基于LDA和LSA的醫(yī)學病歷語義檢索方法研究.pdf

1、近些年來，醫(yī)學病歷數據的爆炸式增長給信息檢索技術帶來了巨大挑戰(zhàn)。在目前使用最多的傳統檢索模型中，往往忽略了文本信息中隱藏的語義結構，而醫(yī)學病歷數據中存在的同義詞、多義詞等不確定因素的存在，使得用戶很難快速并準確的檢索到相關信息。本文鑒于醫(yī)學病歷數據存在的特點及其所帶來的問題，主要對LSA(Latent Semantic Analysis)和LDA(Latent Dirichlet Allocation)兩種語義檢索模型進行研究。

2、　　LSA和LDA兩種模型有效克服了傳統檢索模型無法處理多義詞和同義詞的問題，對文本的潛在語義進行挖掘，根據詞匯、文本、偽文本三者在語義上的關聯產生檢索結果，達到優(yōu)化檢索結果的目的。本文的研究在構建的醫(yī)學領域中的語料庫基礎上主要包括以下幾個方面:
　　1.針對LSA模型中傳統的TF-IDF權重計算方法仍舊基于線性的處理并且未體現特證詞出現的位置信息對其產生的重要影響問題，提出并實現了一種基于LSA改進模型的醫(yī)學病歷語義檢索算法。L

3、SA改進模型在計算權重時加入非線性處理及位置權重因子，通過截斷的奇異值分解建立潛在語義空間，并將詞匯和文本投影在該空間中，進而提取詞匯間深層次的語義關系。同時，本文提出一種基于查準率的確定最優(yōu)K值的方法。實驗結果表明，改進的LSA模型可以有效解決同義詞的問題，提高醫(yī)學病歷的檢索性能。
　　2.針對傳統的檢索算法不能很好地處理大規(guī)模醫(yī)學病歷數據的問題，本文用LDA模型進行主題建模，利用Gibbs抽樣進行參數推理，間接計算模型參數，獲

4、取文本在主題集上的概率分布。同時，本文提出一種確定最優(yōu)主題數目T的有效方法。最后，對實驗結果數據進行對比分析，驗證了將LDA模型用于文本病歷語義檢索方面的可行性。
　　3.針對LSA改進模型采用的奇異值分解運算時間復雜度較高并且不太適合處理動態(tài)變化的文本集及LDA模型未考慮特征詞權重影響的問題，提出并實現了一種基于組合模型的醫(yī)學病歷語義檢索算法。實驗結果表明，該算法在保證召回率的前提下，可以相對提高醫(yī)學病歷檢索的準確度，驗證了提出