中医诊疗数据的隐语义分析技术

发布时间：2023-05-27 05:52

　　中医学是中国传统文明中的重要组成部分,目前已经被应用于治疗多种复杂疾病,并且取得了较好的效果。在大数据背景下,中医临床中已经积累了大量的医疗数据,对这些数据的建模与分析可以用于临床辅助诊疗,带动中医学的理论与临床的发展。因此,如何结合中医理论对临床诊疗数据建模是一个研究重点。另外,这些数据中蕴含着中医实体之间的复杂的语义关系,如何利用这些数据提升模型的分析能力也是一个难题。因此,本文提出面向中医诊疗数据的隐语义分析技术。具体地,本文通过改进的主题建模方法挖掘中医医案数据中的症状与药物之间的关系,并且为给定症状推荐药物。首先,本文提出了多内容LDA模型,引入中医理论中病机的概念,分析医案文档中症状与药物之间的关系,并且提出了相应的药物推荐方法。然后基于更加丰富的多种形式的中医数据,提出了两种中医实体的向量化表示方法,用于获取包含更加丰富信息的中医实体词向量。进一步地,本文将词向量融入主题模型中,提出了多内容词向量LDA模型,具备更优的分析效果和推荐性能。本文的主要贡献点概括如下:·基于多内容LDA模型的中医诊疗提出了多内容LDA模型MC-LDA,将中医理论中的病机看作主题模型中的隐含主题...

【文章页数】：99 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景
    1.2 研究现状
    1.3 本文工作与主要贡献
    1.4 组织结构
第二章 预备知识
    2.1 主题模型
        2.1.1 主题模型建模
        2.1.2 主题模型参数学习
    2.2 表示学习
        2.2.1 word2vec
        2.2.2 知识图谱向量化表示
    2.3 自编码器
    2.4 本章小结
第三章 基于多内容LDA模型的中医诊疗
    3.1 问题定义
    3.2 多内容LDA模型
        3.2.1 模型描述
        3.2.2 参数学习
        3.2.3 病机推断
    3.3 药物推荐
    3.4 实验及分析
        3.4.1 实验设置
        3.4.2 专家评估
        3.4.3 MC-LDA模型的定量分析
        3.4.4 MC-LDA模型的定性分析
        3.4.5 药物推荐对比分析
    3.5 本章小结
第四章 中医实体的向量化表示方法
    4.1 基于上下文信息的实体向量化表示
        4.1.1 症状实体向量化表示方法
        4.1.2 药物实体向量化表示方法
    4.2 基于知识图谱的实体向量化表示
        4.2.1 中医知识图谱
        4.2.2 基于翻译模型TransE的实体向量化表示
    4.3 本章小结
第五章 基于多内容词向量LDA模型的中医诊疗
    5.1 引言
    5.2 问题定义
    5.3 多内容词向量LDA模型
        5.3.1 模型描述
        5.3.2 参数学习
        5.3.3 算法复杂度分析与优化
    5.4 药物推荐
    5.5 实验及分析
        5.5.1 实验设置
        5.5.2 专家评估
        5.5.3 MC-eLDA模型的定量分析
        5.5.4 MC-eLDA模型的定性分析
        5.5.5 药物推荐对比分析
    5.6 本章小结
第六章 总结与展望
    6.1 本文工作总结
    6.2 未来工作展望
参考文献
致谢
攻读硕士学位期间发表论文和科研情况



本文编号：3824022