基于條件隨機(jī)場模型的中醫(yī)文獻(xiàn)知識發(fā)現(xiàn)方法研究.pdf_第1頁
已閱讀1頁，還剩60頁未讀， 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、隨著計算機(jī)技術(shù)及醫(yī)學(xué)技術(shù)的進(jìn)步，當(dāng)前醫(yī)學(xué)相關(guān)的數(shù)據(jù)正在呈“爆炸”式增長。大量的醫(yī)學(xué)數(shù)據(jù)以文本的形式被記載在各種醫(yī)學(xué)文獻(xiàn)中并存儲于數(shù)據(jù)庫，如中醫(yī)藥文獻(xiàn)庫和MEDLINE數(shù)據(jù)庫。如何整合這些數(shù)據(jù)資源發(fā)現(xiàn)其中隱藏的知識對于解釋人體復(fù)雜生命現(xiàn)象具有重要意義。 命名實體識別（Named Entity Recognition，NER）是文獻(xiàn)知識發(fā)現(xiàn)最首要的且是最重要的步驟。本文在系統(tǒng)分析和闡述生物醫(yī)學(xué)文獻(xiàn)知識發(fā)現(xiàn)相關(guān)方法后，介紹了命名實體識

2、別的概念、方法及模型，并主要分析了兩種判別式模型：條件隨機(jī)場模型（Conditional Random Field，CRF）和最大熵馬爾科夫模型（Maximum Entropy Markov Model，MEMM）。 首先，基于目前可以在生物醫(yī)學(xué)命名實體識別研究領(lǐng)域獲得的大量標(biāo)注語料，以CRF為模型的基因?qū)嶓w識別實驗取得了令人滿意的效果。并通過實驗表明CRF相比于MEMM具有更好的性能，從而將CRF作為本文進(jìn)行中醫(yī)文獻(xiàn)知識發(fā)現(xiàn)的

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論