自然語言處理與醫(yī)療文本的知識抽取

定　價：￥89.80

作　者：	劉永彬，歐陽純萍
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥67.30)

ISBN：	9787115612274	出版時間：	2023-10-01	包裝：	平裝
開本：		頁數(shù)：		字數(shù)：

內容簡介

　　本書主要介紹自然語言處理技術在醫(yī)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，然后給出相關技術在醫(yī)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(yī)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(fā)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(tài)、小樣本和實體與關系聯(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在醫(yī)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(fā)現(xiàn)、小樣本知識抽取及其在醫(yī)療知識抽取中的應用等。本書可作為高校相關專業(yè)師生的學習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計算機工程師的參考書，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(yī)療領域的研究者學習用書。

作者簡介

　　劉永彬，博士、副教授，中國計算機學會-自然語言處理專業(yè)委員會執(zhí)行委員，中國中文信息學會-語言與知識計算專業(yè)委員會委員，中國中文信息學會-自然語言生成與智能寫作專業(yè)委員會委員，中國人工智能學會-青年工作委員會委員，中國人工智能學會-教育工作委員會委員；主要研究信息抽取、知識圖譜構建，以及在醫(yī)療大數(shù)據(jù)、科學大數(shù)據(jù)和企業(yè)智能化信息服務等領域的應用；國際期刊Data Intelligence （MIT出版社）編委；多個CCF推薦國際會議PC（ACL，EMNLP，COLING，CIKM，NLPCC）；多個國際期刊審稿人；參與IEEE國際標準《知識圖譜架構》和國家標準《信息技術人工智能知識圖譜技術框架》的制定。歐陽純萍，博士，教授，中文信息學會-語言與知識計算專業(yè)委員會委員，湖南省普通高校青年骨干教師，湖南省大學計算機教學指導委員會委員。湖南省線下、線上優(yōu)質本科課程、課程思政示范課程負責人，湖南省研究生精品思政課程負責人。曾獲湖南省高等教育教學成果一等獎，湖南省教育教學改革發(fā)展優(yōu)秀成果二等獎，湖南省計算機學會高等教育教學成果二等獎，中國電子學會電子信息科學技術三等獎。研究方向為網(wǎng)絡表示學習和知識圖譜及其在醫(yī)藥關系發(fā)現(xiàn)和疾病診療預測等領域的應用研究。參與IEEE國際標準《知識圖譜架構》和國家標準《信息技術人工智能知識圖譜技術框架》的制定。

圖書目錄

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(shù)據(jù)標注任務　3
1.2.1　數(shù)據(jù)標注之中文分詞　3
1.2.2　數(shù)據(jù)標注之詞性標注　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　詳解詞的分布式表示　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(tài)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(tǒng)計機器學習模型到神經(jīng)網(wǎng)絡模型　28
2.1　統(tǒng)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(jīng)網(wǎng)絡　37
2.6　反饋神經(jīng)網(wǎng)絡　42
2.6.1　循環(huán)神經(jīng)網(wǎng)絡　42
2.6.2　遞歸神經(jīng)網(wǎng)絡　43
2.6.3　Hopfield神經(jīng)網(wǎng)絡　44
2.6.4　長短期記憶網(wǎng)絡　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)絡模型　55
　參考文獻　57
第3章　詞表示學習　59
3.1　分布假設與分布式表示　59
3.2　詞向量模型CBOW　60
3.3　詞向量模型Skip-Gram　61
　參考文獻　62
第二部分　知識抽取
第4章　實體識別　64
4.1　基于卷積神經(jīng)網(wǎng)絡的實體識別　64
4.2　基于循環(huán)神經(jīng)網(wǎng)絡的實體識別　67
4.3　基于Transformer的實體識別模型　70
　參考文獻　72
第5章　關系抽取　73
5.1　基于注意力的關系抽取模型　73
5.2　基于集成學習的關系抽取模型　76
5.3　基于預訓練的關系抽取模型　78
5.4　基于Transformer的關系抽取模型　81
5.5　基于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(tài)任務　93
7.1　多模態(tài)數(shù)據(jù)　93
7.2　多模態(tài)融合技術　95
7.3　多模態(tài)融合技術面臨的挑戰(zhàn)　98
　參考文獻　99
第8章　小樣本學習　100
8.1　數(shù)據(jù)增強　100
8.2　遠程監(jiān)督　102
8.3　元學習　103
　參考文獻　106
第9章　實體與關系聯(lián)合抽取　107
9.1　參數(shù)共享模式　108
9.2　新標注策略模式　110
9.3　關系重疊問題　111
　參考文獻　112
第三部分　醫(yī)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(fā)詞識別　133
11.3　電子病歷事件觸發(fā)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　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　混合句法特征的圖神經(jīng)網(wǎng)絡　144
　參考文獻　146
第 12章　醫(yī)療對話摘要生成　147
12.1　基于情景記憶網(wǎng)絡的編碼標記模型　148
12.1.1　情景記憶網(wǎng)絡　149
12.1.2　基于情景記憶網(wǎng)絡的分層標記模型　150
12.1.3　實驗　151
12.2　醫(yī)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(fā)現(xiàn)與不同研究方向結合　160
13.2.3　將因果關系發(fā)現(xiàn)應用于不同領域　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(wǎng)絡　169
14.2.2　字符感知　170
14.2.3　句子感知　171
14.2.4　聯(lián)合學習策略　172
14.3　實驗　172
14.3.1　數(shù)據(jù)集　172
14.3.2　超參數(shù)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(wǎng)絡　183
15.2.2　特征級注意力　184
15.2.3　深度集成策略　185
15.2.4　微調策略　185
15.3　實驗　186
15.3.1　數(shù)據(jù)集　186
15.3.2　超參數(shù)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