1.全彩印刷，自然語言處理在醫療文本上的智能應用圖書，詳細講解醫療領域的前沿技術。2.清華大學人工智能研究院知識智能研究中心主任李涓子傾情推薦。3.作者是中國計算機學會-自然語言處理專業委員會委員，中國人工智能學會-青工委委員，參與IEEE國際標準《知識圖譜架構》和國家標準《信息技術 人工智能 知識圖譜技術框架》的制定。4.面向醫療領域文本數據，針對電子病歷中術語繁多、語法結構缺失、標注成本大、屬性和關繫復雜等問題，利用自然語言處理技術，從實體識別、關繫抽取、事件抽取、對話等幾方面進行方法等

●第一部分基礎知識
第1章自然語言處理技術2
1.1自然語言處理概述2
1.2數據標注任務3
1.2.1數據標注之中文分詞3
1.2.2數據標注之詞性標注4
1.3詞表示學習任務5
1.3.1詞表示方法的類型5
1.3.2詳解詞的分布式表示6
1.3.3詞嵌入7
1.4實體識別任務9
1.5關繫抽取任務10
1.6事件抽取任務12
1.7預訓練模型14
1.8小樣本學習16
1.9領域自適應18
1.10多模態任務20
1.11對話任務23
1.11.1生成式對話23
1.11.2任務導向型對話24
1.12本書結構26
參考文獻26
第2章從統計機器學習模型到神經網絡模型28
2.1統計機器學習方法的三要素28
2.2隱馬爾可夫模型28
2.3支持向量機30
2.4條件隨機場34
2.5前饋神經網絡37
2.6反饋神經網絡42
2.6.1循環神經網絡42
2.6.2遞歸神經網絡43
2.6.3Hopfield神經網絡44
2.6.4長短期記憶網絡45
2.7注意力模型47
2.7.1注意力47
2.7.2Encoder-Decoder框架47
2.7.3軟注意力49
2.7.4硬注意力50
2.7.5自注意力51
2.8Transformer模型53
2.9圖神經網絡模型55
參考文獻57
第3章詞表示學習59
3.1分布假設與分布式表示59
3.2詞向量模型CBOW60
3.3詞向量模型Skip-Gram61
參考文獻62
第二部分知識抽取
第4章實體識別64
4.1基於卷積神經網絡的實體識別64
4.2基於循環神經網絡的實體識別67
4.3基於Transformer的實體識別模型70
參考文獻72
第5章關繫抽取73
5.1基於注意力的關繫抽取模型73
5.2基於集成學習的關繫抽取模型76
5.3基於預訓練的關繫抽取模型78
5.4基於Transformer的關繫抽取模型81
5.5基於GCN的關繫抽取模型82
參考文獻84
第6章領域自適應86
6.1DAN模型86
6.2DANN模型87
6.3DSN模型90
參考文獻92
第7章多模態任務93
7.1多模態數據93
7.2多模態融合技術95
7.3多模態融合技術面臨的挑戰98
參考文獻99
第8章小樣本學習100
8.1數據增強100
8.2遠程監督102
學習103
參考文獻106
第9章實體與關繫聯合抽取107
9.1參數共享模式108
9.2新標注策略模式110
9.3關繫重疊問題111
參考文獻112
第三部分醫療電子病歷研究與實踐
第10章電子病歷研究背景114
10.1電子病歷概述114
10.2電子病歷文本類型115
10.3電子病歷實體分類體繫115
10.4電子病歷實體關繫分類體繫116
10.5電子病歷隱私實體分類體繫117
10.6ICD編碼118
10.7電子病歷ICD自動編碼實踐119
10.8電子病歷實體識別實踐122
參考文獻131
第11章電子病歷的事件抽取132
11.1電子病歷中的事件132
11.2電子病歷事件觸發詞識別133
11.3電子病歷事件觸發詞抽取實踐134
11.3.1文本預處理134
11.3.2引入依存句法特征的動態多池化模型136
11.3.3動態多池化卷積神經網絡138
11.3.4實驗結果分析140
11.4電子病素抽取141
11.4.1電子病素角色類別的定義141
11.4.2電子病素抽取實踐142
11.4.3句子編碼142
11.4.4混合句法特征的圖神經網絡144
參考文獻146
第12章醫療對話摘要生成147
12.1基於情景記憶網絡的編碼標記模型148
12.1.1情景記憶網絡149
12.1.2基於情景記憶網絡的分層標記模型150
12.1.3實驗151
12.2醫療對話摘要的未來155
參考文獻155
第四部分前沿技術與實踐
第13章因果推斷技術158
13.1電子病歷中的因果關繫158
13.2因果方法158
13.2.1因果推斷158
13.2.2將因果關繫發現與不同研究方向結合160
13.2.3將因果關繫發現應用於不同領域161
13.2.4典型的因果推斷技術161
13.3電子病歷中的因果推斷技術165
參考文獻166
第14章小樣本學習實體識別實踐167
14.1問題定義167
14.2方法169
14.2.1原型網絡169
14.2.2字符感知170
14.2.3句子感知171
14.2.4聯合學習策略172
14.3實驗172
14.3.1數據集172
14.3.2超參數設置173
14.3.3基線模型173
14.3.4整體實驗結果174
14.3.5收斂速度驗證174
14.3.6消融研究176
14.3.7整體實驗結果177
14.3.8錯誤指標分析179
參考文獻180
第15章小樣本實體關繫抽取實踐181
15.1問題定義182
15.2方法182
15.2.1原型網絡183
15.2.2特征級注意力184
15.2.3深度集成策略185
15.2.4微調策略185
15.3實驗186
15.3.1數據集186
15.3.2超參數設置186
15.3.3基線模型187
15.3.4整體實驗結果187
15.3.5交叉驗證189
15.3.6消融研究190
參考文獻192

本書主要介紹自然語言處理技術在醫療信息領域尤其是電子病歷文本中的應用。本書首先對一些基礎知識和技術做了介紹，然後給出相關技術在醫療信息領域的應用案例。本書還介紹了知識抽取的一些前沿技術與實踐。 本書內容分為四大部分：基礎知識、知識抽取、醫療電子病歷研究與實踐，以及前沿技術與實踐。 第一部分包括第1～3章，主要介紹自然語言處理的基礎知識、技術發展路線、相關任務以及詞表示模型等。 第二部分包括第4～9章，主要介紹知識抽取的相關任務和技術，其中包括實體識別、關繫抽取、領域自適應、多模態、小樣本和實體與關繫聯合抽取等。 第三部分包括第10～12章，主要介紹自然語言處理技術在醫療文本領域的應用，其中包括電子病歷實體關繫分類體繫、ICD（International Classification of Diseases，國際疾病分類）編碼、電子病素抽取等。 第四部分包括第13～15章，主要介紹知等

劉永彬,歐陽純萍 著