面向患者的中成药推荐系统
这是一篇关于推荐系统,面向患者,中成药,DPCNN,DeepFM的论文, 主要内容为随着互联网电商和智能医学辅助诊断技术的发展,越来越多患者通过电商平台购买符合自己病症的药品。人们在网上购买药品时,往往面临盲目挑选、无专业人士指导的问题。根据2017年19省医疗机构用药错误大数据分析来看,其中用药错误有60.95%来自医生,34.57%来自药师。在实际诊疗过程中,若因用药错误导致治疗时机的延误或身体不可逆的伤害,会对个人和整个家庭造成巨大的损失。现阶段药品推荐系统主要面向医生,可辅助医生进行快速决策,进而提高医生的工作效率。但面向互联网、电商平台,以及医疗资源较为紧张的地区,则需要面向患者的中成药推荐系统,从而提高诊断准确率和治疗效果。针对常见药品推荐算法中预测准确率不高、需构建大量用户药品评分向量的问题,为了实现面向患者的中成药推荐、提升推荐用药的准确率,充分调研了深度学习文本分类模型、推荐系统排序模型,特别是相关模型在中医诊断学中的应用,并在此基础上分别开展了中医证型召回分类与中医证型排序算法的研究。本文主要研究工作及创新点如下:(1)提出了基于文本卷积神经网络的中医证型召回模型。模型的主体设计思想参考深度金字塔文本卷积结构,为了提高模型的召回准确率,构建了嵌入式融合患者特征的深度金字塔文本卷积神经网络。模型采用嵌入层融合患者的症状特征和基本信息特征,利用多尺度的卷积核实现文本区域基本特征的提取,随后采用连续的等长卷积块完成文本信息的长距离关联,通过重复下采样操作以及近路连接提取出复杂的上下文信息特征,提升了中医证型候选集合召回结果的准确率。(2)提出了基于深度学习的中医证型推荐排序模型。为了加强对患者交叉特征信息的利用,模型以DeepFM为基础结构,结合患者的当前特征与召回后的候选证型进行排序预测。由因子分解层和隐含层对低高阶特征分别处理,并将两者的输出进行拼接处理,完成低阶特征和高阶特征的融合。通过残差连接加深网络深度,加速模型的训练。最后依据预测的中医证型找出相应药品,完成中成药推荐系统的排序推荐。(3)分析面向患者的中成药推荐系统的功能及性能需求,采用高独立性、低耦合等设计理念,设计并实现了面向患者的中成药推荐系统,可辅助患者在海量的信息中找到最对症的药品。通过对系统计算效率、平台性能和可视化框架的综合分析,确定了以Flask为后端框架,JavaScript为前端语言,Echarts为可视化组件,MySQL为数据库的主要技术路线。通过PyTorch完成了中医证型分类模型和排序模型的构造工作,在此基础上搭建出面向患者的中成药推荐系统。并对实际案例进行测试,结果表明了面向患者的中成药推荐模型的性能符合推荐的预期效果。
面向患者的中成药推荐系统
这是一篇关于推荐系统,面向患者,中成药,DPCNN,DeepFM的论文, 主要内容为随着互联网电商和智能医学辅助诊断技术的发展,越来越多患者通过电商平台购买符合自己病症的药品。人们在网上购买药品时,往往面临盲目挑选、无专业人士指导的问题。根据2017年19省医疗机构用药错误大数据分析来看,其中用药错误有60.95%来自医生,34.57%来自药师。在实际诊疗过程中,若因用药错误导致治疗时机的延误或身体不可逆的伤害,会对个人和整个家庭造成巨大的损失。现阶段药品推荐系统主要面向医生,可辅助医生进行快速决策,进而提高医生的工作效率。但面向互联网、电商平台,以及医疗资源较为紧张的地区,则需要面向患者的中成药推荐系统,从而提高诊断准确率和治疗效果。针对常见药品推荐算法中预测准确率不高、需构建大量用户药品评分向量的问题,为了实现面向患者的中成药推荐、提升推荐用药的准确率,充分调研了深度学习文本分类模型、推荐系统排序模型,特别是相关模型在中医诊断学中的应用,并在此基础上分别开展了中医证型召回分类与中医证型排序算法的研究。本文主要研究工作及创新点如下:(1)提出了基于文本卷积神经网络的中医证型召回模型。模型的主体设计思想参考深度金字塔文本卷积结构,为了提高模型的召回准确率,构建了嵌入式融合患者特征的深度金字塔文本卷积神经网络。模型采用嵌入层融合患者的症状特征和基本信息特征,利用多尺度的卷积核实现文本区域基本特征的提取,随后采用连续的等长卷积块完成文本信息的长距离关联,通过重复下采样操作以及近路连接提取出复杂的上下文信息特征,提升了中医证型候选集合召回结果的准确率。(2)提出了基于深度学习的中医证型推荐排序模型。为了加强对患者交叉特征信息的利用,模型以DeepFM为基础结构,结合患者的当前特征与召回后的候选证型进行排序预测。由因子分解层和隐含层对低高阶特征分别处理,并将两者的输出进行拼接处理,完成低阶特征和高阶特征的融合。通过残差连接加深网络深度,加速模型的训练。最后依据预测的中医证型找出相应药品,完成中成药推荐系统的排序推荐。(3)分析面向患者的中成药推荐系统的功能及性能需求,采用高独立性、低耦合等设计理念,设计并实现了面向患者的中成药推荐系统,可辅助患者在海量的信息中找到最对症的药品。通过对系统计算效率、平台性能和可视化框架的综合分析,确定了以Flask为后端框架,JavaScript为前端语言,Echarts为可视化组件,MySQL为数据库的主要技术路线。通过PyTorch完成了中医证型分类模型和排序模型的构造工作,在此基础上搭建出面向患者的中成药推荐系统。并对实际案例进行测试,结果表明了面向患者的中成药推荐模型的性能符合推荐的预期效果。
基于微服务的新闻类网站爬虫与分类检索平台设计及实现
这是一篇关于微服务架构,爬虫,BERT,DPCNN,文本分类的论文, 主要内容为近几年,人工智能技术在各行各业迅速发展,深度学习作为人工智能领域一个重要的技术实现,在自然语言处理、知识图谱、计算机视觉等领域被广泛的应用。在当前阶段,深度神经网络的常用方法仍然是监督学习,监督学习方法需要大量标记数据来训练优化相关的算法。如何高效、快速的获取用于模型训练的数据,是实现深度学习算法首先要解决的问题。本文主要针对在自然语言处理领域如何采集文本类数据的问题,提出了一种基于自动解析算法的新闻类网站爬虫系统,结合文本分类与新闻检索系统,构建了一个数据抓取与分类检索平台,极大的降低了获取数据的成本,能够为其他各种系统提供数据服务。本文的主要工作是,根据用户需求抓取新闻网站,利用基于自动解析的网络爬虫技术抓取网页关键信息,经过文本分类后将数据进行存储,最后提供全文检索的数据服务。经过需求分析,平台一共分为三个子系统,分别是网络爬虫系统、文本分类系统、新闻检索系统。与每个系统软件的实现有关的具体内容是:(1)基于Spring Cloud设计并实现一个分布式的新闻、博客类网站爬虫,主要有调度、下载、解析、保存四个模块。使用基于文本相对密度的自动分析算法来完成对网页信息内容的抽取,抽取对象为网页的标题、时间、来源和正文。采用Kafka做为爬虫子系统各个模块之间消息通信的中间件,来提高平台的整体吞吐量。(2)采用Bidirectional Encoder Representations from Transformers(BERT)模型为词向量模型,以Deep Pyramid Convolutional Neural Networks for Text Categorization(动态金字塔卷机神经网络/DPCNN)模型为分类器,实现一个中文的文本分类算法。(3)基于全文检索引擎Elasticsearch实现新闻检索系统,将不同类别的新闻存储到不同的索引中,并提供基于标题,来源,正文,发表时间的复杂的组合查询逻辑。平台的实现,经过实际生产的检验,结果证明该平台能够大大的节省获取文本数据的成本,给从事自然语言处理领域的从业者带来极大的便利。
面向患者的中成药推荐系统
这是一篇关于推荐系统,面向患者,中成药,DPCNN,DeepFM的论文, 主要内容为随着互联网电商和智能医学辅助诊断技术的发展,越来越多患者通过电商平台购买符合自己病症的药品。人们在网上购买药品时,往往面临盲目挑选、无专业人士指导的问题。根据2017年19省医疗机构用药错误大数据分析来看,其中用药错误有60.95%来自医生,34.57%来自药师。在实际诊疗过程中,若因用药错误导致治疗时机的延误或身体不可逆的伤害,会对个人和整个家庭造成巨大的损失。现阶段药品推荐系统主要面向医生,可辅助医生进行快速决策,进而提高医生的工作效率。但面向互联网、电商平台,以及医疗资源较为紧张的地区,则需要面向患者的中成药推荐系统,从而提高诊断准确率和治疗效果。针对常见药品推荐算法中预测准确率不高、需构建大量用户药品评分向量的问题,为了实现面向患者的中成药推荐、提升推荐用药的准确率,充分调研了深度学习文本分类模型、推荐系统排序模型,特别是相关模型在中医诊断学中的应用,并在此基础上分别开展了中医证型召回分类与中医证型排序算法的研究。本文主要研究工作及创新点如下:(1)提出了基于文本卷积神经网络的中医证型召回模型。模型的主体设计思想参考深度金字塔文本卷积结构,为了提高模型的召回准确率,构建了嵌入式融合患者特征的深度金字塔文本卷积神经网络。模型采用嵌入层融合患者的症状特征和基本信息特征,利用多尺度的卷积核实现文本区域基本特征的提取,随后采用连续的等长卷积块完成文本信息的长距离关联,通过重复下采样操作以及近路连接提取出复杂的上下文信息特征,提升了中医证型候选集合召回结果的准确率。(2)提出了基于深度学习的中医证型推荐排序模型。为了加强对患者交叉特征信息的利用,模型以DeepFM为基础结构,结合患者的当前特征与召回后的候选证型进行排序预测。由因子分解层和隐含层对低高阶特征分别处理,并将两者的输出进行拼接处理,完成低阶特征和高阶特征的融合。通过残差连接加深网络深度,加速模型的训练。最后依据预测的中医证型找出相应药品,完成中成药推荐系统的排序推荐。(3)分析面向患者的中成药推荐系统的功能及性能需求,采用高独立性、低耦合等设计理念,设计并实现了面向患者的中成药推荐系统,可辅助患者在海量的信息中找到最对症的药品。通过对系统计算效率、平台性能和可视化框架的综合分析,确定了以Flask为后端框架,JavaScript为前端语言,Echarts为可视化组件,MySQL为数据库的主要技术路线。通过PyTorch完成了中医证型分类模型和排序模型的构造工作,在此基础上搭建出面向患者的中成药推荐系统。并对实际案例进行测试,结果表明了面向患者的中成药推荐模型的性能符合推荐的预期效果。
基于微服务的新闻类网站爬虫与分类检索平台设计及实现
这是一篇关于微服务架构,爬虫,BERT,DPCNN,文本分类的论文, 主要内容为近几年,人工智能技术在各行各业迅速发展,深度学习作为人工智能领域一个重要的技术实现,在自然语言处理、知识图谱、计算机视觉等领域被广泛的应用。在当前阶段,深度神经网络的常用方法仍然是监督学习,监督学习方法需要大量标记数据来训练优化相关的算法。如何高效、快速的获取用于模型训练的数据,是实现深度学习算法首先要解决的问题。本文主要针对在自然语言处理领域如何采集文本类数据的问题,提出了一种基于自动解析算法的新闻类网站爬虫系统,结合文本分类与新闻检索系统,构建了一个数据抓取与分类检索平台,极大的降低了获取数据的成本,能够为其他各种系统提供数据服务。本文的主要工作是,根据用户需求抓取新闻网站,利用基于自动解析的网络爬虫技术抓取网页关键信息,经过文本分类后将数据进行存储,最后提供全文检索的数据服务。经过需求分析,平台一共分为三个子系统,分别是网络爬虫系统、文本分类系统、新闻检索系统。与每个系统软件的实现有关的具体内容是:(1)基于Spring Cloud设计并实现一个分布式的新闻、博客类网站爬虫,主要有调度、下载、解析、保存四个模块。使用基于文本相对密度的自动分析算法来完成对网页信息内容的抽取,抽取对象为网页的标题、时间、来源和正文。采用Kafka做为爬虫子系统各个模块之间消息通信的中间件,来提高平台的整体吞吐量。(2)采用Bidirectional Encoder Representations from Transformers(BERT)模型为词向量模型,以Deep Pyramid Convolutional Neural Networks for Text Categorization(动态金字塔卷机神经网络/DPCNN)模型为分类器,实现一个中文的文本分类算法。(3)基于全文检索引擎Elasticsearch实现新闻检索系统,将不同类别的新闻存储到不同的索引中,并提供基于标题,来源,正文,发表时间的复杂的组合查询逻辑。平台的实现,经过实际生产的检验,结果证明该平台能够大大的节省获取文本数据的成本,给从事自然语言处理领域的从业者带来极大的便利。
面向患者的中成药推荐系统
这是一篇关于推荐系统,面向患者,中成药,DPCNN,DeepFM的论文, 主要内容为随着互联网电商和智能医学辅助诊断技术的发展,越来越多患者通过电商平台购买符合自己病症的药品。人们在网上购买药品时,往往面临盲目挑选、无专业人士指导的问题。根据2017年19省医疗机构用药错误大数据分析来看,其中用药错误有60.95%来自医生,34.57%来自药师。在实际诊疗过程中,若因用药错误导致治疗时机的延误或身体不可逆的伤害,会对个人和整个家庭造成巨大的损失。现阶段药品推荐系统主要面向医生,可辅助医生进行快速决策,进而提高医生的工作效率。但面向互联网、电商平台,以及医疗资源较为紧张的地区,则需要面向患者的中成药推荐系统,从而提高诊断准确率和治疗效果。针对常见药品推荐算法中预测准确率不高、需构建大量用户药品评分向量的问题,为了实现面向患者的中成药推荐、提升推荐用药的准确率,充分调研了深度学习文本分类模型、推荐系统排序模型,特别是相关模型在中医诊断学中的应用,并在此基础上分别开展了中医证型召回分类与中医证型排序算法的研究。本文主要研究工作及创新点如下:(1)提出了基于文本卷积神经网络的中医证型召回模型。模型的主体设计思想参考深度金字塔文本卷积结构,为了提高模型的召回准确率,构建了嵌入式融合患者特征的深度金字塔文本卷积神经网络。模型采用嵌入层融合患者的症状特征和基本信息特征,利用多尺度的卷积核实现文本区域基本特征的提取,随后采用连续的等长卷积块完成文本信息的长距离关联,通过重复下采样操作以及近路连接提取出复杂的上下文信息特征,提升了中医证型候选集合召回结果的准确率。(2)提出了基于深度学习的中医证型推荐排序模型。为了加强对患者交叉特征信息的利用,模型以DeepFM为基础结构,结合患者的当前特征与召回后的候选证型进行排序预测。由因子分解层和隐含层对低高阶特征分别处理,并将两者的输出进行拼接处理,完成低阶特征和高阶特征的融合。通过残差连接加深网络深度,加速模型的训练。最后依据预测的中医证型找出相应药品,完成中成药推荐系统的排序推荐。(3)分析面向患者的中成药推荐系统的功能及性能需求,采用高独立性、低耦合等设计理念,设计并实现了面向患者的中成药推荐系统,可辅助患者在海量的信息中找到最对症的药品。通过对系统计算效率、平台性能和可视化框架的综合分析,确定了以Flask为后端框架,JavaScript为前端语言,Echarts为可视化组件,MySQL为数据库的主要技术路线。通过PyTorch完成了中医证型分类模型和排序模型的构造工作,在此基础上搭建出面向患者的中成药推荐系统。并对实际案例进行测试,结果表明了面向患者的中成药推荐模型的性能符合推荐的预期效果。
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：代码导航 ，原文地址：https://m.bishedaima.com/lunwen/54794.html
