基于序列标注算法比较的医学文献风险事件抽取研究

医学文献快速增长,如何从医学文献文本大数据中挖掘出有价值的知识是一种巨大挑战。聚焦医学文献中定量风险语句的风险事件抽取,构建智能临床决策支持系统医学风险知识库。运用序列标注算法中重要的隐马尔可夫模型、最大熵马尔可夫模型和条件随机场三种模型分别对医学文献非结构化全文文本中风险事件信息进行抽取,并对算法进行比较。从三个模型平均F1测度值来看,条件随机场效果最好,其次为最大熵马尔可夫模型,然后是隐马尔可夫模型,但是每个模型都有自己对某些风险事件抽取的准确率或者召回率的优势。

应用虚拟机技术组建计算机教室

当前,计算机教室中的计算机在真实的硬件层上安装操作系统供学生和教师使用,这一常规方法存在管理维护复杂繁琐,限制部分实验内容,安全管理困难且缺乏灵活性等局限性。提出了一种基于虚拟机技术组建计算机教室的方案,通过在现有的虚拟机系统加入身份认证系统、登陆控制系统、虚拟机实时控制系统、虚拟机镜像管理系统,克服了上述局限性,一方面使计算机教室为学生提供更个性更安全的服务,同时也方便学校对计算机教室的管理和教师对课堂的管理。

基于K-means和TF-IDF的中文药名聚类分析

针对药名聚类中药物命名特殊性导致的命名准确率低的问题,提出了基于TF-IDF和K-means的药名聚类方法。药物命名具有一定的规律性且中西药名命名形式不同等特点,基于字词共现频率的方法难以取得较好的聚类效果,因此,使用TF-IDF方法计算药名相似的方法并采用K-means聚类算法进行药名的聚类。实验结果表明,TFIDF的聚类准确率高于TF的聚类方法,按字切分的聚类准确率高于分词后的聚类准确率,基于字和TF-IDF的聚类准确率最高且稳定,准确率达到96.77%。