企业官网建设流程全解析

淘宝客户自己做网站怎么做,全屏网站代码,网站改版方案流程,wap网站开发方案摘要 在人工智能技术快速发展的背景下#xff0c;中国作为世界上人口最多的国家#xff0c;医疗产业的发展潜力巨大。近年来#xff0c;中国大力支持医疗智能化和现代化建设#xff0c;推动医疗和人工智能服务的进一步融合和实践#xff0c;新冠肺炎的出现加深了人们对医学…摘要在人工智能技术快速发展的背景下中国作为世界上人口最多的国家医疗产业的发展潜力巨大。近年来中国大力支持医疗智能化和现代化建设推动医疗和人工智能服务的进一步融合和实践新冠肺炎的出现加深了人们对医学知识的渴望。由于互联网的快速发展越来越多的人开始在互联网上搜索与疾病预防和治疗相关的医学知识。然而人们很难从搜索引擎获得的信息中过滤出问题的答案甚至可能导致错误的答案。在此背景下本文将问题响应系统与医学知识相结合开发了一个基于BERT模型的医疗问答系统帮助人们解决难以获取医学知识的问题。关键词人工智能自然语言处理问答系统BERTAbstractAgainst the backdrop of rapid development of artificial intelligence technology, China, as the world’s most populous country, has enormous potential for the development of its healthcare industry. In recent years, China has strongly supported the construction of medical intelligence and modernization, and promoted the further integration and practice of medical and artificial intelligence services. The emergence of COVID-19 has deepened people’s desire for medical knowledge. With the rapid development of the Internet, more and more people begin to search for medical knowledge related to disease prevention and treatment on the Internet. However, it is difficult for people to filter out the answers to questions from the information obtained by search engines, and may even lead to incorrect answers. In this context, this article combines problem response systems with medical knowledge to develop a medical question answering system based on the BERT model, which helps people solve problems that are difficult to access medical knowledge…KeyWords: Artificial IntelligenceNatural Language ProcessingQA-SystemBERT目录题目基于Bert的医疗问答系统的设计与实现 I摘要 2Abstract 3第 1章 绪论 61.1 研究背景及意义 61.1.1 研究背景 61.1.2 研究意义 61.2 国内外研究现状 61.3 研究目标与方法 71.3.1 研究目标 71.3.2研究方法 7第 2 章 相关理论与技术 92.1 基础理论与技术 92.1.1 Neo4j数据库 92.1.2Bootstrap4框架 92.1.3 Echarts简介 92.1.4 Navicat Premium 15简介 102.1.5 Layui简介 102.1.6 Python语言介绍 112.1.7 MySQL数据库 112.2 BERT 模型 112.2.1 Transformer 112.2.2 BERT 122.2.3 语言模型 132.3 核心算法 132.3.1贪心算法 132.3.2Aho-Corasick算法 132.3.3 BERT 142.3.4 长短时记忆网络 142.3.5 条件随机场 14第 3 章 医疗问答系统分析 163.1系统可行性分析 163.2 系统的功能性需求分析 163.3 系统非功能性需求分析 173.4系统数据流图分析 183.4.1 顶层数据流图 183.4.2中层数据流图 193.4.3底层数据流图 21第 4章 医疗问答系统概要设计 234.1 系统架构设计 234.2 系统数据库设计 234.2.1 逻辑结构设计 234.2.2 物理结构设计 24第5章 医疗问答系统的详细设计与实现 275.1 系统登录界面 275.2 系统首页 275.3 深度学习问答界面 275.4 知识问句管理 275.5 问句分析可视化界面 275.6 用户修改密码界面 285.7 系统用户管理界面 285.8 知识图谱可视化界面 28第6章 医疗问答系统测试 296.1测试目的 296.2测试内容 296.2. 1测试计划 296.2. 2测试用例执行情况 306.2. 3测试问题处理 306.3 测试总结 31第5章 结论 32参考文献 33第 1章 绪论1.1 研究背景及意义1.1.1 研究背景目前我国人工会诊制度仍存在许多问题主要体现在三个方面一是城乡医疗资源不平衡欠发达地区的医疗基础设施和专业医务人员与发达地区相比存在一定差距其次中国是一个人口众多的国家目前的医疗资源不足以满足每个人的医疗需求第三互联网上的医疗问答混乱信息来源不明。对于一些不需要太多努力去医院咨询的轻微疾病如感冒和头晕在线问答往往夸大其词给患者带来不必要的恐慌。此外由于汉语本身的语言特点。1.1.2 研究意义作为患者和医生之间的桥梁医疗问答系统可以提供有效和准确的医疗服务。传统的医疗问答系统往往依赖于手工构建的知识库这使得处理复杂且不断变化的医疗信息变得困难。因此将深度学习技术与知识图谱相结合构建智能医疗答疑系统已成为提高医疗服务质量和效率的重要手段。BERT变压器双向编码器表示、LSTM长短期记忆和CRF条件随机场作为深度学习的关键技术在自然语言处理方面取得了重大成就。BERT可以捕获双向上下文文本信息LSTM适用于顺序数据处理CRF可以注释顺序数据并考虑标签之间的关系。这些技术与知识图表相结合可以构建高效准确的医疗问答系统为医生和患者提供方便的互动平台。1.2 国内外研究现状自从问答系统的概念被提出以来理解问题一直是一个重点和难点研究。目前科学家们对汉语问题解析和问题理解进行了广泛的研究。基于同义词的替换提出了一种基于知网的单词意义相似度计算句子理解的方法。通过整合单词的编辑距离和单词向量的余弦值完成了单词相似度的综合测量。最后通过连接单元的技术在问题的自动回答中获得对问题的理解。基于语法分析的QualityPhrase问题理解方法。首先通过解析树来表示句子结构以获得具有独立语义特征的单词序列作为候选短语。然后根据提出的三种Phrase2Vec方法对候选短语进行矢量化并计算其语义相似度。基于对上述问题理解的研究现状本文将使用实体链接技术来实现对用户问题的理解。连接单元的技术是通过识别问题中的单元引用然后根据单元上下文与知识图中单元之间的语义关系将问题链接到知识图的目标节点来实现的同时消除了图表中其他同名节点造成的歧义。现有的实体合并方法可分为两类综合协作学习方法和基于独立流水线的学习方法。对于微博内容提出了一种基于单词的矢量单元组合方法。在构建同义词列表以扩展知识库时使用单词嵌入技术来解决拼写和音译问题并计算参考单位和候选单位之间的语义相似度以完全分散单位。一种深度神经网络单元互连模型可以联合优化NER和单元断开该模型考虑了语义和背景信息以比较单元之间的相似性包括维基百科描述页面、单元提及、候选者之间的上下文和单元输入。一个用于合并单元的整体系统可以共同补充单元识别和单元识别。其主要思想是将所有可能的范围作为潜在的参考并了解其候选实体的上下文相似点。关键组件具有上下文感知功能内存嵌入、单元嵌入和内存嵌入不需要其他工程功能。一种神经网络模型整合了随机的行走层并通过引入外部知识增加了许多决策实体的语义依赖性。使用CNN作为合并语义单元的深度模型通过构建一组字典来匹配同名候选单元使用CNN捕获深度语义信息通过迭代训练学习最优参数并返回合并单元后最相似的单元。有两种答案方法基于规则的查询和深度学习的综合方法。在深度学习技术广泛使用之前答案查询主要基于规则使用单词列表、语义解析等手段构建查询语句然后通过下载知识图获得答案。然1.3 研究目标与方法1.3.1 研究目标本文的目的是基于BERT模型构建一个问题答案的医疗系统其中知识图是通过组合知识创建的网络。节点由节点和边组成节点是单元边是两个单元之间的关系这两个单元都可以有属性。除了查询单元属性外知识图还可以通过遍历关系从单元中轻松找到有关单元和属性的相关信息。BERT是一种基于Transformer架构的预训练语言模型可以捕获双向上下文信息。BERT模型是针对大公司预先训练的可以适应特定的任务。BERT可用于处理输入文本并提取丰富的语义信息。通过构建医学领域的知识图谱您可以实现计算机深度学习并实现自动回答问题的功能。本研究的主要目标是使用Python技术搜索医疗数据并通过搜索足够的数据构建知识图。基于Pythonechorts和Neo4j用于可视化知识图。通过智能问答使用BERTLSTMCRF创建深度学习识别模型完成医学问题主题的识别构建数据集并实现文本训练。使用Django创建网站并通过创建面向用户的网站来满足用户的医疗需求。1.3.2研究方法本文首先使用了调查研究的方法通过分析人工智能和问答系统的发展及应用现状 明确系统开发的可行性然后进行文献研究通过总结问答系统开发的相关知识为系 统开发提供理论基础最后进行了实证研究使用软件工程领域的结构化开发方法对 系统进行了分析、设计与实现。第 2 章 相关理论与技术2.1 基础理论与技术2.1.1 Neo4j数据库Neo4j数据库是一个轻量级、高性能的图形数据库也称为图像引擎能够以面向对象的方式处理数据。该技术可以通过内置开发实现Java持久性引擎应用程序。这项技术也是一项开源技术迄今为止拥有超过1亿个节点可以满足绝大多数用户的需求。作为一个强大的图表数据库NOSQL将结构数据存储在网络中而不是表中。它是一个内置的、基于磁盘的、完全事务性的Java可持续性引擎但将结构数据存储在网络中数学上称为图表而不是表中。Neo4j也可以被视为一个高性能的图形引擎具有成熟数据库的所有功能。开发人员在灵活的、面向对象的网络结构中工作而不是在紧凑的静态表中但可以享受具有完整事务处理能力的企业级数据库的所有优势。2.1.2Bootstrap4框架Bootstrap是一个流行的开源前端框架用于快速开发响应式和移动网站。Bootstrap 4是Bootstrap框架的第四个主要版本它引入了许多新功能和改进。Bootstrap 4:响应式设计Bootstrap 4是一个响应式设计框架可确保网站在各种设备上显示良好包括台式机、平板电脑和手机。Bootstrap 4提供了许多内置的用户界面组件如导航栏、表单、按钮、模态字段。它易于在项目中使用缩短了开发时间。增强的表格和表单Bootstrap 4引入了一些增强功能使表格和表单样式更加现代易于定制。新插件系统Bootstrap 4引入了一个名为Popper.js的新插件系统以支持弹出窗口和工具提示等交互式组件。重新设计的文档Bootstrap 4的文档经过重新设计变得清晰易读为开发人员使用和学习提供了丰富的文档示例和解释。2.1.3 Echarts简介ECHarts是一个基于JavaScript的开源可视化库致力于提供直观和交互式的图表显示效果。它由百度前端团队开发和维护具有灵活的配置选项和丰富的图表类型适用于不同的数据可视化场景。在这个系统中ECHarts在视觉分析中起着重要作用。首先ECHarts提供了丰富的图表类型包括线性图、条形图、圆形图、地图等。其可以满足系统在显示不同类型数据方面的需求。由于使用了ECHarts该系统可以以直观易懂的方式显示数据和历史数据。用户可以使用交互式图表探索和分析数据以获取有价值的信息。其次ECHarts提供了丰富的配置选项和交互功能使系统能够灵活定制图表显示效果和用户交互。此外ECHarts还提供丰富的扩展功能和插件支持允许系统根据需要定制和扩展特定功能。例如ECHarts支持地图可视化可以根据地理位置在地图上显示数据使用户直观地了解不同地区的情况。同时ECHarts还支持数据动画效果、显示数据渐变等。增加图表的可视化和吸引力。总之ECHarts作为一个强大的可视化库在该系统中起着重要作用。它允许您通过各种图表类型和配置选项以直观和交互式的方式显示数据。同时ECHarts插件的可扩展性和支持为定制系统和扩展功能提供了便利。使用ECHarts该系统可以提供直观灵活的数据可视化和分析功能帮助用户更好地理解和使用数据。2.1.4 Navicat Premium 15简介Navicat Premium 15是一款功能强大且应用广泛的数据库管理工具。为MySQL、Oracle、SQL Server、PostgreSQL等各种类型的数据库提供集成开发环境。Navicat Premium 15具有直观的用户界面和丰富的功能使数据库管理更加高效和方便。Navicat Premium 15作为一个强大的数据库管理工具在该系统中起着重要作用。它提供了一个直观的界面和丰富的功能允许用户轻松管理和操作MySQL数据库。同时它为系统开发人员提供了一个方便的开发和调试环境加快了系统开发过程。。2.1.5 Layui简介Layui是一个开源的免费web界面组件库采用自己的轻量级模块化规范遵循原始的HTML/CSS/JavaScript开发模型非常适合快速构建web界面。Layui与主要的前端框架不同它更面向后端开发人员这意味着他们不必使用不同的构建工具只需面向浏览器本身即可轻松呈现页面所需的元素和交互。Layui采用模块化设计理念将每个功能划分为独立的模块每个模块的职责和接口都很明确。这种设计允许开发人员根据需要选择性地输入和使用不同的模块从而减小项目规模并提高加载速度。此外还提供了大量常用的界面组件包括但不限于按钮、表单、表格、导航、弹出窗口、进度条等。这些组件具有简单统一的风格可以轻松定制和扩展以满足不同项目的需求。Layui API设计简单且用户友好使开发人员无需深入研究复杂的前端技术即可快速入门。它提供了丰富的文档和示例供开发人员参考和学习。在可扩展性方面Layui具有良好的可扩展性开发人员可以根据项目的需要编写自定义模块或插件并将其集成到Layui框架中以实现特定功能的个性化开发。2.1.6 Python语言介绍Python是目前使用最广泛的脚本语言技术其特点是编程过程简单语法易于理解。编写这种语言的过程就像学习一门语言。通过适应使用语言进行编程和开发的日常习惯可以有效地提高系统的编程效率。在整个系统开发过程中该技术还可以使用许多框架和库包括Django框架、Flask框架等。它们是web上Python常用的编程框架。该语言继承了C编程的特点具有良好的跨平台可用性实现了一次编译多次运行的效果。2.1.7 MySQL数据库该数据库可以通过SQL层和存储引擎层快速解析和存储完整的数据信息并通过多线程数据服务加速数据传输性能。它还支持多种编程语言可以在不同的操作平台上工作。该数据库的硬盘内存消耗非常低可以实现数据的安全存储。整个数据库具有开源特性可以为用户数据存储服务提供个性化的图表编辑。使用数据库表可以进一步改进数据存储逻辑以确保准确的数据关系。2.2 BERT 模型2.2.1 TransformerTransformer的网络结构完全由注意力层和完全连接的网络层组成而不是传统的RNN和LSTM模型。构建Transformer模型需要铺设Attention层。为了避免在特定的注意力层中学习更糟糕的表示Transformer添加了一个直接超过注意力层的输出。比较每个Attention层的输入和输出并将具有更好表示的层用作下一个Attention的输入。Transformer模型的结构如图2-1所示这是编码器-解码器的整体结构。编码器的一部分是BERT模型的基础。图 2-1 Transformer 结构2.2.2 BERT目前word2vec[26]是表示词向量最常用的方法但其原理是基于邻居也分散在向量空间中的假设可以学习的语义信息有限。一些科学家提出使用LSTM模型[27]来获得语言模型的长期依赖关系但传统的LSTM只能学习单向身体信息无法满足要求。Peters及其同事提出了语言模型嵌入ELMo这是第一种使用预训练模型训练单词向量的方法。LSTM结构是两层双向的能够学习双向的身体信息。此外本文还使用了Radford等人[29]提出的OpenAIGPT和Devlin等人[30]提出的BERT模型。BERT模型使用了双向Transformer编码器它完全捕获了双向语料库的信息并在文本翻译等自然语言处理任务中取得了卓越的效果。BERT模型基于前一节中提到的Transformer架构并训练Transformer编码器。由于使用了无标记体MaskedLM预测下一句话的文本被用作语言模型的预训练任务。完成初始训练后您可以对模型进行微调以执行分类和相似性计算等NLP任务。BERT的预训练方法实际上实现了双向语言模型可以很容易地进行微调效果非常好。2.2.3 语言模型