- 自然语言处理与医疗文本的知识抽取/智能医学与大数据
- - 作者：刘永彬//欧阳纯萍|责编:张涛
  - 出版社：人民邮电
  - ISBN：9787115612274
  - 出版日期：2023/10/01
  - 页数：192
- 售价：35.92

内容大纲
    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。
作者介绍
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  医疗电子病历研究与实践
  第10章  电子病历研究背景
    10.1  电子病历概述
    10.2  电子病历文本类型
    10.3  电子病历实体分类体系
    10.4  电子病历实体关系分类体系
    10.5  电子病历隐私实体分类体系
    10.6  ICD编码
    10.7  电子病历ICD自动编码实践
    10.8  电子病历实体识别实践
    参考文献
  第11章  电子病历的事件抽取
    11.1  电子病历中的事件
    11.2  电子病历事件触发词识别
    11.3  电子病历事件触发词抽取实践
      11.3.1  文本预处理
      11.3.2  引入依存句法特征的动态多池化模型
      11.3.3  动态多池化卷积神经网络
      11.3.4  实验结果分析
    11.4  电子病历事件元素抽取

      11.4.1  电子病历事件元素角色类别的定义
      11.4.2  电子病历事件元素抽取实践
      11.4.3  句子编码
      11.4.4  混合句法特征的图神经网络
    参考文献
  第12章  医疗对话摘要生成
    12.1  基于情景记忆网络的编码标记模型
      12.1.1  情景记忆网络
      12.1.2  基于情景记忆网络的分层标记模型
      12.1.3  实验
    12.2  医疗对话摘要的未来
    参考文献
第四部分  前沿技术与实践
  第13章  因果推断技术
    13.1  电子病历中的因果关系
    13.2  因果方法
      13.2.1  因果推断
      13.2.2  将因果关系发现与不同研究方向结合
      13.2.3  将因果关系发现应用于不同领域
      13.2.4  典型的因果推断技术
    13.3  电子病历中的因果推断技术
    参考文献
  第14章  小样本学习实体识别实践
    14.1  问题定义
    14.2  方法
      14.2.1  原型网络
      14.2.2  字符感知
      14.2.3  句子感知
      14.2.4  联合学习策略
    14.3  实验
      14.3.1  数据集
      14.3.2  超参数设置
      14.3.3  基线模型
      14.3.4  整体实验结果
      14.3.5  收敛速度验证
      14.3.6  消融研究
      14.3.7  整体实验结果
      14.3.8  错误指标分析
    参考文献
  第15章  小样本实体关系抽取实践
    15.1  问题定义
    15.2  方法
      15.2.1  原型网络
      15.2.2  特征级注意力
      15.2.3  深度集成策略
      15.2.4  微调策略
    15.3  实验
      15.3.1  数据集
      15.3.2  超参数设置
      15.3.3  基线模型

      15.3.4  整体实验结果
      15.3.5  交叉验证
      15.3.6  消融研究
    参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目