.2  醫療對話摘要的未來
    參考文獻
第四部分  前沿技術與實踐
  第13章  因果推斷技術
    13.1  電子病歷中的因果關係
    13.2  因果方法
      13.2.1  因果推斷
      13.2.2  將因果關係發現與不同研究方向結合
      13.2.3  將因果關係發現應用於不同領域
      13.2.4  典型的因果推斷技術
    13.3  電子病歷中的因果推斷技術
    參考文獻
  第14章  小樣本學習實體識別實踐
    14.1  問題定義
    14.2  方法
      14.2.1  原型網路
      14.2.2  字元感知
      14.2.3  句子感知
      14.2.4  聯合學習策略
    14.3  實驗
      14.3.1  數據集
      14.3.2  超參數設置
      14.3.3  基線模型
      14.3.4  整體實驗結果
      14.3.5  收斂速度驗證
      14.3.6  消融研究
      14.3.7  整體實驗結果
      14.3.8  錯誤指標分析
    參考文獻
  第15章  小樣本實體關係抽取實踐
    15.1  問題定義
    15.2  方法
      15.2.1  原型網路
      15.2.2  特徵級注意力
      15.2.3  深度集成策略
      15.2.4  微調策略
    15.3  實驗
      15.3.1  數據集
      15.3.2  超參數設置
      15.3.3  基線模型

      15.3.4  整體實驗結果
      15.3.5  交叉驗證
      15.3.6  消融研究
    參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032