自然語言處理與醫(yī)療文本的知識(shí)抽取
定 價(jià)：89.8 元
- 作者：劉永彬 歐陽純萍
- 出版時(shí)間：2023/10/1
- ISBN：9787115612274
- 出 版 社：人民郵電出版社
- 中圖法分類：R-058
- 頁碼：192
- 紙張：
- 版次：01
- 開本：16開
本書主要介紹自然語言處理技術(shù)在醫(yī)療信息領(lǐng)域尤其是電子病歷文本中的應(yīng)用。本書首先對(duì)一些基礎(chǔ)知識(shí)和技術(shù)做了介紹，然后給出相關(guān)技術(shù)在醫(yī)療信息領(lǐng)域的應(yīng)用案例。本書還介紹了知識(shí)抽取的一些前沿技術(shù)與實(shí)踐。
本書內(nèi)容分為四大部分：基礎(chǔ)知識(shí)、知識(shí)抽取、醫(yī)療電子病歷研究與實(shí)踐，以及前沿技術(shù)與實(shí)踐。
第一部分包括第1～3章，主要介紹自然語言處理的基礎(chǔ)知識(shí)、技術(shù)發(fā)展路線、相關(guān)任務(wù)以及詞表示模型等。
第二部分包括第4～9章，主要介紹知識(shí)抽取的相關(guān)任務(wù)和技術(shù)，其中包括實(shí)體識(shí)別、關(guān)系抽取、領(lǐng)域自適應(yīng)、多模態(tài)、小樣本和實(shí)體與關(guān)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(shù)在醫(yī)療文本領(lǐng)域的應(yīng)用，其中包括電子病歷實(shí)體關(guān)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(shí)抽取的一些前沿技術(shù)及應(yīng)用，如因果關(guān)系發(fā)現(xiàn)、小樣本知識(shí)抽取及其在醫(yī)療知識(shí)抽取中的應(yīng)用等。
本書可作為高校相關(guān)專業(yè)師生的學(xué)習(xí)用書和培訓(xùn)機(jī)構(gòu)的教材，以及希望深入研究自然語言處理算法的計(jì)算機(jī)工程師的參考書，也可作為對(duì)人工智能、深度學(xué)習(xí)和自然語言處理感興趣的初學(xué)者與希望把人工智能應(yīng)用到醫(yī)療領(lǐng)域的研究者學(xué)習(xí)用書。
1.全彩印刷，自然語言處理在醫(yī)療文本上的智能應(yīng)用圖書，詳細(xì)講解醫(yī)療領(lǐng)域的前沿技術(shù)。
2.清華大學(xué)人工智能研究院知識(shí)智能研究中心主任李涓子傾情推薦。
3.作者是中國計(jì)算機(jī)學(xué)會(huì)-自然語言處理專業(yè)委員會(huì)委員，中國人工智能學(xué)會(huì)-青工委委員，參與IEEE國際標(biāo)準(zhǔn)《知識(shí)圖譜架構(gòu)》和國家標(biāo)準(zhǔn)《信息技術(shù) 人工智能 知識(shí)圖譜技術(shù)框架》的制定。
4.面向醫(yī)療領(lǐng)域文本數(shù)據(jù)，針對(duì)電子病歷中術(shù)語繁多、語法結(jié)構(gòu)缺失、標(biāo)注成本大、屬性和關(guān)系復(fù)雜等問題，利用自然語言處理技術(shù)，從實(shí)體識(shí)別、關(guān)系抽取、事件抽取、對(duì)話等幾方面進(jìn)行方法和技術(shù)的介紹。并附有實(shí)際案例講解。
劉永彬，博士、副教授，中國計(jì)算機(jī)學(xué)會(huì)-自然語言處理專業(yè)委員會(huì)執(zhí)行委員，中國中文信息學(xué)會(huì)-語言與知識(shí)計(jì)算專業(yè)委員會(huì)委員，中國中文信息學(xué)會(huì)-自然語言生成與智能寫作專業(yè)委員會(huì)委員，中國人工智能學(xué)會(huì)-青年工作委員會(huì)委員，中國人工智能學(xué)會(huì)-教育工作委員會(huì)委員；主要研究信息抽取、知識(shí)圖譜構(gòu)建，以及在醫(yī)療大數(shù)據(jù)、科學(xué)大數(shù)據(jù)和企業(yè)智能化信息服務(wù)等領(lǐng)域的應(yīng)用；國際期刊Data Intelligence （MIT出版社）編委；多個(gè)CCF推薦國際會(huì)議PC（ACL，EMNLP，COLING，CIKM，NLPCC）；多個(gè)國際期刊審稿人；參與IEEE國際標(biāo)準(zhǔn)《知識(shí)圖譜架構(gòu)》和國家標(biāo)準(zhǔn)《信息技術(shù) 人工智能 知識(shí)圖譜技術(shù)框架》的制定。
歐陽純萍，博士，教授，中文信息學(xué)會(huì)-語言與知識(shí)計(jì)算專業(yè)委員會(huì)委員，湖南省普通高校青年骨干教師，湖南省大學(xué)計(jì)算機(jī)教學(xué)指導(dǎo)委員會(huì)委員。湖南省線下、線上優(yōu)質(zhì)本科課程、課程思政示范課程負(fù)責(zé)人，湖南省研究生精品思政課程負(fù)責(zé)人。曾獲湖南省高等教育教學(xué)成果一等獎(jiǎng)，湖南省教育教學(xué)改革發(fā)展優(yōu)秀成果二等獎(jiǎng)，湖南省計(jì)算機(jī)學(xué)會(huì)高等教育教學(xué)成果二等獎(jiǎng)，中國電子學(xué)會(huì)電子信息科學(xué)技術(shù)三等獎(jiǎng)。研究方向?yàn)榫W(wǎng)絡(luò)表示學(xué)習(xí)和知識(shí)圖譜及其在醫(yī)藥關(guān)系發(fā)現(xiàn)和疾病診療預(yù)測(cè)等領(lǐng)域的應(yīng)用研究。參與IEEE國際標(biāo)準(zhǔn)《知識(shí)圖譜架構(gòu)》和國家標(biāo)準(zhǔn)《信息技術(shù) 人工智能 知識(shí)圖譜技術(shù)框架》的制定。
目 錄
第 一部分 基礎(chǔ)知識(shí)
第 1章 自然語言處理技術(shù) 2
1.1 自然語言處理概述 2
1.2 數(shù)據(jù)標(biāo)注任務(wù) 3
1.2.1 數(shù)據(jù)標(biāo)注之中文分詞 3
1.2.2 數(shù)據(jù)標(biāo)注之詞性標(biāo)注 4
1.3 詞表示學(xué)習(xí)任務(wù) 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(shí)體識(shí)別任務(wù) 9
1.5 關(guān)系抽取任務(wù) 10
1.6 事件抽取任務(wù) 12
1.7 預(yù)訓(xùn)練模型 14
1.8 小樣本學(xué)習(xí) 16
1.9 領(lǐng)域自適應(yīng) 18
1.10 多模態(tài)任務(wù) 20
1.11 對(duì)話任務(wù) 23
1.11.1 生成式對(duì)話 23
1.11.2 任務(wù)導(dǎo)向型對(duì)話 24
1.12 本書結(jié)構(gòu) 26
參考文獻(xiàn) 26
第 2章 從統(tǒng)計(jì)機(jī)器學(xué)習(xí)模型到神經(jīng)網(wǎng)絡(luò)模型 28
2.1 統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法的三要素 28
2.2 隱馬爾可夫模型 28
2.3 支持向量機(jī) 30
2.4 條件隨機(jī)場(chǎng) 34
2.5 前饋神經(jīng)網(wǎng)絡(luò) 37
2.6 反饋神經(jīng)網(wǎng)絡(luò) 42
2.6.1 循環(huán)神經(jīng)網(wǎng)絡(luò) 42
2.6.2 遞歸神經(jīng)網(wǎng)絡(luò) 43
2.6.3 Hopfield神經(jīng)網(wǎng)絡(luò) 44
2.6.4 長(zhǎng)短期記憶網(wǎng)絡(luò) 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(luò)模型 55
參考文獻(xiàn) 57
第3章 詞表示學(xué)習(xí) 59
3.1 分布假設(shè)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(xiàn) 62
第二部分 知識(shí)抽取
第4章 實(shí)體識(shí)別 64
4.1 基于卷積神經(jīng)網(wǎng)絡(luò)的實(shí)體識(shí)別 64
4.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的實(shí)體識(shí)別 67
4.3 基于Transformer的實(shí)體識(shí)別模型 70
參考文獻(xiàn) 72
第5章 關(guān)系抽取 73
5.1 基于注意力的關(guān)系抽取模型 73
5.2 基于集成學(xué)習(xí)的關(guān)系抽取模型 76
5.3 基于預(yù)訓(xùn)練的關(guān)系抽取模型 78
5.4 基于Transformer的關(guān)系抽取模型 81
5.5 基于GCN的關(guān)系抽取模型 82
參考文獻(xiàn) 84
第6章 領(lǐng)域自適應(yīng) 86
6.1 DAN模型 86
6.2 DANN模型 87
6.3 DSN模型 90
參考文獻(xiàn) 92
第7章 多模態(tài)任務(wù) 93
7.1 多模態(tài)數(shù)據(jù) 93
7.2 多模態(tài)融合技術(shù) 95
7.3 多模態(tài)融合技術(shù)面臨的挑戰(zhàn) 98
參考文獻(xiàn) 99
第8章 小樣本學(xué)習(xí) 100
8.1 數(shù)據(jù)增強(qiáng) 100
8.2 遠(yuǎn)程監(jiān)督 102
8.3 元學(xué)習(xí) 103
參考文獻(xiàn) 106
第9章 實(shí)體與關(guān)系聯(lián)合抽取 107
9.1 參數(shù)共享模式 108
9.2 新標(biāo)注策略模式 110
9.3 關(guān)系重疊問題 111
參考文獻(xiàn) 112
第三部分 醫(yī)療電子病歷研究與實(shí)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(shí)體分類體系 115
10.4 電子病歷實(shí)體關(guān)系分類體系 116
10.5 電子病歷隱私實(shí)體分類體系 117
10.6 ICD編碼 118
10.7 電子病歷ICD自動(dòng)編碼實(shí)踐 119
10.8 電子病歷實(shí)體識(shí)別實(shí)踐 122
參考文獻(xiàn) 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(shí)別 133
11.3 電子病歷事件觸發(fā)詞抽取實(shí)踐 134
11.3.1 文本預(yù)處理 134
11.3.2 引入依存句法特征的動(dòng)態(tài)多池化模型 136
11.3.3 動(dòng)態(tài)多池化卷積神經(jīng)網(wǎng)絡(luò) 138
11.3.4 實(shí)驗(yàn)結(jié)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(shí)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(luò) 144
參考文獻(xiàn) 146
第 12章 醫(yī)療對(duì)話摘要生成 147
12.1 基于情景記憶網(wǎng)絡(luò)的編碼標(biāo)記模型 148
12.1.1 情景記憶網(wǎng)絡(luò) 149
12.1.2 基于情景記憶網(wǎng)絡(luò)的分層標(biāo)記模型 150
12.1.3 實(shí)驗(yàn) 151
12.2 醫(yī)療對(duì)話摘要的未來 155
參考文獻(xiàn) 155
第四部分 前沿技術(shù)與實(shí)踐
第 13章 因果推斷技術(shù) 158
13.1 電子病歷中的因果關(guān)系 158
13.2 因果方法 158
13.2.1 因果推斷 158
13.2.2 將因果關(guān)系發(fā)現(xiàn)與不同研究方向結(jié)合 160
13.2.3 將因果關(guān)系發(fā)現(xiàn)應(yīng)用于不同領(lǐng)域 161
13.2.4 典型的因果推斷技術(shù) 161
13.3 電子病歷中的因果推斷技術(shù) 165
參考文獻(xiàn) 166
第 14章 小樣本學(xué)習(xí)實(shí)體識(shí)別實(shí)踐 167
14.1 問題定義 167
14.2 方法 169
14.2.1 原型網(wǎng)絡(luò) 169
14.2.2 字符感知 170
14.2.3 句子感知 171
14.2.4 聯(lián)合學(xué)習(xí)策略 172
14.3 實(shí)驗(yàn) 172
14.3.1 數(shù)據(jù)集 172
14.3.2 超參數(shù)設(shè)置 173
14.3.3 基線模型 173
14.3.4 整體實(shí)驗(yàn)結(jié)果 174
14.3.5 收斂速度驗(yàn)證 174
14.3.6 消融研究 176
14.3.7 整體實(shí)驗(yàn)結(jié)果 177
14.3.8 錯(cuò)誤指標(biāo)分析 179
參考文獻(xiàn) 180
第 15章 小樣本實(shí)體關(guān)系抽取實(shí)踐 181
15.1 問題定義 182
15.2 方法 182
15.2.1 原型網(wǎng)絡(luò) 183
15.2.2 特征級(jí)注意力 184
15.2.3 深度集成策略 185
15.2.4 微調(diào)策略 185
15.3 實(shí)驗(yàn) 186
15.3.1 數(shù)據(jù)集 186
15.3.2 超參數(shù)設(shè)置 186
15.3.3 基線模型 187
15.3.4 整體實(shí)驗(yàn)結(jié)果 187
15.3.5 交叉驗(yàn)證 189
15.3.6 消融研究 190
參考文獻(xiàn) 192
書單推薦
