新書推薦：
《
图解机械工程入门
》
售價：NT$
440.0
《
中文版SOLIDWORKS 2024机械设计从入门到精通（实战案例版）
》
售價：NT$
450.0
《
旷野人生：吉姆·罗杰斯的全球投资探险
》
售價：NT$
345.0
《
希腊人（伊恩·莫里斯文明史系列）
》
售價：NT$
845.0
《
世界巨变：严复的角色（王中江著作系列）
》
售價：NT$
500.0
《
塔西佗（全二册）（二十世纪人文译丛）
》
售價：NT$
1800.0
《
宋初三先生集（中国思想史资料丛刊）
》
售價：NT$
990.0
《
简帛时代与早期中国思想世界（上下册）（王中江著作系列）
》
售價：NT$
1400.0
|
| 編輯推薦： |
|
本书在Web 2.0和Health 2.0的背景下，基于设计科学、文本挖掘、信息抽取和机器学习等理论与方法，搭建了社会媒体中药品不良反应知识发现框架；实现了特征向量的提取和多种核方法，并基于集成学习和半监督学习，构建了一系列药品不良反应关系抽取模型，识别了药品实体和症状/疾病实体间的关系类别，减少了社会媒体上数据高维特征的影响及模型对标注数据的依赖，提升了药品不良反应关系抽取模型的性能。通过本书的研究，在理论上丰富和补充了文本挖掘、集成学习和半监督学习的理论研究体系；在实践上，有助于完善药品的安全性信息，为相关部门提供决策支持，实现了数据驱动的药物警戒，是面向人民生命健康进行科技创新的重要实践。
|
| 內容簡介： |
|
本书凝练了作者近七年来的研究成果，融合了国家自然科学基金项目和博士后科学基金面上项目（一等）的相关研究成果。 基于设计科学、文本挖掘、信息抽取和机器学习等理论和方法，搭建了数据驱动的社交媒体中药品不良反应知识发现框架。在应用层面，从非结构化的文本数据中最终提取出潜在的（药品-不良反应）知识，首先从社会媒体平台上海量数据中过滤掉了不包含不良反应信息的不相关文本，然后从非结构化文本中提取了疾病症状等实体，最后区分了药品和提取的疾病症状等实体间的关系类型（如药品不良反应还是药品适应症）。在方法层面，针对数据非均衡、高维、不规范、标注难且成本高的特点，从特征和算法两个角度，提出了一系列改进的文本分类、实体识别和关系抽取方法。
|
| 關於作者： |
|
刘婧，天津财经大学管理信息系统系教师，西北工业大学博士，长期从事数据驱动的决策支持研究，研究方向为文本挖掘和智慧医疗。主持国家自然科学基金青年项目1项，主持中国博士后科学基金面上项目（一等）1项，参与国家级及省部级研究项目3项；发表高水平学术论文10余篇，参与编写教材2部；入选天津市高校“青年后备人才支持计划”，入选天津市“131”创新型人才培养工程第三层次。
|
| 目錄：
|
目 录
第1章 绪论001
1.1 研究背景与意义 / 001
1.2 国内外研究现状 / 003
1.2.1 社会媒体环境下药品不良反应知识发现研究 / 003
1.2.2 文本挖掘相关研究 / 007
1.2.3 研究述评 / 017
1.3 研究内容与创新点 / 018
1.3.1 研究内容 / 018
1.3.2 创新性 / 021
1.4 研究方法 / 022
第2章 药品不良反应相关文本识别023
2.1 基于层次注意力的多文档表征融合模型 / 023
2.1.1 基于深度学习的深层文本表征 / 025
2.1.2 考虑外部领域知识的特征工程 / 028
2.1.3 层次注意力机制 / 030
2.1.4 实验设置 / 032
2.1.5 实验结果与分析 / 033
2.2 基于多视图主动学习的药品不良反应相关文本识别模型 / 036
2.2.1 基于多视图主动学习的药品不良反应相关文本识别框架 / 037
2.2.2 基于多文档表征的多视图生成机制 / 039
2.2.3 样本选择策略 / 041
2.2.4 MVAL4D的伪代码 / 044
2.2.5 实验设置 / 046
2.2.6 实验结果与分析 / 048
2.3 小结 / 052
第3章 药品不良反应命名实体识别054
3.1 基于传统CRF的药品不良反应实体识别模型构建 / 054
3.1.1 条件随机场 / 054
3.1.2 特征提取 / 055
3.2 基于Bi-LSTM-CRF的药品不良反应实体识别模型构建 / 056
3.3 实验设置 / 058
3.3.1 数据集 / 058
3.3.2 实验过程 / 059
3.3.3 评价指标 / 059
3.4 实验结果与分析 / 059
3.5 小结 / 062
第4章 基于组合学习的药品不良反应关系抽取063
4.1 基于特征的药品不良反应关系抽取 / 063
4.1.1 特征提取 / 063
4.1.2 特征选择 / 069
4.1.3 实验设置 / 071
4.1.4 实验结果与分析 / 074
4.2 基于核方法的药品不良反应关系抽取 / 078
4.2.1 典型核 / 079
4.2.2 实验设置 / 086
4.2.3 实验结果与分析 / 086
4.3 基于组合学习的药品不良反应关系抽取集成框架 / 088
4.3.1 基分类器融合方法 / 088
4.3.2 实验设置 / 092
4.3.3 实验结果与分析 / 093
4.4 基于词汇语义相似度和词性分析的POS-SSDP核方法 / 096
4.4.1 对基于核的关系抽取方法进行改进的必要性 / 096
4.4.2 词汇语义相似度 / 099
4.4.3 POS-SSDP：嵌入词汇语义信息和词性分析的最短依赖路径核 / 103
4.4.4 实验设置 / 104
4.4.5 实验结果与分析 / 106
4.5 小结 / 111
第5章 基于半监督学习和集成学习的药品不良反应关系抽取112
5.1 基于半监督集成学习的药品不良反应关系抽取 / 112
5.1.1 半监督学习 / 112
5.1.2 集成学习 / 115
5.1.3 Co-Ensemble方法 / 118
5.1.4 实验设置 / 121
5.1.5 实验结果与分析 / 123
5.2 基于改进随机子空间的药品不良反应关系抽取 / 131
5.2.1 随机子空间相关工作 / 131
5.2.2 基于分层采样的随机子空间方法 / 132
5.2.3 使用的特征 / 135
5.2.4 实验设置 / 136
5.2.5 实验结果与分析 / 137
5.3 基于改进半监督学习的药品不良反应关系抽取 / 143
5.3.1 使用Lasso改进基于分歧的半监督学习 / 144
5.3.2 实验结果与分析 / 147
5.4 小结 / 150
参考文献152
|
| 內容試閱：
|
在信息时代，数据已成为除土地、劳动力、资本、技术之外的新型生产要素。健康医疗大数据是国家重要的基础性战略资源。随着Web 2.0技术的发展，社会媒体上的用户生成内容已经成为电子病历、医学文献和医学知识库的有效补充，是健康医疗大数据的重要组成部分。
药物警戒是重要的公共卫生问题，社会媒体上的公众健康大数据为药品不良反应知识发现提供了新机遇。然而，用户生成的文本数据中大部分并不包含药品不良反应信息；公众通常不会使用规范的术语描述药品不良反应，相反，他们经常使用创造性或症状描述型的语言来描述药品不良反应，而且语言规范性较差；同时，提到药品和症状/疾病实体的数据不一定描述药品不良反应关系，还经常表述药品适应症等其他关系；本应用领域的专业性也导致标注数据耗时、耗力且需要专家经验。以上特点导致利用社会媒体平台上用户生成的文本数据识别潜在药品不良反应面临很大的挑战。
本书在Web 2.0和Health 2.0的背景下，基于设计科学、文本挖掘、信息抽取和机器学习等理论与方法，搭建了社会媒体中药品不良反应知识发现框架，主要研究工作包括：基于主动学习和多种文档表征学习，构建了识别包含药品不良反应信息的相关文本的分类模型，有效地降低了标注数据的成本，并提升了文本分类的性能；运用Bi-LSTM和CRF，构建了药品不良反应实体识别模型，提升了模型对社会媒体上不规范数据的适应能力；实现了特征向量的提取和多种核方法，并基于集成学习和半监督学习，构建了一系列药品不良反应关系抽取模型，识别了药品实体和症状/疾病实体间的关系类别，减少了社会媒体上数据高维特征的影响及模型对标注数据的依赖，提升了药品不良反应关系抽取模型的性能。通过本书的研究，在理论上丰富和补充了文本挖掘、集成学习和半监督学习的理论研究体系；在实践上，有助于完善药品的安全性信息，为相关部门提供决策支持，实现了数据驱动的药物警戒，是面向人民生命健康进行科技创新的重要实践。
全书共有5章，适合国家相关机构工作人员、医生、医疗机构管理者、智慧医疗研究人员以及计算机领域的专业人士阅读。书中所涉及的理论与实践研究内容得到了国家自然科学基金青年项目“基于文本挖掘的社会媒体药品不良反应抽取研究”（NO.71701142）、中国博士后科学基金面上项目“社会媒体环境下面向药物警戒的异质网络构建与分析”（NO.2018M640346）的资助，凝聚了科研团队近七年的研究心血与成果。在此感谢天津财经大学谭燕、李巍、吴畅、亢小倩、王亚楠、罗依空同学为本书的编辑、出版付出的辛勤工作。
在不远的未来，以大数据、人工智能、物联网、云计算、区块链、Web 3.0为技术支持的智慧医疗将赋能更多医疗领域的知识发现，如大数据驱动的智能诊断、新药发现、老药新用、联合用药等。需要进一步加强医疗数据要素的共享和流通，加强医疗健康领域各主体间的协同合作，促进多源多模态数据的融合，搭建智慧医疗平台，以实现健康中国的愿景。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
