自然語言處理與醫療文本的知識抽取
劉永彬 歐陽純萍
- 出版商: 人民郵電
- 出版日期: 2023-10-01
- 售價: $539
- 貴賓價: 9.5 折 $512
- 語言: 簡體中文
- 頁數: 192
- ISBN: 7115612277
- ISBN-13: 9787115612274
-
相關分類:
Text-mining
立即出貨
買這商品的人也買了...
-
$580$458 -
$480$432 -
$1,068$1,015 -
$774$735 -
$398邊緣計算理論與系統實踐:基於CNCF KubeEdge的實現
-
$480$379 -
$834$792 -
$479$455 -
$468$445 -
$560$442 -
$480$379 -
$505多模態深度學習技術基礎
-
$680$537 -
$720$569 -
$720$569 -
$570多模態大模型:技術原理與實戰
-
$480$379 -
$880$695 -
$980$774 -
$755農林機械控制系統軟件功能安全標準解析與實踐
-
$580$458 -
$880$695 -
$468$445 -
$556智慧汽車電子與軟體:開發方法、系統整合、流程系統與專案管理
-
$474$450
相關主題
商品描述
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、關系抽取、領域自適應、多模態、小樣本和實體與關系聯合抽取等。
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及應用,如因果關系發現、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算法的電腦工程師的參考書,也可作為對人工智能、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能應用到醫療領域的研究者學慣用書。
作者簡介
刘永彬,博士、副教授,中国计算机学会-自然语言处理专业委员会执行委员,中国中文信息学会-语言与知识计算专业委员会委员,中国中文信息学会-自然语言生成与智能写作专业委员会委员,中国人工智能学会-青年工作委员会委员,中国人工智能学会-教育工作委员会委员;主要研究信息抽取、知识图谱构建,以及在医疗大数据、科学大数据和企业智能化信息服务等领域的应用;国际期刊Data Intelligence (MIT出版社)编委;多个CCF推荐国际会议PC(ACL,EMNLP,COLING,CIKM,NLPCC);多个国际期刊审稿人;参与IEEE国际标准《知识图谱架构》和国家标准《信息技术 人工智能 知识图谱技术框架》的制定。
欧阳纯萍,博士,教授,中文信息学会-语言与知识计算专业委员会委员,湖南省普通高校青年骨干教师,湖南省大学计算机教学指导委员会委员。湖南省线下、线上优质本科课程、课程思政示范课程负责人,湖南省研究生精品思政课程负责人。曾获湖南省高等教育教学成果一等奖,湖南省教育教学改革发展优秀成果二等奖,湖南省计算机学会高等教育教学成果二等奖,中国电子学会电子信息科学技术三等奖。研究方向为网络表示学习和知识图谱及其在医药关系发现和疾病诊疗预测等领域的应用研究。参与IEEE国际标准《知识图谱架构》和国家标准《信息技术 人工智能 知识图谱技术框架》的制定。
目錄大綱
目 錄
第 一部分 基礎知識
第 1章 自然語言處理技術 2
1.1 自然語言處理概述 2
1.2 數據標註任務 3
1.2.1 數據標註之中文分詞 3
1.2.2 數據標註之詞性標註 4
1.3 詞表示學習任務 5
1.3.1 詞表示方法的類型 5
1.3.2 詳解詞的分佈式表示 6
1.3.3 詞嵌入 7
1.4 實體識別任務 9
1.5 關系抽取任務 10
1.6 事件抽取任務 12
1.7 預訓練模型 14
1.8 小樣本學習 16
1.9 領域自適應 18
1.10 多模態任務 20
1.11 對話任務 23
1.11.1 生成式對話 23
1.11.2 任務導向型對話 24
1.12 本書結構 26
參考文獻 26
第 2章 從統計機器學習模型到神經網絡模型 28
2.1 統計機器學習方法的三要素 28
2.2 隱馬爾可夫模型 28
2.3 支持向量機 30
2.4 條件隨機場 34
2.5 前饋神經網絡 37
2.6 反饋神經網絡 42
2.6.1 循環神經網絡 42
2.6.2 遞歸神經網絡 43
2.6.3 Hopfield神經網絡 44
2.6.4 長短期記憶網絡 45
2.7 註意力模型 47
2.7.1 註意力 47
2.7.2 Encoder-Decoder框架 47
2.7.3 軟註意力 49
2.7.4 硬註意力 50
2.7.5 自註意力 51
2.8 Transformer模型 53
2.9 圖神經網絡模型 55
參考文獻 57
第3章 詞表示學習 59
3.1 分佈假設與分佈式表示 59
3.2 詞向量模型CBOW 60
3.3 詞向量模型Skip-Gram 61
參考文獻 62
第二部分 知識抽取
第4章 實體識別 64
4.1 基於捲積神經網絡的實體識別 64
4.2 基於循環神經網絡的實體識別 67
4.3 基於Transformer的實體識別模型 70
參考文獻 72
第5章 關系抽取 73
5.1 基於註意力的關系抽取模型 73
5.2 基於集成學習的關系抽取模型 76
5.3 基於預訓練的關系抽取模型 78
5.4 基於Transformer的關系抽取模型 81
5.5 基於GCN的關系抽取模型 82
參考文獻 84
第6章 領域自適應 86
6.1 DAN模型 86
6.2 DANN模型 87
6.3 DSN模型 90
參考文獻 92
第7章 多模態任務 93
7.1 多模態數據 93
7.2 多模態融合技術 95
7.3 多模態融合技術面臨的挑戰 98
參考文獻 99
第8章 小樣本學習 100
8.1 數據增強 100
8.2 遠程監督 102
8.3 元學習 103
參考文獻 106
第9章 實體與關系聯合抽取 107
9.1 參數共享模式 108
9.2 新標註策略模式 110
9.3 關系重疊問題 111
參考文獻 112
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 114
10.1 電子病歷概述 114
10.2 電子病歷文本類型 115
10.3 電子病歷實體分類體系 115
10.4 電子病歷實體關系分類體系 116
10.5 電子病歷隱私實體分類體系 117
10.6 ICD編碼 118
10.7 電子病歷ICD自動編碼實踐 119
10.8 電子病歷實體識別實踐 122
參考文獻 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 電子病歷事件觸發詞識別 133
11.3 電子病歷事件觸發詞抽取實踐 134
11.3.1 文本預處理 134
11.3.2 引入依存句法特徵的動態多池化模型 136
11.3.3 動態多池化捲積神經網絡 138
11.3.4 實驗結果分析 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踐 142
11.4.3 句子編碼 142
11.4.4 混合句法特徵的圖神經網絡 144
參考文獻 146
第 12章 醫療對話摘要生成 147
12.1 基於情景記憶網絡的編碼標記模型 148
12.1.1 情景記憶網絡 149
12.1.2 基於情景記憶網絡的分層標記模型 150
12.1.3 實驗 151
12.2 醫療對話摘要的未來 155
參考文獻 155
第四部分 前沿技術與實踐
第 13章 因果推斷技術 158
13.1 電子病歷中的因果關系 158
13.2 因果方法 158
13.2.1 因果推斷 158
13.2.2 將因果關系發現與不同研究方向結合 160
13.2.3 將因果關系發現應用於不同領域 161
13.2.4 典型的因果推斷技術 161
13.3 電子病歷中的因果推斷技術 165
參考文獻 166
第 14章 小樣本學習實體識別實踐 167
14.1 問題定義 167
14.2 方法 169
14.2.1 原型網絡 169
14.2.2 字符感知 170
14.2.3 句子感知 171
14.2.4 聯合學習策略 172
14.3 實驗 172
14.3.1 數據集 172
14.3.2 超參數設置 173
14.3.3 基線模型 173
14.3.4 整體實驗結果 174
14.3.5 收斂速度驗證 174
14.3.6 消融研究 176
14.3.7 整體實驗結果 177
14.3.8 錯誤指標分析 179
參考文獻 180
第 15章 小樣本實體關系抽取實踐 181
15.1 問題定義 182
15.2 方法 182
15.2.1 原型網絡 183
15.2.2 特徵級註意力 184
15.2.3 深度集成策略 185
15.2.4 微調策略 185
15.3 實驗 186
15.3.1 數據集 186
15.3.2 超參數設置 186
15.3.3 基線模型 187
15.3.4 整體實驗結果 187
15.3.5 交叉驗證 189
15.3.6 消融研究 190
參考文獻 192