CN111581982A - 一种基于本体的医疗纠纷案件舆情预警等级的预测方法 - Google Patents

一种基于本体的医疗纠纷案件舆情预警等级的预测方法 Download PDF

Info

Publication number
CN111581982A
CN111581982A CN202010374635.3A CN202010374635A CN111581982A CN 111581982 A CN111581982 A CN 111581982A CN 202010374635 A CN202010374635 A CN 202010374635A CN 111581982 A CN111581982 A CN 111581982A
Authority
CN
China
Prior art keywords
early warning
medical
public opinion
case
warning grade
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010374635.3A
Other languages
English (en)
Other versions
CN111581982B (zh
Inventor
刘杰
张凯
周建设
史金生
骆力明
冀俊宇
陈瑶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Capital Normal University
Original Assignee
Capital Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Capital Normal University filed Critical Capital Normal University
Priority to CN202010374635.3A priority Critical patent/CN111581982B/zh
Publication of CN111581982A publication Critical patent/CN111581982A/zh
Application granted granted Critical
Publication of CN111581982B publication Critical patent/CN111581982B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明公开了一种基于本体的医疗纠纷案件舆情预警等级的预测方法，先进行医疗纠纷案件的本体构建，然后进行舆情预警等级预测，舆情预警等级预测包括以下步骤：先使用词语编码的算法对舆情预警等级的预测模型进行训练；然后使用句子编码的算法对舆情预警等级的预测模型进行训练；最后将本体结构中的案件要素分配权重与词语编码、句子编码结合在一起，对舆情预警等级的预测。本发明的优点：能够给法院处理舆情争取更多的时间，提高工作人员效率，消除网络舆情危机的负面影响，提高司法公信力；应用本体知识构建医疗纠纷案件本体，使用本体推理方法将案件要素语义化；应用机器学习算法与本体结构相结合，形成医疗纠纷案件舆情预警等级的预测模型。

Description

一种基于本体的医疗纠纷案件舆情预警等级的预测方法
技术领域
本发明涉及一种基于本体的医疗纠纷案件舆情预警等级的预测方法，属于舆情预警等级预测技术领域。
背景技术
医疗纠纷是目前的一个焦点和热点问题，由于医疗纠纷发生率呈不断上升趋势且医患关系更为紧张，医患矛盾更加尖锐，医患关系已不单是一个医学问题，更是一个社会问题。医患关系紧张的现状引起社会关注，舆论能够导致社会舆情呈现病毒式爆发的趋势。所以对于容易引起社会不安的案件舆情，法院需要及时做出正确的引导。
人工智能广泛应用在各大领域，都取得了突破性的进展，国家目前高度重视人工智能产业的发展，与此同时，人工智能也已经走进法律领域，可以更好的建设“智慧法院”。目前大部分法院没有形成科学合理的舆情监测机制，技术手段落后、响应速度慢、针对性和时效性差，对网络舆情发展走向掌握程度不深，无法及时发现和规范化处理违法有害舆情信息。
发明内容
本发明要解决的技术问题，在于提供一种基于本体的医疗纠纷案件舆情预警等级的预测方法，对医疗纠纷案件的舆情预警等级预测具有重要的意义，同时能够给法院处理舆情争取更多的时间，提高工作人员效率，消除网络舆情危机的负面影响，提高司法公信力。
本发明通过下述方案实现：一种基于本体的医疗纠纷案件舆情预警等级的预测方法，先进行医疗纠纷案件的本体构建，然后进行舆情预警等级预测，所述舆情预警等级预测包括以下步骤：
步骤一、使用词语编码的算法对舆情预警等级的预测模型进行训练；
步骤二、使用句子编码的算法对舆情预警等级的预测模型进行训练；
步骤三、将本体结构中的案件要素分配权重与词语编码、句子编码结合在一起，对舆情预警等级的预测。
所述医疗纠纷案件的本体构建包括以下过程：
过程一、确定案件要素，确定舆情预警等级、医方过错、造成患者后果、过错占比和医疗事故等级共5个案件要素；
过程二、分析案件要素间的语义关系，通过对案件要素以及案件舆情预警等级的分析，得出医方过错、造成患者后果、过错占比和医疗事故等级都会影响舆情预警等级，舆情预警等级根据严重程度分为特重、重度、中度、轻度四个等级。
过程三、定义推理规则，根据医疗事故的定义以及《侵权责任法》和《医疗事故处理条例》，通过医方过错、造成患者后果来推理医疗事故等级。
过程四、根据过程一、过程二和过程三使用protégé4.2构建医疗纠纷案件本体。
所述步骤一中采用基于Word2vec与支持向量机相结合的医疗纠纷案件舆情等级的预测方法。
所述基于Word2vec与支持向量机相结合的医疗纠纷案件舆情等级的预测方法如下：先对文本先进行分词，形成日常中容易出现的词后，以词为单位，将百科小说使用Word2vec模型进行训练，将词语匹配到的模型训练得到的词向量作为该词语的词向量进行文本表示。
根据权利要求4所述的一种基于本体的医疗纠纷案件舆情预警等级的预测方法，其特征在于：Word2vec的训练模型有两种，即Skip-Gram和CBOW。Skip-Gram是通过目标词来预测与其相关的上下文，即随机从语料库里面抽取多个词，然后通过概率计算为目标词找到与其语义相接近的词语，百科的训练模型选取Skip-Gram进行训练。
在百科的训练模型中匹配到词语的词向量是128维的，之后对每个案件文本的词语数量进行统计，取中间值300作为定长，形成[300,128]的向量矩阵，将向量矩阵作为特征输入，使用支持向量机来做分类。
所述步骤二中采用基于TextRank算法与支持向量机相结合的医疗纠纷案件舆情预警等级的预测方法。
所述TextRank算法的公式如下：
Figure BDA0002479536160000031
所述步骤二中在计算每个句子给它链接句的贡献的时候，是计算权重占总权重的比例来分配。
所述权重是指两个句子的相似程度，根据余弦相似度算法，创建相似矩阵并计算句子间相似度。
在对一篇文章进行摘要的时候，默认每个句子和其他所有的句子都是有链接关系的，然后计算权重，将每个句子链接的权重加在一起作为此句子在文本中的权重。
之后分别统计每个案件文本中句子的数量，以及句子中词语的数量，取中间值，最终句子数取12，词语数取50，形成三维向量矩阵[12,50,128]，作为特征输入到支持向量机中做分类。
所述步骤三采用的方法是将本体结构中出现案件要素的句子分配权重，然后在文本数据中以句子为单位进行查找匹配，将赋有权重后的句子向量作为特征输入，使用支持向量机进行分类。
本发明的有益效果为：
1、本发明对医疗纠纷案件的舆情预警等级预测具有重要的意义，同时能够给法院处理舆情争取更多的时间，提高工作人员效率，消除网络舆情危机的负面影响，提高司法公信力；
2、本发明应用本体知识构建医疗纠纷案件本体，使用本体推理方法将案件要素语义化；应用机器学习算法与本体结构相结合，形成医疗纠纷案件舆情预警等级的预测模型；
3、本发明在基于本体结构与词语编码、句子编码相结合的医疗纠纷案件舆情等级的预测中采用将本体结构与机器学习算法相结合的方法，在使用本体推理完善案件要素内容和将案件要素语义化的基础上，将具有案件要素的句子进行加权，并作为特征输入分类器，很好的将本体知识库应用，使用人工智能的技术实现舆情预警等级的预测功能。
附图说明
图1为医疗纠纷案件本体的构建模型图。
具体实施方式
下面结合图1对本发明进一步说明，但本发明保护范围不局限所述内容。
为了清楚，不描述实际实施例的全部特征，在下列描述中，不详细描述公知的功能和结构，因为它们会使本发明由于不必要的细节而混乱，应当认为在任何实际实施例的开发中，必须做出大量实施细节以实现开发者的特定目标，例如按照有关系统或有关商业的限制，由一个实施例改变为另一个实施例，另外，应当认为这种开发工作可能是复杂和耗费时间的，但是对于本领域技术人员来说仅仅是常规工作。
一种基于本体的医疗纠纷案件舆情预警等级的预测方法，先进行医疗纠纷案件的本体构建，然后进行舆情预警等级预测，
医疗纠纷案件的本体构建包括以下过程：
过程一、确定案件要素，确定舆情预警等级、医方过错、造成患者后果、过错占比和医疗事故等级共5个案件要素；
过程二、分析案件要素间的语义关系，通过对案件要素以及案件舆情预警等级的分析，得出医方过错、造成患者后果、过错占比和医疗事故等级都会影响舆情预警等级，舆情预警等级根据严重程度分为特重、重度、中度、轻度四个等级。
过程三、定义推理规则，根据医疗事故的定义以及《侵权责任法》和《医疗事故处理条例》，通过医方过错、造成患者后果来推理医疗事故等级；
过程四、根据过程一、过程二和过程三使用protégé4.2构建医疗纠纷案件本体。
舆情预警等级预测包括以下步骤：
步骤一、使用词语编码的算法对舆情预警等级的预测模型进行训练；词语编码的算法的采用基于Word2vec与支持向量机相结合的医疗纠纷案件舆情预警等级的预测方法，方法如下：先对文本先进行分词，形成日常中容易出现的词后，以词为单位，将百科小说使用Word2vec模型进行训练，将词语匹配到的模型训练得到的词向量作为该词语的词向量进行文本表示。
Word2vec的训练模型有两种，即Skip-Gram和CBOW。Skip-Gram是通过目标词来预测与其相关的上下文，即随机从语料库里面抽取多个词，然后通过概率计算为目标词找到与其语义相接近的词语，百科的训练模型选取Skip-Gram进行训练。
在百科的训练模型中匹配到词语的词向量是128维的，之后对每个案件文本的词语数量进行统计，取中间值300作为定长，形成[300,128]的向量矩阵，将向量矩阵作为特征输入，使用支持向量机来做分类。
步骤二、使用句子编码的算法对舆情预警等级的预测模型进行训练；句子编码的算法采用基于TextRank算法与支持向量机相结合的医疗纠纷案件舆情预警等级的预测方法。
所述TextRank算法的公式如下：
Figure BDA0002479536160000051
在计算每个句子给它链接句的贡献的时候，并不是按照平均统一的方式来进行分配的，而是计算权重占总权重的比例来分配，这里说的权重就是指两个句子的相似程度，根据余弦相似度算法，创建相似矩阵并计算句子间相似度，在对一篇文章进行摘要的时候，默认每个句子和其他所有的句子都是有链接关系的，然后去计算权重，将每个句子链接的权重加在一起作为此句子在文本中的权重，通过统计文本数据的句子数量和句子中词语数量，最后决定句子数取12，词语数取50，形成三维向量矩阵[12,50,128]，作为特征输入到支持向量机中做分类。
步骤三、将本体结构中的案件要素分配权重与词语编码、句子编码结合在一起，对舆情预警等级的预测，具体方法是将本体结构中出现案件要素的句子分配权重，然后在文本数据中以句子为单位进行查找匹配，将赋有权重后的句子向量作为特征输入，使用支持向量机进行分类。
本体结构案件要素权重分配如下：
Figure BDA0002479536160000061
尽管已经对本发明的技术方案做了较为详细的阐述和列举，应当理解，对于本领域技术人员来说，对上述实施例做出修改或者采用等同的替代方案，这对本领域的技术人员而言是显而易见，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (11)

1.一种基于本体的医疗纠纷案件舆情等级的预测方法，其特征在于：先进行医疗纠纷案件的本体构建，然后进行舆情预警等级预测，所述舆情预警等级预测包括以下步骤：
步骤一、使用词语编码的算法对舆情预警等级的预测模型进行训练；
步骤二、使用句子编码的算法对舆情预警等级的预测模型进行训练；
步骤三、将本体结构中的案件要素分配权重与词语编码、句子编码结合在一起，对舆情预警等级的预测。
2.根据权利要求1所述的一种基于本体的医疗纠纷案件舆情预警等级的预测方法，其特征在于：所述医疗纠纷案件的本体构建包括以下过程：
过程一、确定案件要素，确定舆情预警等级、医方过错、造成患者后果、过错占比和医疗事故等级共5个案件要素；
过程二、分析案件要素间的语义关系，通过对案件要素以及案件舆情等级的分析，得出医方过错、造成患者后果、过错占比和医疗事故等级都会影响舆情预警等级，舆情预警等级根据严重程度分为特重、重度、中度、轻度四个等级。
过程三、定义推理规则，根据医疗事故的定义以及《侵权责任法》和《医疗事故处理条例》，通过医方过错、造成患者后果来推理医疗事故等级；
过程四、根据过程一、过程二和过程三使用protégé4.2构建医疗纠纷案件本体。
3.根据权利要求1所述的一种基于本体的医疗纠纷案件舆情预警等级的预测方法，其特征在于：所述步骤一中采用基于Word2vec与支持向量机相结合的医疗纠纷案件舆情预警等级的预测方法。
4.根据权利要求3所述的一种基于本体的医疗纠纷案件舆情等级的预测方法，其特征在于：所述基于Word2vec与支持向量机相结合的医疗纠纷案件舆情预警等级的预测方法如下：先对文本进行分词，分词之后，以词为单位，将百科小说使用Word2vec模型进行训练，将词语匹配到的模型训练得到的词向量作为该词语的词向量进行文本表示。
5.根据权利要求4所述的一种基于本体的医疗纠纷案件舆情等级的预测方法，其特征在于：所述Word2vec的训练模型有两种，即Skip-Gram和CBOW。Skip-Gram是通过目标词来预测与其相关的上下文，即随机从语料库里面抽取多个词，然后通过概率计算为目标词找到与其语义相接近的词语，百科的训练模型选取Skip-Gram进行训练；
在百科的训练模型中匹配到词语的词向量是128维的，之后对每个案件文本的词语数量进行统计，取中间值300作为定长，形成[300,128]的向量矩阵，将向量矩阵作为特征输入，使用支持向量机来做分类。
6.根据权利要求1所述的一种基于本体的医疗纠纷案件舆情预警等级的预测方法，其特征在于：所述步骤二中采用基于TextRank算法与支持向量机相结合的医疗纠纷案件舆情等级的预测方法。
7.根据权利要求6所述的一种基于本体的医疗纠纷案件舆情预警等级的预测方法，其特征在于：所述TextRank算法的公式如下：
Figure RE-FDA0002549711400000021
8.根据权利要求7所述的一种基于本体的医疗纠纷案件舆情预警等级的预测方法，其特征在于：所述步骤二中在计算每个句子给它链接句的贡献的时候，是计算权重占总权重的比例来分配。
9.根据权利要求8所述的一种基于本体的医疗纠纷案件舆情预警等级的预测方法，其特征在于：所述权重是指两个句子的相似程度，根据余弦相似度算法，创建相似矩阵并计算句子间相似度。
10.根据权利要求9所述的一种基于本体的医疗纠纷案件舆情预警等级的预测方法，其特征在于：在对一篇文章进行摘要的时候，默认每个句子和其他所有的句子都是有链接关系的，然后计算权重，将每个句子链接的权重加在一起作为此句子在文本中的权重。之后分别统计每个案件文本中句子的数量，以及句子中词语的数量，取中间值，最终句子数取12，词语数取50，形成三维向量矩阵[12,50,128]，作为特征输入到支持向量机中做分类。
11.根据权利要求1所述的一种基于本体的医疗纠纷案件舆情预警等级的预测方法，其特征在于：所述步骤三采用的方法是将本体结构中出现案件要素的句子分配权重，然后在文本数据中以句子为单位进行查找匹配，将赋有权重后的句子向量作为特征输入，使用支持向量机进行分类。
CN202010374635.3A 2020-05-06 2020-05-06 一种基于本体的医疗纠纷案件舆情预警等级的预测方法 Active CN111581982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010374635.3A CN111581982B (zh) 2020-05-06 2020-05-06 一种基于本体的医疗纠纷案件舆情预警等级的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010374635.3A CN111581982B (zh) 2020-05-06 2020-05-06 一种基于本体的医疗纠纷案件舆情预警等级的预测方法

Publications (2)

Publication Number Publication Date
CN111581982A true CN111581982A (zh) 2020-08-25
CN111581982B CN111581982B (zh) 2023-02-17

Family

ID=72114524

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010374635.3A Active CN111581982B (zh) 2020-05-06 2020-05-06 一种基于本体的医疗纠纷案件舆情预警等级的预测方法

Country Status (1)

Country Link
CN (1) CN111581982B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108628974A (zh) * 2018-04-25 2018-10-09 平安科技（深圳）有限公司 舆情信息分类方法、装置、计算机设备和存储介质
CN109408804A (zh) * 2018-09-03 2019-03-01 平安科技（深圳）有限公司 舆情分析方法、系统、设备和存储介质
CN110263154A (zh) * 2019-05-17 2019-09-20 广州艾媒数聚信息咨询股份有限公司 一种网络舆情情感态势量化方法、系统及存储介质
WO2019212005A1 (ja) * 2018-05-02 2019-11-07 株式会社Ｆｒｏｎｔｅｏヘルスケア 危険行動予測装置、予測モデル生成装置および危険行動予測用プログラム
CN110489541A (zh) * 2019-07-26 2019-11-22 昆明理工大学 基于案件要素及BiGRU的涉案舆情新闻文本摘要方法
CN110866126A (zh) * 2019-11-22 2020-03-06 福建工程学院 一种高校网络舆情风险评估方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108628974A (zh) * 2018-04-25 2018-10-09 平安科技（深圳）有限公司 舆情信息分类方法、装置、计算机设备和存储介质
WO2019212005A1 (ja) * 2018-05-02 2019-11-07 株式会社Ｆｒｏｎｔｅｏヘルスケア 危険行動予測装置、予測モデル生成装置および危険行動予測用プログラム
CN109408804A (zh) * 2018-09-03 2019-03-01 平安科技（深圳）有限公司 舆情分析方法、系统、设备和存储介质
CN110263154A (zh) * 2019-05-17 2019-09-20 广州艾媒数聚信息咨询股份有限公司 一种网络舆情情感态势量化方法、系统及存储介质
CN110489541A (zh) * 2019-07-26 2019-11-22 昆明理工大学 基于案件要素及BiGRU的涉案舆情新闻文本摘要方法
CN110866126A (zh) * 2019-11-22 2020-03-06 福建工程学院 一种高校网络舆情风险评估方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
QINJUN QIU 等: "《Geoscience Keyphrase Extraction Algorithm Using Enhanced Word》", 《EXPERT SYSTEMS WITH APPLICATIONS》 *
刘奇飞等: "基于Word2Vec和TextRank的时政类新闻关键词抽取方法研究", 《情报探索》 *
刘竹辰 等: "《词位置分布加权TextRank的关键词提取》", 《数据分析与知识发现》 *
朱晨飞等: "基于BP_Adaboost算法的网络舆情危机预警", 《中国公共安全(学术版)》 *
王浩: "基于多维度的公安舆情分析模型构建", 《情报探索》 *

Also Published As

Publication number Publication date
CN111581982B (zh) 2023-02-17

Similar Documents

Publication Publication Date Title
Gräßer et al. Aspect-based sentiment analysis of drug reviews applying cross-domain and cross-data learning
Samadi et al. Deep contextualized text representation and learning for fake news detection
Hassan et al. Deep context of citations using machine-learning models in scholarly full-text articles
Xiao et al. Real-time identification of urban rainstorm waterlogging disasters based on Weibo big data
Al-Garadi et al. Natural language model for automatic identification of intimate partner violence reports from twitter
Wang et al. Cyberbullying detection, based on the fasttext and word similarity schemes
Wang et al. Charcnn-svm for chinese text datasets sentiment classification with data augmentation
Curto et al. Are AI systems biased against the poor? A machine learning analysis using Word2Vec and GloVe embeddings
Al-Omari et al. JUSTDeep at NLP4IF 2019 task 1: Propaganda detection using ensemble deep learning models
Li et al. An efficient approach for measuring semantic similarity combining WordNet and Wikipedia
Nisha et al. A comparative analysis of machine learning approaches in personality prediction using MBTI
Chi et al. A supernetwork-based online post informative quality evaluation model
Cai et al. PURA: a product-and-user oriented approach for requirement analysis from online reviews
Wang et al. Assistant diagnosis with Chinese electronic medical records based on CNN and BiLSTM with phrase-level and word-level attentions
Hao et al. How do Mainland Chinese tourists perceive Hong Kong in turbulence? A deep learning approach to sentiment analytics
Tang et al. Long text feature extraction network with data augmentation
CN113838583A (zh) 一种基于机器学习的智能药品疗效评价方法及其应用
CN110888983B (zh) 一种正负面情感分析方法、终端设备及存储介质
Jin et al. Textual content prediction via fuzzy attention neural network model without predefined knowledge
Dadgar et al. Checkovid: A COVID-19 misinformation detection system on Twitter using network and content mining perspectives
CN111581982B (zh) 一种基于本体的医疗纠纷案件舆情预警等级的预测方法
CN115269833A (zh) 基于深度语义和多任务学习的事件信息抽取方法及系统
CN112434126B (zh) 一种信息处理方法、装置、设备和存储介质
Duma et al. DHMFRD–TER: a deep hybrid model for fake review detection incorporating review texts, emotions, and ratings
Yandrapati et al. Classifying informative tweets using feature enhanced pre-trained language model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant