基于深度学习的中文健康问句分类方法研究

发布时间：2021-04-21 08:52

　　随着信息技术的发展和人民生活水平的不断提高,医疗健康成为公众关注的热点话题,通过搜索引擎、问答系统等方式来查询和咨询医疗健康问题逐渐成为公众健康问题咨询的主流途径。问答系统作为一种回答高效、交互人性化的在线平台,降低了在线用户的使用难度、缓解了健康咨询专家的咨询压力。在交互过程中,问答系统首先要准确理解用户问题的意图,只有正确理解用户问题,问答系统才能准确返回给用户预期的答案。针对在线用户咨询过程中的健康问题分类技术,本文展开了以下方面的研究:（1）融合局部语义和全局结构的健康问句粗类分类。针对已有健康问句分类方法的不足,本文提出了一种融合局部语义和全局结构的健康问句分类方法。首先,通过卷积神经网络和独立循环神经网络分别获得句子的局部语义表示和全局结构表示。然后,利用自注意力机制将局部语义表示向量和全局结构表示向量融合,得到句子的最终语义表示向量。最后,通过分类层分类并输出分类结果。实验结果表明,本文方法有效地改善了梯度消失和梯度爆炸问题,相比已有方法,本文方法在中文健康问句数据集上取得了更高的F值。（2）结合外部知识和双层注意机制的健康问句细类分类。针对在线用户用词不规范的问题,本文... 

【文章来源】：西北师范大学甘肃省

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景
    1.2 研究目的及意义
    1.3 研究现状
    1.4 研究内容
    1.5 论文组织结构
第2章 相关技术介绍
    2.1 文本预处理
    2.2 文本表示
    2.3 特征提取
第3章 融合局部语义和全局结构信息的健康问句粗类分类
    3.1 介绍
    3.2 方法描述
        3.2.1 基于CNN的问题局部语义表示
        3.2.2 基于IndRNN的问题全局结构表示
        3.2.3 融合局部语义和全局结构的句子表示
    3.3 实验
        3.3.1 实验数据
        3.3.2 评价指标
        3.3.3 实验设置
        3.3.4 实验结果和分析
    3.4 本章小结
第4章 结合外部知识和双层注意机制的健康问句细类分类
    4.1 介绍
    4.2 方法描述
        4.2.1 基于BiGRU的词表示
        4.2.2 第一层注意机制
        4.2.3 第二层注意机制
    4.3 实验
        4.3.1 实验数据
        4.3.2 评价指标
        4.3.3 实验设置
        4.3.4 实验结果和分析
    4.4 本章小结
第5章 基于CLSTM-Attention网络的健康问句多标签分类
    5.1 介绍
    5.2 多标签问题的描述
    5.3 方法描述
        5.3.1 局部语义的提取
        5.3.2 长短时记忆网络（LSTM）
        5.3.3 注意力机制层
        5.3.4 LSTM解码
    5.4 实验
        5.4.1 实验数据
        5.4.2 评价指标
        5.4.3 实验设置
        5.4.4 实验结果和分析
    5.5 本章小结
总结与展望
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果


【参考文献】：
期刊论文
[1]基于编码解码器与深度主题特征抽取的多标签文本分类[J]. 陈文实,刘心惠,鲁明羽.  南京师大学报(自然科学版). 2019(04)
[2]基于语义强化和特征融合的文本分类[J]. 王子牛,王宏杰,高建瓴.  软件. 2020(01)
[3]一种基于混合词向量的胶囊网络文本分类方法[J]. 王弘中,刘漳辉,郭昆.  小型微型计算机系统. 2020(01)
[4]基于标签语义注意力的多标签文本分类[J]. 肖琳,陈博理,黄鑫,刘华锋,景丽萍,于剑.  软件学报. 2020(04)
[5]融合局部语义和全局结构信息的健康问句分类[J]. 张志昌,张治满,张珍文.  西安电子科技大学学报. 2020(02)
[6]面向多标签文本分类的深度主题特征提取[J]. 陈文实,刘心惠,鲁明羽.  模式识别与人工智能. 2019(09)
[7]基于标签相关性的类属属性多标签分类算法[J]. 牟甲鹏,蔡剑,余孟池,徐建.  计算机应用研究. 2020(09)
[8]基于联合模型的多标签文本分类研究[J]. 刘心惠,陈文实,周爱,陈飞,屈雯,鲁明羽.  计算机工程与应用. 2020(14)
[9]基于注意力CNLSTM模型的新闻文本分类[J]. 刘月,翟东海,任庆宁.  计算机工程. 2019(07)
[10]基于稀疏自学习卷积神经网络的句子分类模型[J]. 高云龙,左万利,王英,王鑫.  计算机研究与发展. 2018(01)

硕士论文
[1]面向网络教育新闻文本的区域分类方法研究[D]. 蒙梅.西安理工大学 2019
[2]基于深度学习的多标签短文本分类方法研究[D]. 徐晓璐.桂林电子科技大学 2019
[3]基于深度学习的知乎标题的多标签文本分类[D]. 张闯.北京交通大学 2018
[4]基于领域词典的移动医疗问题分类与问题相似度计算[D]. 尹京伟.深圳大学 2016
[5]话题演变的在线方法研究[D]. 王斌.武汉理工大学 2013



本文编号：3151452