项目名称: 面向健康管理数据的关联型知识深度挖掘方法研究

项目编号: No.61502014

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 自动化技术、计算机技术

项目作者: 许焱

作者单位: 北京大学

项目金额: 7万元

中文摘要: 从海量的健康管理数据中进行关联性知识挖掘是将信息转化为结构化知识的关键步骤,也为进一步的自动化知识推理和个性化健康诊疗提供了重要依据。传统的数据挖掘方法在处理海量数据时,健壮性和精确性都会受到很大影响,而深度学习方法能够克服这个难题,并已经在图像识别和语音识别领域被广泛应用。但在自然语言处理领域,文本数据的结构复杂性和语义多样性使得深度神经网络的设计依然是个巨大的挑战。 针对这些问题,在已有工作的基础上,本课题将以健康管理的海量数据为目标对象,研究用深度学习的方法从其中挖掘出关联性知识,具体包括:健康管理相关的关系类别定义;句子的解析树模型与图模型的转化;图模型的语义剪枝策略;深度神经网络的设计;基于深度神经网络的核技巧关系抽取;健康管理关联型知识封装。其中,重点解决的问题是基于剪枝生成子图的深度神经网络设计以及基于深度神经网路的核函数设计。

中文关键词: 关系抽取;健康管理;深度学习;循环神经网络;卷积神经网络

英文摘要: Mining association knowledge from big health care data is a key step for structuring information into knowledge, and provides import evidence for further automatic knowledge reasoning and personalized health clinics. Traditional data mining methods may reduce robustness and accuracy drastically when processing big data, while deep learning can overcome this obstacle and already be widely used in image recognition and speech recognition. However, in natural language processing domain, the structural complexity and semantic diversity of textual data makes it remains a tremendous challenge. In addressing these problems, this research object, based on existent works, explores deep learning method for mining association knowledge from the targeted health care big data. Main contents include: definition of relation categories related to health care; transformation between sentence parsing tree models and graph models; semantic pruning strategies of graph models; design of deep neural networks; deep neural network based kernel trick for relation extraction; encapsulation of health care association knowledge. Key issues are the design of deep neural networks based on pruned subgraphs and the design of kernel function based on deep neural work.

英文关键词: relation extraction;health management;deep learning;recurrent neural network;convolutional neural network

成为VIP会员查看完整内容
7

相关内容

关系抽取指的是检测和识别文本中实体之间的语义关系,并将表示同一语义关系的提及(mention)链接起来的任务。关系提取任务需要在一组工件(通常来自文本或XML文档)中对语义关系提及进行检测和分类。该任务与信息抽取(IE)的任务非常相似,但是IE还需要删除重复关系(消除歧义),并且通常指的是提取许多不同的关系。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
面向知识图谱的图嵌入学习研究进展
专知会员服务
60+阅读 · 2021年11月3日
面向知识图谱的知识推理综述
专知会员服务
147+阅读 · 2021年11月1日
【2021新书】面向健康的机器学习与人工智能,428页pdf
专知会员服务
133+阅读 · 2021年5月21日
知识图谱在智能制造领域的研究现状及其应用前景综述
专知会员服务
156+阅读 · 2021年2月25日
专知会员服务
26+阅读 · 2021年1月29日
面向健康的大数据与人工智能,103页ppt
专知会员服务
106+阅读 · 2020年12月29日
专知会员服务
55+阅读 · 2020年12月20日
【博士论文】搜索引擎中的实体推荐关键技术研究
专知会员服务
44+阅读 · 2020年12月9日
专知会员服务
193+阅读 · 2020年10月14日
专知会员服务
31+阅读 · 2020年9月2日
基于规则的建模方法的可解释性及其发展
专知
4+阅读 · 2021年6月23日
基于深度学习的行人检测方法综述
专知
1+阅读 · 2021年4月14日
电子病历文本挖掘研究综述
专知
3+阅读 · 2021年3月27日
ACL 2019 | 面向远程监督关系抽取的模式诊断技术
【知识图谱】医学知识图谱构建技术与研究进展
产业智能官
44+阅读 · 2017年11月16日
医学知识图谱构建技术与研究进展
全球人工智能
19+阅读 · 2017年11月13日
【大数据】数据挖掘与数据分析知识流程梳理
产业智能官
12+阅读 · 2017年9月22日
【知识图谱】大规模知识图谱的构建、推理及应用
产业智能官
36+阅读 · 2017年9月12日
大规模知识图谱的构建、推理及应用
人工智能头条
15+阅读 · 2017年8月29日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
9+阅读 · 2013年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
9+阅读 · 2011年12月31日
Learning Embedding Adaptation for Few-Shot Learning
Arxiv
16+阅读 · 2018年12月10日
Arxiv
15+阅读 · 2018年2月4日
小贴士
相关VIP内容
面向知识图谱的图嵌入学习研究进展
专知会员服务
60+阅读 · 2021年11月3日
面向知识图谱的知识推理综述
专知会员服务
147+阅读 · 2021年11月1日
【2021新书】面向健康的机器学习与人工智能,428页pdf
专知会员服务
133+阅读 · 2021年5月21日
知识图谱在智能制造领域的研究现状及其应用前景综述
专知会员服务
156+阅读 · 2021年2月25日
专知会员服务
26+阅读 · 2021年1月29日
面向健康的大数据与人工智能,103页ppt
专知会员服务
106+阅读 · 2020年12月29日
专知会员服务
55+阅读 · 2020年12月20日
【博士论文】搜索引擎中的实体推荐关键技术研究
专知会员服务
44+阅读 · 2020年12月9日
专知会员服务
193+阅读 · 2020年10月14日
专知会员服务
31+阅读 · 2020年9月2日
相关资讯
基于规则的建模方法的可解释性及其发展
专知
4+阅读 · 2021年6月23日
基于深度学习的行人检测方法综述
专知
1+阅读 · 2021年4月14日
电子病历文本挖掘研究综述
专知
3+阅读 · 2021年3月27日
ACL 2019 | 面向远程监督关系抽取的模式诊断技术
【知识图谱】医学知识图谱构建技术与研究进展
产业智能官
44+阅读 · 2017年11月16日
医学知识图谱构建技术与研究进展
全球人工智能
19+阅读 · 2017年11月13日
【大数据】数据挖掘与数据分析知识流程梳理
产业智能官
12+阅读 · 2017年9月22日
【知识图谱】大规模知识图谱的构建、推理及应用
产业智能官
36+阅读 · 2017年9月12日
大规模知识图谱的构建、推理及应用
人工智能头条
15+阅读 · 2017年8月29日
相关基金
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
9+阅读 · 2013年12月31日
国家自然科学基金
4+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2012年12月31日
国家自然科学基金
9+阅读 · 2011年12月31日
微信扫码咨询专知VIP会员