基于机器学习的智能导诊模型研究

目录

1 绪论

1.1 研究背景和意义

1.1.1 研究背景

1.1.2 选题意义

1.2 国内外研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3 论文主要研究内容

1.4 论文的组织结构

2基于机器学习的智能导诊模型概述

2.1智能导诊模型功能需求分析

2.2 基于机器学习的智能导诊模型结构

2.2.1 基于字词联合特征的症状实体抽取模块

2.2.2 基于症状贡献度和信息熵优化的Stacking 科室分诊模块

2.2.3 基于患者相似度和医师匹配度的协同过滤医师推荐模块

2.3 本章小结

3基于字词联合特征的症状实体抽取模型

3.1 症状实体抽取相关研究

3.1.1 症状实体抽取概念

3.1.2 实体抽取方法研究现状

3.2 症状实体抽取相关技术介绍

3.2.1 字嵌入

3.2.2 卷积神经网络

3.2.3 循环神经网络

3.2.4 注意力机制

3.2.5 条件随机场

3.3 基于字词特征联合的症状实体抽取模型

3.3.1 基于卷积网络的患者主诉潜在词特征提取方法

3.3.2 基于字词联合特征的BGRU症状长依赖关系提取方法

3.3.3基于Attention的症状特征加权方法

3.3.4基于CRF的症状标签合理性约束方法

3.4 模型评估与实验对比

3.4.1 实验数据及标注方法

3.4.2 模型评价指标

3.4.3 模型超参数设置

3.4.4 实验对比及结果分析

3.5 本章小结

4 基于症状贡献度和信息熵优化的科室分诊模型

4.1 基于TF-IDF 的症状贡献度计算方法

4.2 基于信息熵优化的Stacking 科室分诊模型

4.2.1 基于Stacking 的科室分诊模型

4.2.2 基于信息熵和预测准确性的样本优化方法

4.3 模型评估和实验对比

4.3.1 数据预处理及模型参数设置

4.3.2 模型评估方法

4.3.3 实验对比及结果分析

4.4 本章小结

5基于患者相似度和医师匹配度的协同过滤医师推荐模型

5.1 基于改进的协同过滤医师推荐模型原理

5.2 基于改进的协同过滤医师推荐模型实现方法

5.2.1 基于症状的患者相似度计算方法

5.2.2 基于朴素贝叶斯的医师匹配度计算模型

5.2.3 基于改进的协同过滤医师推荐算法

5.3 性能验证与结果分析

5.3.1 实验参数设置

5.3.2 模型评估指标

5.3.3 实验对比及结果分析

5.4 本章小结

6总结与展望

6.1工作总结

6.2后续工作展望

参考文献

致谢

攻读学位期间发表的学术论文目录

攻读学位期间参加的科研项目

声明