循證醫(yī)學(xué)網(wǎng)絡(luò)文獻(xiàn)的分類方法及其應(yīng)用研究.pdf

1、分類號(hào)UDC密級(jí)單位代碼」衛(wèi)1創(chuàng)二一一一循證醫(yī)學(xué)網(wǎng)絡(luò)文獻(xiàn)的分類方法及其應(yīng)用研究甘新玲指導(dǎo)教師魯明羽職稱教授學(xué)位授予單位大連海事大學(xué)申請(qǐng)學(xué)位級(jí)別工學(xué)碩士學(xué)科與專業(yè)計(jì)算機(jī)軟件與理論論文完成日期2008年5月論文答辯日期2008年6月答辯委員會(huì)主席了冬拆7、中文摘要摘要循證醫(yī)學(xué)(EBM)已成為國際醫(yī)學(xué)界主流醫(yī)療模式，它實(shí)施的關(guān)鍵是獲取和篩選最佳證據(jù)，形成EBM系統(tǒng)評(píng)價(jià)和實(shí)踐指南。隨著互聯(lián)網(wǎng)的迅速發(fā)展，目前有海量的醫(yī)學(xué)文獻(xiàn)以網(wǎng)頁的形式出現(xiàn)，面對(duì)

2、如此之多的信息，僅靠人工進(jìn)行分類和管理已經(jīng)力所不及。因此，急需得到有效的網(wǎng)頁分類方法以及其它智能信息處理技術(shù)的支持。本文在總結(jié)己有研究成果的基礎(chǔ)上，重點(diǎn)對(duì)網(wǎng)頁分類中的一些較為關(guān)鍵的技術(shù)進(jìn)行了研究，并提出了一些自己的觀點(diǎn)和解決方法。本文主要工作包括以下幾個(gè)方面:(l)對(duì)網(wǎng)頁預(yù)處理和網(wǎng)頁分類方法進(jìn)行了學(xué)習(xí)和研究。特別是在對(duì)英文網(wǎng)頁的預(yù)處理方面，找到了一些有效的方法，如網(wǎng)頁標(biāo)題內(nèi)容提取法、英文詞干提取技術(shù)等。(2)提出了一種基于網(wǎng)頁摘要的加權(quán)

3、NaiveBayesian分類方法。首先利用LUHN和LSA兩種網(wǎng)頁摘要方法從網(wǎng)頁中抽取關(guān)鍵信息，并根據(jù)特征評(píng)估函數(shù)進(jìn)行權(quán)重調(diào)整，然后構(gòu)造加權(quán)NaiveBayesian分類器。實(shí)驗(yàn)結(jié)果證明，基于網(wǎng)頁摘要的加權(quán)NaiveBayesian分類方法可使分類精度提高6%至9%。(3)對(duì)組合分類模型進(jìn)行了研究，提出了一種使用Boosting組合學(xué)習(xí)算法提升SVM分類器的方法，訓(xùn)練文本的內(nèi)容為抽取的網(wǎng)頁摘要信息。實(shí)驗(yàn)結(jié)果表明使用Boosting算法