导读:本文包含了隐语义分析论文开题报告文献综述及选题提纲参考文献，主要关键词:隐语义分析,主题模型,向量化表示,中医学
隐语义分析论文文献综述
张颖[1]（2019）在《中医诊疗数据的隐语义分析技术》一文中研究指出中医学是中国传统文明中的重要组成部分,目前已经被应用于治疗多种复杂疾病,并且取得了较好的效果。在大数据背景下,中医临床中已经积累了大量的医疗数据,对这些数据的建模与分析可以用于临床辅助诊疗,带动中医学的理论与临床的发展。因此,如何结合中医理论对临床诊疗数据建模是一个研究重点。另外,这些数据中蕴含着中医实体之间的复杂的语义关系,如何利用这些数据提升模型的分析能力也是一个难题。因此,本文提出面向中医诊疗数据的隐语义分析技术。具体地,本文通过改进的主题建模方法挖掘中医医案数据中的症状与药物之间的关系,并且为给定症状推荐药物。首先,本文提出了多内容LDA模型,引入中医理论中病机的概念,分析医案文档中症状与药物之间的关系,并且提出了相应的药物推荐方法。然后基于更加丰富的多种形式的中医数据,提出了两种中医实体的向量化表示方法,用于获取包含更加丰富信息的中医实体词向量。进一步地,本文将词向量融入主题模型中,提出了多内容词向量LDA模型,具备更优的分析效果和推荐性能。本文的主要贡献点概括如下:·基于多内容LDA模型的中医诊疗提出了多内容LDA模型MC-LDA,将中医理论中的病机看作主题模型中的隐含主题,用于连接医案数据中的症状与药物单词。模型的输出结果可以用于分析症状和药物之间的对应关系。此外,提出了药物推荐算法用于临床辅助诊疗:根据给定的病人的一系列症状推荐一组药物。·中医实体的向量化表示方法提出了两种中医实体向量化表示方法,并且对结果进行可视化展示与分析。第一种方法基于上下文信息,第二种方法基于中医知识图谱。中医实体的向量化表示基于更加丰富的医学数据,提供了包含更加丰富信息的中医实体词向量,这些词向量后续可以作为多种机器学习模型的输入,提升模型的效果。·基于多内容词向量LDA模型的中医诊疗考虑到中医实体间存在的语义信息,进一步提出了多内容词向量LDA模型MC-eLDA。每篇医案文档包含一组症状词向量和一组对应的药物词向量,模型用高斯分布对这些词向量进行建模。提升了同一主题下的词的语义相关性,进而提升模型挖掘症状与药物之间的关系的效果和药物推荐效果。(本文来源于《华东师范大学》期刊2019-05-01）
张艳艳[2]（2010）在《基于概率隐语义分析的人脸识别》一文中研究指出人脸识别作为一种重要的生物识别技术，在很多领域有着广泛应用。目前国内外已经有了一些比较成熟的人脸识别技术，例如特征脸、本征脸、拉普拉斯脸等。然而人脸本身作为生物特征的复杂性和人脸图像采集中的诸多不确定因素，导致人脸识别的实际研究中存在着诸多困难。寻求紧凑、鲁棒和有意义的特征表示空间对于人脸识别系统的性能具有重要影响。本文通过引入概率隐语义分析(PLsA)模型从一个新的角度来表示人脸图像。源于文本处理领域的PLsA模型是一种刻画文档与词汇间隐含语义关系的混合生成模型，已被广泛应用于自然语言理解和计算机视觉等领域中。我们将PLsA模型用于人脸识别的研究中，并且取得了一定的成果。本文主要研究工作和创新点总结如下：1、将文本处理领域的PLsA模型引入人脸识别的研究中，提出一种新的基于PLsA模型的统计人脸表示方法。该方法将人脸图像看作由视觉切片为词汇构成的文档，利用PLsA模型自动抽取视觉切片和人脸图像之间的隐主题分布；然后将每个视觉切片在若干显着隐主题上的后验概率作为该切片的统计特征，并结合其在图像空间中的位置关系构建人脸图像的全局向量表示。该表示方法具有直观的物理含义，并可作为任意分类器的输入。2、提出spatial-PLsA模型。PLsA模型建立在Bag ofwords的假设下，忽略了文档的语法结构，丢弃了词与词之间的结构等有用的先验信息。针对该模型的不足，本文在PLsA模型的基础上，加入原始图像中视觉词汇间的空间结构信息，使变换后的特征包含了更多的先验信息。3、在spatial-PLsA模型的基础上，提出一系列扩展算法，并在多个国际标准数据集上进行了实验验证，结果证实了本文所提方法的有效性和可行性。(本文来源于《南京航空航天大学》期刊2010-01-01）
隐语义分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
人脸识别作为一种重要的生物识别技术，在很多领域有着广泛应用。目前国内外已经有了一些比较成熟的人脸识别技术，例如特征脸、本征脸、拉普拉斯脸等。然而人脸本身作为生物特征的复杂性和人脸图像采集中的诸多不确定因素，导致人脸识别的实际研究中存在着诸多困难。寻求紧凑、鲁棒和有意义的特征表示空间对于人脸识别系统的性能具有重要影响。本文通过引入概率隐语义分析(PLsA)模型从一个新的角度来表示人脸图像。源于文本处理领域的PLsA模型是一种刻画文档与词汇间隐含语义关系的混合生成模型，已被广泛应用于自然语言理解和计算机视觉等领域中。我们将PLsA模型用于人脸识别的研究中，并且取得了一定的成果。本文主要研究工作和创新点总结如下：1、将文本处理领域的PLsA模型引入人脸识别的研究中，提出一种新的基于PLsA模型的统计人脸表示方法。该方法将人脸图像看作由视觉切片为词汇构成的文档，利用PLsA模型自动抽取视觉切片和人脸图像之间的隐主题分布；然后将每个视觉切片在若干显着隐主题上的后验概率作为该切片的统计特征，并结合其在图像空间中的位置关系构建人脸图像的全局向量表示。该表示方法具有直观的物理含义，并可作为任意分类器的输入。2、提出spatial-PLsA模型。PLsA模型建立在Bag ofwords的假设下，忽略了文档的语法结构，丢弃了词与词之间的结构等有用的先验信息。针对该模型的不足，本文在PLsA模型的基础上，加入原始图像中视觉词汇间的空间结构信息，使变换后的特征包含了更多的先验信息。3、在spatial-PLsA模型的基础上，提出一系列扩展算法，并在多个国际标准数据集上进行了实验验证，结果证实了本文所提方法的有效性和可行性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
隐语义分析论文参考文献
[1].张颖.中医诊疗数据的隐语义分析技术[D].华东师范大学.2019
[2].张艳艳.基于概率隐语义分析的人脸识别[D].南京航空航天大学.2010