基于数据挖掘的医疗分析系统研究
这是一篇关于知识图谱,命名实体识别,意图分类,疾病预测的论文, 主要内容为随着社会的发展,人们的生活水平显著提高,对医疗健康越来越重视。同时,国家根据时代背景提出了智慧医疗政策。为了解决当今社会医疗资源分布不均,部分地区的人们就医困难等问题,本文以数据挖掘为基础,研究并实现了在线医疗分析平台,具备精简的前端用户交互界面。论文的主要工作包括:(1)构建一定规模的中文医学知识图谱。本文从开源知识图谱、在线医疗健康网站和少部分医学文献中提取疾病数据源,并对其进行融合得到最终的数据源,存入图形数据库中。在系统运行中定时读取待更新的疾病数据文件,自动扩充知识图谱规模。(2)创建用于模型训练的中文医疗问句。本文以图谱实体为基础,套用自定义的模板和数据增强策略生成大量问句,并结合从在线医疗健康网站获得的问答对得到大量中文医疗问句。将医疗问句打上标签得到命名实体识别数据集和意图分类数据集。意图分类数据集在各类别下均匀分布。(3)设计医疗分析系统的后台数据分析算法。本文使用语句分析算法和疾病预测算法结合的后台数据分析架构。在语句分析中,BERT模型作为嵌入层,训练BERT-LSTM-CRF和BERT-CNN模型分别作为命名实体识别和意图分类模型。实验证明在自建的数据集和公开数据集上,使用BERT为嵌入层的方式与其他主流模型对比,准确率最高。在疾病预测中,用融合模型来分析疾病特征,与其他模型对比准确率最高。(4)本文搭建了一套基于数据挖掘的在线医疗分析平台,数据库中有12337条疾病信息,包含常见的疾病。在实际场景下进行测试,本系统的召回率和准确率分别达到94.1%和75.3%,查询的响应时间均低于1s,基本满足用户获取医疗信息的需求。
一种基于用户评论与开发者双向关系的App迭代方法
这是一篇关于用户评论,情感分析,意见推荐,意图分类,移动APP的论文, 主要内容为随着智能手机的性能不断提升,人们将使用习惯逐渐从电脑端转向更加具有便携性的移动端,对于手机APP的使用也愈加频繁。基于这种趋势,APP软件的数量指数增长,给开发者带来了巨大压力,若无法有效满足用户需求,则很容易使用户转向使用其它APP,最终自己产品惨遭取代或淘汰。因此APP开发者需要通过将产品不断迭代响应用户需求来得到更高的用户评价和支持。除了有经验的产品经理等专业人员定义软件功能外,应用商店中的用户评论中,蕴含了大量的用户的需求和使用过程中遇到的一些问题,这些评论将对接下来的版本更新具有很大的帮助。但这些用户评论质量参差不齐,且数量巨大,人工将全部评论查阅并筛选显然不切实际。因此研究如何使开发人员有效利用用户评论对APP迭代具有重大意义。在对现有的用户评论驱动软件迭代的方法研究后,发现大部分方法是仅针对用户评论展开研究,或者使用到了更新日志的信息但还未能充分挖掘更新日志与用户评论的深层关系。同时许多研究中加入对用户意图和情感的分析,但均是使用已有的经典模型。基于以上问题,本文通过对短文本分类和情感分析优化以及加入开发者意图挖掘使最终评论的推荐数量更少但包含更多对开发者有用的信息。具体研究内容如下:(1)本文提出一种高效的短文本分类方法用于用户意图识别,并将评论分为特征请求、错误报告、用户体验与其它。该方法基于改进BERT和多阶段TCN技术,使用知识图谱丰富短文本的语义表示,BERT预训练模型结合词性和词语权重对向量优化,将优化的词向量信息结合CNN和TCN提取特征,结合注意力机制突显关键信息。最终分类结果在Snippets标准数据集中F1达到了94.05%,相比经典模型有所提高。(2)提出一种改进的方面级情感分析方法,充分利用显式句法结构挖掘文本信息。对每个单词与方面词之间语法路径进行建模,获取句法表示反馈到关注层推断权重。对单词和句子级别分别使用注意力机制得到评论的表示。最终情感分类在Sem Eval 2014 Task 4中restaurants数据集准确率达到87.01%。(3)利用BERTopic主题模型处理更新日志挖掘开发者意愿,最终结合情感、意图、开发者意愿等多方面因素筛选出最有用的评论为开发者提供建议。准确率达到85%,结果表明本论文推荐的评论对开发者对后续的维护和演化任务具有重要意义。
基于医疗知识图谱的辅助诊断系统研究与应用
这是一篇关于问答系统,知识图谱,深度学习,命名实体识别,意图分类的论文, 主要内容为随着我国社会的蓬勃发展,网络基础设施建设逐渐完善,人们可以更加轻松地通过电脑、手机等个人设备接入互联网,享受信息化浪潮给我们生活带来的各种便利。人们在医疗健康问题上需要帮助的时候,除了去医院看医生,听从医生的建议,现在还可以利用互联网上近乎海量的医疗知识,来完成自我诊断。但是,互联网上这些丰富的信息在方便人们的同时,也带来了信息过载的问题。人们在搜索某个疾病相关信息时,搜索引擎往往会根据关键字返回近千万条不同的搜索结果。人们需要在这么多搜索结果中去挨个搜寻自己真正需要的信息。这对于大部分人都是不小的负担。针对以上的这种问题,本文尝试构建一个基于知识图谱的医疗问答系统来帮助用户进行辅助诊断。不同于搜索引擎直接返回关键字的搜索结果,医疗问答系统对于用户的问题,会进一步分析,然后只返回最贴近用户搜索意图的一个答案。对于用户来说,省却了繁杂的信息筛选工作,降低了医疗信息的获取难度。本文的主要工作包含4个部分:(1)提出了一个基于医疗知识图谱的辅助诊断系统的整体结构,将系统整体分成了六个主要模块:知识图谱构建模块、命名实体识别模块、实体链指模块、意图识别模块、答案查询模块和答案构建与展示模块。(2)知识图谱模块,首先对于医疗健康网站的疾病百科数据进行爬取,然后构建出了一个包含实体约4万个、实体关系约20万条的医疗知识图谱。(3)对于医疗命名实体识别模块,本文提出的基于BERT的多层级卷积CRF网络,综合F1值达到0.886,显著超过基线模型;对于实体链指模块,本文设计出了高效的算法将相近表述的实体链指到知识图谱实体上;对于医疗意图识别模块,本文提出的基于BERT的意图分类模型准确率达到了92.83%,比基础的Text CNN提升了3.71%。(4)最后使用Flask轻量级开发框架,把系统的各个模块整合到一起,添加了易于使用的用户界面,完成了整个基于医疗知识图谱的辅助诊断系统的构建工作。本文旨在解决当前人们在医疗健康领域遇到的搜索信息难以筛选的问题,并通过深度学习模型和自然语言处理方法提升整个辅助诊断系统的问句语义理解能力,最终构建了一个简洁易用的辅助诊断系统。
一种基于用户评论与开发者双向关系的App迭代方法
这是一篇关于用户评论,情感分析,意见推荐,意图分类,移动APP的论文, 主要内容为随着智能手机的性能不断提升,人们将使用习惯逐渐从电脑端转向更加具有便携性的移动端,对于手机APP的使用也愈加频繁。基于这种趋势,APP软件的数量指数增长,给开发者带来了巨大压力,若无法有效满足用户需求,则很容易使用户转向使用其它APP,最终自己产品惨遭取代或淘汰。因此APP开发者需要通过将产品不断迭代响应用户需求来得到更高的用户评价和支持。除了有经验的产品经理等专业人员定义软件功能外,应用商店中的用户评论中,蕴含了大量的用户的需求和使用过程中遇到的一些问题,这些评论将对接下来的版本更新具有很大的帮助。但这些用户评论质量参差不齐,且数量巨大,人工将全部评论查阅并筛选显然不切实际。因此研究如何使开发人员有效利用用户评论对APP迭代具有重大意义。在对现有的用户评论驱动软件迭代的方法研究后,发现大部分方法是仅针对用户评论展开研究,或者使用到了更新日志的信息但还未能充分挖掘更新日志与用户评论的深层关系。同时许多研究中加入对用户意图和情感的分析,但均是使用已有的经典模型。基于以上问题,本文通过对短文本分类和情感分析优化以及加入开发者意图挖掘使最终评论的推荐数量更少但包含更多对开发者有用的信息。具体研究内容如下:(1)本文提出一种高效的短文本分类方法用于用户意图识别,并将评论分为特征请求、错误报告、用户体验与其它。该方法基于改进BERT和多阶段TCN技术,使用知识图谱丰富短文本的语义表示,BERT预训练模型结合词性和词语权重对向量优化,将优化的词向量信息结合CNN和TCN提取特征,结合注意力机制突显关键信息。最终分类结果在Snippets标准数据集中F1达到了94.05%,相比经典模型有所提高。(2)提出一种改进的方面级情感分析方法,充分利用显式句法结构挖掘文本信息。对每个单词与方面词之间语法路径进行建模,获取句法表示反馈到关注层推断权重。对单词和句子级别分别使用注意力机制得到评论的表示。最终情感分类在Sem Eval 2014 Task 4中restaurants数据集准确率达到87.01%。(3)利用BERTopic主题模型处理更新日志挖掘开发者意愿,最终结合情感、意图、开发者意愿等多方面因素筛选出最有用的评论为开发者提供建议。准确率达到85%,结果表明本论文推荐的评论对开发者对后续的维护和演化任务具有重要意义。
一种基于用户评论与开发者双向关系的App迭代方法
这是一篇关于用户评论,情感分析,意见推荐,意图分类,移动APP的论文, 主要内容为随着智能手机的性能不断提升,人们将使用习惯逐渐从电脑端转向更加具有便携性的移动端,对于手机APP的使用也愈加频繁。基于这种趋势,APP软件的数量指数增长,给开发者带来了巨大压力,若无法有效满足用户需求,则很容易使用户转向使用其它APP,最终自己产品惨遭取代或淘汰。因此APP开发者需要通过将产品不断迭代响应用户需求来得到更高的用户评价和支持。除了有经验的产品经理等专业人员定义软件功能外,应用商店中的用户评论中,蕴含了大量的用户的需求和使用过程中遇到的一些问题,这些评论将对接下来的版本更新具有很大的帮助。但这些用户评论质量参差不齐,且数量巨大,人工将全部评论查阅并筛选显然不切实际。因此研究如何使开发人员有效利用用户评论对APP迭代具有重大意义。在对现有的用户评论驱动软件迭代的方法研究后,发现大部分方法是仅针对用户评论展开研究,或者使用到了更新日志的信息但还未能充分挖掘更新日志与用户评论的深层关系。同时许多研究中加入对用户意图和情感的分析,但均是使用已有的经典模型。基于以上问题,本文通过对短文本分类和情感分析优化以及加入开发者意图挖掘使最终评论的推荐数量更少但包含更多对开发者有用的信息。具体研究内容如下:(1)本文提出一种高效的短文本分类方法用于用户意图识别,并将评论分为特征请求、错误报告、用户体验与其它。该方法基于改进BERT和多阶段TCN技术,使用知识图谱丰富短文本的语义表示,BERT预训练模型结合词性和词语权重对向量优化,将优化的词向量信息结合CNN和TCN提取特征,结合注意力机制突显关键信息。最终分类结果在Snippets标准数据集中F1达到了94.05%,相比经典模型有所提高。(2)提出一种改进的方面级情感分析方法,充分利用显式句法结构挖掘文本信息。对每个单词与方面词之间语法路径进行建模,获取句法表示反馈到关注层推断权重。对单词和句子级别分别使用注意力机制得到评论的表示。最终情感分类在Sem Eval 2014 Task 4中restaurants数据集准确率达到87.01%。(3)利用BERTopic主题模型处理更新日志挖掘开发者意愿,最终结合情感、意图、开发者意愿等多方面因素筛选出最有用的评论为开发者提供建议。准确率达到85%,结果表明本论文推荐的评论对开发者对后续的维护和演化任务具有重要意义。
面向中医理论的常用中药材知识图谱构建与应用研究
这是一篇关于中医理论,中药材,知识图谱,意图分类,智能问答的论文, 主要内容为中医随着社会的逐渐发展以及国家的重视,中药材在中医理论的指导下达到治疗疾病调理身体的作用。由于每一种中药材有其自己的特性,了解掌握其特性对中药配伍使用有着至关重要的作用。现有的大部分搜索引擎存在返回给用户的信息不够精准且杂乱的问题。知识图谱中知识通过结构化的方式进行表示,蕴含丰富的语义信息,更好的关联知识。基于知识图谱的问答方法,依靠其对问句语义层面的分析理解以及底层知识图谱的精准查询,可以为用户提供直观精确的答案。因此本文针对如何构建面向中医理论的常用中药材知识图谱及设计实现基于知识图谱问答方法展开研究:(1)构建面向中医理论的常用中药材知识图谱。本文使用自顶向下的构建方式,对中药材知识图谱概念模式进行设计,再依据模式层的设计将抽取的知识填充数据层知识库,进行知识存储完成常用中药材知识图谱的构建。针对知识抽取,提出中药材命名实体识别BERT-Bi LSTM-CRF模型,在测试集上P、R、F1分别达到了95.31%、96.42%、95.82%。(2)针对意图问句文本较短及数据轻微不平衡的意图分类问题,提出了一种中药材意图问句的意图分类Tiny BERT-CNN模型。Tiny BERT-CNN在本文任务上获得了好的性能,在保证较好分类准确率的同时消耗较少的资源。Tiny BERT-CNN在常用中药材意图问句的测试集上P、R、F1值分别达到96.4%、95.9%和96.2%。(3)本文以常用中药材知识图谱为数据基础,设计并完成常用中药材知识图谱问答方法,主要功能为用户提供中药材知识问答。
面向中医理论的常用中药材知识图谱构建与应用研究
这是一篇关于中医理论,中药材,知识图谱,意图分类,智能问答的论文, 主要内容为中医随着社会的逐渐发展以及国家的重视,中药材在中医理论的指导下达到治疗疾病调理身体的作用。由于每一种中药材有其自己的特性,了解掌握其特性对中药配伍使用有着至关重要的作用。现有的大部分搜索引擎存在返回给用户的信息不够精准且杂乱的问题。知识图谱中知识通过结构化的方式进行表示,蕴含丰富的语义信息,更好的关联知识。基于知识图谱的问答方法,依靠其对问句语义层面的分析理解以及底层知识图谱的精准查询,可以为用户提供直观精确的答案。因此本文针对如何构建面向中医理论的常用中药材知识图谱及设计实现基于知识图谱问答方法展开研究:(1)构建面向中医理论的常用中药材知识图谱。本文使用自顶向下的构建方式,对中药材知识图谱概念模式进行设计,再依据模式层的设计将抽取的知识填充数据层知识库,进行知识存储完成常用中药材知识图谱的构建。针对知识抽取,提出中药材命名实体识别BERT-Bi LSTM-CRF模型,在测试集上P、R、F1分别达到了95.31%、96.42%、95.82%。(2)针对意图问句文本较短及数据轻微不平衡的意图分类问题,提出了一种中药材意图问句的意图分类Tiny BERT-CNN模型。Tiny BERT-CNN在本文任务上获得了好的性能,在保证较好分类准确率的同时消耗较少的资源。Tiny BERT-CNN在常用中药材意图问句的测试集上P、R、F1值分别达到96.4%、95.9%和96.2%。(3)本文以常用中药材知识图谱为数据基础,设计并完成常用中药材知识图谱问答方法,主要功能为用户提供中药材知识问答。
面向对话系统意图识别任务的数据增强系统设计与实现
这是一篇关于数据增强,对话系统,意图分类,生成模型的论文, 主要内容为智能对话系统是通过自然语言理解、对话管理、自然语言生成等深度学习技术,使机器理解人类语言并与人类进行有效沟通,进而根据对人类语言中的意图进行理解并执行相应任务或做出回答的系统。目前,智能对话系统的自然语言理解模型大多数基于有监督的分类模型来进行意图识别,需要使用标注大量的文本数据进行训练对话模型。但现实情况往往由于缺乏足够数据,无法使自然语言理解模型覆盖全部的样本情况,导致意图识别效果较低,模型泛化能力较差。数据增强(Data Augmentation,DA)可以在少量数据资源的情况下,通过规则匹配或模型生成的方式,实现对数据的扩充,从而提高意图识别准确率。所以,本文通过研究基于语法依赖解析树相似子结构数据增强方法和融合Mix up的生成式模型数据增强方法,设计一个有较好扩展能力且具有数据增强功能的智能对话系统。其内容包括:(1)提出一种基于语法依赖解析树相似子结构的数据增强方法。现有的基于规则的数据增强方法,忽略了样本数据之间的相似信息,不能很好地捕捉文本数据之间的相同语义信息。因此本文提出了基于语法依赖解析树相似子结构的数据增强方法,以解决少量数据资源下意图识别率不高的问题。本文通过语句生成的语法依赖解析树,在多个语句之间搜索相似子结构,根据存在相似子结构的两个语句是否属于同一类别进行同义替换或随机交换数据增强策略。对比实验结果表明,该方法在测试数据规模较小的情况下,意图识别的准确率提升幅度更大,最多可以提升8%以上。实验证明,相同子结构语义替换能够比同类方法更好地提升对话模型的意图识别能力。(2)提出了一种基于Mix up生成式序列模型的数据增强方法。在基于现有生成式模型数据增强技术的基础上,将Mix up混合插值应用在Uni LM生成式模型的隐藏层上,增强了泛化能力,提高了意图识别的准确率。通过与传统的EDA数据增强方法和基于聚合关系的上下文数据增强方法进行对比实验,结果表明该数据增强方法在意图识别任务上的准确率较上述方法平均提高了5%。实验证明本文所述方法要优于其他方法。(3)搭建了一个具有数据增强功能的智能对话系统。基于本文提出的数据增强方法,使用机器学习框架,采用Web QA数据集和人工制定数据集,尝试搭建具有数据增强功能的智能对话系统。通过对比实验,在意图数据量较小的情况下,意图命中率只有50%,经过本文提出的两种数据增强方法,意图识别命中率达到59%左右,相比于其他方法提高了大约9%。实验证明,本文的数据增强方法对于智能对话系统的提升是显而易见的。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码海岸 ，原文地址：https://m.bishedaima.com/lunwen/50144.html
