循证医学网络文献的分类方法及其应用研究

论文摘要

循证医学(EBM)已成为国际医学界主流医疗模式,它实施的关键是获取和筛选最佳证据,形成EBM系统评价和实践指南。随着互联网的迅速发展,目前有海量的医学文献以网页的形式出现,面对如此之多的信息,仅靠人工进行分类和管理已经力所不及。因此,急需得到有效的网页分类方法以及其它智能信息处理技术的支持。本文在总结已有研究成果的基础上,重点对网页分类中的一些较为关键的技术进行了研究,并提出了一些自己的观点和解决方法。本文主要工作包括以下几个方面:(1)对网页预处理和网页分类方法进行了学习和研究。特别是在对英文网页的预处理方面,找到了一些有效的方法,如网页标题内容提取法、英文词干提取技术等。(2)提出了一种基于网页摘要的加权Naive Bayesian分类方法。首先利用LUHN和LSA两种网页摘要方法从网页中抽取关键信息,并根据特征评估函数进行权重调整,然后构造加权Naive Bayesian分类器。实验结果证明,基于网页摘要的加权Naive Bayesian分类方法可使分类精度提高6%至9%。(3)对组合分类模型进行了研究,提出了一种使用Boosting组合学习算法提升SVM分类器的方法,训练文本的内容为抽取的网页摘要信息。实验结果表明使用Boosting算法组合SVM基分类器是一种有效的网页分类方法,能够有效地提升SVM分类器的分类精度。(4)参与设计并实现了一个网页分类系统,包括网页预处理、常用的网页分类方法,并对一些分类算法做了改进。

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 选题的背景和意义
• 1.2 国内外研究现状
• 1.3 网页分类的难点及突出问题
• 1.4 论文组织
• 第2章 网页分类相关技术概述
• 2.1 网页分类的定义与过程
• 2.2 网页预处理
• 2.2.1.网页解析
• 2.2.2.网页标题内容提取
• 2.2.3.正文内容提取
• 2.2.4.停用词的删除
• 2.2.5.词干提取技术
• 2.2.6.词典
• 2.3 网页表示模型
• 2.4 特征选择算法
• 2.5 常用分类算法
• 2.5.1 质心向量分类算法
• 2.5.2 K-近邻法算法
• 2.5.3 Bayesian分类算法
• 2.5.4 支持向量机
• 2.6 网页分类质量评价指标
• 2.7 实验数据集
• 2.8 本章小结
• 第3章 基于网页摘要的加权Naive Bayesian分类方法
• 3.1 网页摘要技术
• 3.1.1 网页摘要的定义和发展
• 3.1.2 网页摘要算法
• 3.2 加权Naive Bayesian分类模型
• 3.2.1 特征权重调整方法
• 3.2.2 加权Naive Bayesian分类模型
• 3.3 基于网页摘要的加权Naive Bayesian分类方法
• 3.4 实验结果及分析
• 3.5 本章小结
• 第4章 基于Boosting组合学习方法的Boost-SVM分类方法
• 4.1 Boosting组合学习方法介绍
• 4.1.1 组合分类现状
• 4.1.2 Boosting算法的背景
• 4.1.3 Boosting用于分类的主要算法
• 4.2 支持向量机理论基础
• 4.2.1 统计学习理论
• 4.2.2 支持向量机
• 4.3 Boost-SVM分类算法
• 4.4 实验结果及分析
• 4.5 本章小结
• 第5章 系统设计与实现
• 5.1 EBM网页分类系统
• 5.1.1 系统的主要功能
• 5.1.2 系统实现
• 5.2 网页摘要系统
• 5.3 本章小结
• 第6章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 攻读学位期间公开发表论文
• 致谢
• 研究生履历