資訊工程學系
Permanent URI for this communityhttp://rportal.lib.ntnu.edu.tw/handle/20.500.12235/60
本系前身「資訊教育學系」成立於民國七十四年，首先招收大學部學生，民國九十年成立資訊工程研究所碩士班，而後於民國九十五年進行系、所調整合併為「資訊工程學系」；並於九十六年成立博士班。本系目前每年約招收大學部四十餘人，碩士班六十餘人，博士班約五人，截至民國一百零四年十一月止，總計現有大學部一百九十多人，碩士班一百二十多人，博士班二十三人，合計學生人數約為三百三十多位。
News
Browse
2 results
Search Results
Item 生醫文獻中特定關係組合之自動化擷取(2018) 陳弘奇; Chen, Hung-Chi本研究目的為擷取自然語句中指定名詞間的關係判定，並應用在生醫文獻內，以便快速地找出文獻中有用途的關係。雖然本研究是透過生醫文獻為基礎，但是對於各個領域的研究人員在探討自己領域的相關文獻資料時，也可以透過此方法更快速且正確的篩選到自己需要的文獻及資料。 本研究所使用的資料集分成兩組，並在實驗上兩組資料個別獨立。一組為參考Clinical trials (https://clinicaltrials.gov)網站中提供美國官方已完成的疾病研究和藥物的配對為基礎，並透過PubMed資料庫(https://www.ncbi.nlm.nih.gov/pubmed)搜尋目標疾病藥物對的生醫文獻摘要。其資料分成兩類：從PubMed文章摘要找出含有Clinical trials所提及到的疾病可被藥物治療之句子，視為正向的句子；以及相同疾病不能被藥物治療或是疾病與藥物無任何關聯之句子，視為負向的句子。 另一組為SemEval 2013 Task 9所提供，內容為MedLine的摘要以及DrugBank的資料庫構成的語料庫，SemEval 2013 Task 9為從生醫文獻中擷取藥物間交互作用的競賽(SemEval 2013 Task 9：Extraction of Drug-Drug Interactions from Biomedical Texts)，該競賽將藥物間的交互作用分成五類：Advice(建議)、Effect(影響)、Mechanism(機制)、Int(交互作用)和False(無交互作用)。 本研究為透過多層次的機器學習方法搭配基本字詞轉換與自然語言句子分析作為特徵擷取。本研究在藥物—疾病關係辨識實驗最佳結果Accuracy為75.7%、Precision為76.3%、Recall為74.6%以及F-score為75.5%；在藥物—藥物關係辨識實驗最佳結果Precision為47.8%、Recall為72.4%以及F-score為57.6%。Item 以混合式方法自生醫文獻擷取藥物－藥物交互作用之研究(2017) 陳佩瑄; Chen, Pei-Hsuan一種疾病往往伴隨著許多不同的症狀，而一種症狀通常使用一種藥物治療，例如:感冒時，會有咳嗽、鼻塞或頭痛等症狀，所以就需要多種藥物來治癒該疾病。在服藥期間，若藥物與藥物之間產生不理想之狀況，像是藥效過強或互相抵抗，導致療效失敗，嚴重甚至導致死亡，就是所謂的藥物－藥物交互作用(Drug-Drug Interaction, DDI)。目前許多的藥物－藥物交互作用仍隱藏在大量的生醫文獻中，等著被研究人員挖掘，若利用自然語言處理(Natural Language Processing, NLP)的擷取和分析等技術，將能大量挖掘隱藏的藥物－藥物交互作用以及減少研究人員的挖掘時間。 論文中所使用的資料來源是由SemEval 2013 Task 9所提供的語料庫，內容包括MedLine的摘要和DrugBank的資料庫，SemEval 2013 Task 9的競賽內容為自生醫文獻中擷取藥物－藥物交互作用(SemEval 2013 Task9：Extraction of Drug-Drug Interactions from Biomedical Texts)，將藥物－藥物交互作用分成五類：Advice(建議)、Effect(影響)、Mechanism(機制)、Int(交互作用)和無交互作用，評估的方式為計算辨識和分類的precision、recall和F1-measure。 本研究利用混合式方法進行辨識和分類，其中混合式方法為機器學習方法和以規則為基方法，由於語料庫內部五個類別的數量呈現不平衡的狀態，因此，運用兩階段的方式先辨識藥物對是否有交互作用存在，辨識所獲得的F1-measure為70.8%，接著再將辨識出有交互作用的藥物對做分類，分類所獲得的F1-measure為62.5%，其中FBK-irst隊伍獲得最好的效能，辨識和分類的F1-measure分別為80.0%和65.1%，參賽隊伍之平均辨識和分類的F1-measure分別為68.1%和51.8%，雖然辨識和分類無法比FBK-irst隊伍所獲得的F1-measure還高，但所獲得的F1-measure高於平均許多。在未來可將機器學習方法和以規則為基方法運用於其他領域的資訊擷取研究上。