![]()
内容推荐 本书主要介绍自然语言处理技术在医疗信息领域尤其是电子病历文本中的应用。本书首先对一些基础知识和技术做了介绍,然后给出相关技术在医疗信息领域的应用案例。本书还介绍了知识抽取的一些前沿技术与实践。 本书内容分为四大部分:基础知识、知识抽取、医疗电子病历研究与实践,以及前沿技术与实践。 第一部分包括第1~3章,主要介绍自然语言处理的基础知识、技术发展路线、相关任务以及词表示模型等。 第二部分包括第4~9章,主要介绍知识抽取的相关任务和技术,其中包括实体识别、关系抽取、领域自适应、多模态、小样本和实体与关系联合抽取等。 第三部分包括第10~12章,主要介绍自然语言处理技术在医疗文本领域的应用,其中包括电子病历实体关系分类体系、ICD(International Classification of Diseases,国际疾病分类)编码、电子病历事件元素抽取等。 第四部分包括第13~15章,主要介绍知识抽取的一些前沿技术及应用,如因果关系发现、小样本知识抽取及其在医疗知识抽取中的应用等。 本书可作为高校相关专业师生的学习用书和培训机构的教材,以及希望深入研究自然语言处理算法的计算机工程师的参考书,也可作为对人工智能、深度学习和自然语言处理感兴趣的初学者与希望把人工智能应用到医疗领域的研究者学习用书。 目录 目 录 第 一部分 基础知识 第 1章 自然语言处理技术 1.1 自然语言处理概述 1.2 数据标注任务 1.2.1 数据标注之中文分词 1.2.2 数据标注之词性标注 1.3 词表示学习任务 1.3.1 词表示方法的类型 1.3.2 详解词的分布式表示 1.3.3 词嵌入 1.4 实体识别任务 1.5 关系抽取任务 1.6 事件抽取任务 1.7 预训练模型 1.8 小样本学习 1.9 领域自适应 1.10 多模态任务 1.11 对话任务 1.11.1 生成式对话 1.11.2 任务导向型对话 1.12 本书结构 参考文献 第 2章 从统计机器学习模型到神经网络模型 2.1 统计机器学习方法的三要素 2.2 隐马尔可夫模型 2.3 支持向量机 2.4 条件随机场 2.5 前馈神经网络 2.6 反馈神经网络 2.6.1 循环神经网络 2.6.2 递归神经网络 2.6.3 Hopfield神经网络 2.6.4 长短期记忆网络 2.7 注意力模型 2.7.1 注意力 2.7.2 Encoder-Decoder框架 2.7.3 软注意力 2.7.4 硬注意力 2.7.5 自注意力 2.8 Transformer模型 2.9 图神经网络模型 参考文献 第3章 词表示学习 3.1 分布假设与分布式表示 3.2 词向量模型CBOW 3.3 词向量模型Skip-Gram 参考文献 第二部分 知识抽取 第4章 实体识别 4.1 基于卷积神经网络的实体识别 4.2 基于循环神经网络的实体识别 4.3 基于Transformer的实体识别模型 参考文献 第5章 关系抽取 5.1 基于注意力的关系抽取模型 5.2 基于集成学习的关系抽取模型 5.3 基于预训练的关系抽取模型 5.4 基于Transformer的关系抽取模型 5.5 基于GCN的关系抽取模型 参考文献 第6章 领域自适应 6.1 DAN模型 6.2 DANN模型 6.3 DSN模型 参考文献 第7章 多模态任务 7.1 多模态数据 7.2 多模态融合技术 7.3 多模态融合技术面临的挑战 参考文献 第8章 小样本学习 8.1 数据增强 8.2 远程监督 8.3 元学习 参考文献 第9章 实体与关系联合抽取 9.1 参数共享模式 9.2 新标注策略模式 9.3 关系重叠问题 参考文献 第三部分 医疗电子 导语 本书面向医疗文本数据,从医疗领域的实体识别、关系抽取、事件抽取等几个方面进行方法和技术的系统介绍,并提供相关的实践案例。 |