CN107609163B - 医学知识图谱的生成方法、存储介质及服务器 - Google Patents
医学知识图谱的生成方法、存储介质及服务器 Download PDFInfo
- Publication number
- CN107609163B CN107609163B CN201710885031.3A CN201710885031A CN107609163B CN 107609163 B CN107609163 B CN 107609163B CN 201710885031 A CN201710885031 A CN 201710885031A CN 107609163 B CN107609163 B CN 107609163B
- Authority
- CN
- China
- Prior art keywords
- entity
- entities
- medical
- medical information
- medical knowledge
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000004927 fusion Effects 0.000 claims description 97
- 201000010099 disease Diseases 0.000 claims description 29
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000013136 deep learning model Methods 0.000 claims description 18
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 6
- 206010037660 Pyrexia Diseases 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种医学知识图谱的生成方法、存储介质及服务器,通过接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱;具有根据输入的医学知识自动生成对应的医学知识图谱的有益效果;节省了人力,为用户提供了便利。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种医学知识图谱的生成方法、存储介质及服务器。
背景技术
随着计算机技术的不断发展进步以及互联网在日常工作和生活中的普及,人们获取信息和知识的途径也越来越多样化。
在医学领域,用户除了关注相应的医学知识之外,更多的还会关注单个医学知识点与该医学知识点相关的其他知识点,或者某个常见疾病与该常见疾病相关的其他并发症等。而在实际的应用中,医学领域中的大量专用名词、各医学知识点之间的关系以及其他海量的医学相关知识,均需要用户自己整理和总结,需耗费大量的时间和精力。因此,如何根据相应的文本输入,来自动生成医学知识图谱成为目前亟待解决的问题之一。
发明内容
本发明提供一种医学知识图谱的生成方法、存储介质及服务器,用以根据输入的医学知识自动生成对应的医学知识图谱。
本发明提供了一种医学知识图谱的生成方法,所述医学知识图谱的生成方法包括:
接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;
对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;
根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱。
优选地,所述接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体,包括:
接收输入的医学信息,识别所述医学信息是否为非结构化数据;
若所述医学信息为非结构化数据,则将所述医学信息进行结构化处理,得到所述医学信息对应的结构化数据;
利用预设深度学习模型,对得到的所述结构化数据进行命名实体识别,得到从所述医学信息中识别出的实体。
优选地,所述对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系,包括:
利用预设深度学习模型,将识别出的所述实体与预先定义的实体关系类型进行比对,查找符合所述实体关系类型的一一对应的实体;
根据查找结果,确定所述实体之间的相应关系。
优选地,所述根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱,包括:
按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱;
或者:
根据获取的各实体之间的相应关系,采用连接线的形式,将获取的各实体用关系线进行连接,得到包括实体以及各实体之间相应关系的医学知识图谱。
优选地,所述按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱,包括:
根据获取的所述实体之间的相应关系,按照预设关联融合算法,计算相同实体之间的关联融合分值;
判断计算得到的所述关联融合分值是否不低于预设关联阈值;
若所述关联融合分值不低于所述预设关联阈值,则确认所述实体具备关联关系,并对确认具备关联关系的实体进行融合,生成对应的医学知识图谱;
其中,所述预设关联融合算法包括:
利用α表示不同实体含有的相同词素的个数对于该实体进行关联融合的影响系数,β表示相同词素在不同实体中的位置关系对于该实体进行关联融合的影响系数,L表示不同实体之间相同词素的长度,A、B分别表示实体A和实体B对应的词汇长度,Ha表示相同词素在实体A中的位置权重,Hb表示相同词素在实体B中的位置权重,则实体A和实体B之间的关联融合分值F,可以按照如下数学表达式计算得出:
上述数学表达式中,α和β的和为1;
针对位置权重H,可以利用如下数学表达式计算得出:
其中,hi为词素在实体中的位置序号,ht为实体中各词素所分别对应的位置序号。
优选地,所述医学知识图谱的生成方法还包括:
显示生成的所述医学知识图谱,并将生成的所述医学知识图谱发送至预设终端,供医学人员确认所述医学知识图谱是否正确;
和/或:
基于生成的所述医学知识图谱,识别与所述医学信息对应的医学疾病名称,并根据识别出的所述医学疾病名称,提供与所述医学疾病名称相匹配的治疗方案信息,供用户参考。
本发明还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适用于由处理器加载并执行一种医学知识图谱的生成方法;
其中,所述医学知识图谱的生成方法包括:
接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;
对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;
根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱。
优选地,所述接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体,包括:
接收输入的医学信息,识别所述医学信息是否为非结构化数据;
若所述医学信息为非结构化数据,则将所述医学信息进行结构化处理,得到所述医学信息对应的结构化数据;
利用预设深度学习模型,对得到的所述结构化数据进行命名实体识别,得到从所述医学信息中识别出的实体。
优选地,所述对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系,包括:
利用预设深度学习模型,将识别出的所述实体与预先定义的实体关系类型进行比对,查找符合所述实体关系类型的一一对应的实体;
根据查找结果,确定所述实体之间的相应关系。
优选地,所述根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱,包括:
按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱;
或者:
根据获取的各实体之间的相应关系,采用连接线的形式,将获取的各实体用关系线进行连接,得到包括实体以及各实体之间相应关系的医学知识图谱。
优选地,所述按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱,包括:
根据获取的所述实体之间的相应关系,按照预设关联融合算法,计算相同实体之间的关联融合分值;
判断计算得到的所述关联融合分值是否不低于预设关联阈值;
若所述关联融合分值不低于所述预设关联阈值,则确认所述实体具备关联关系,并对确认具备关联关系的实体进行融合,生成对应的医学知识图谱;
其中,所述预设关联融合算法包括:
利用α表示不同实体含有的相同词素的个数对于该实体进行关联融合的影响系数,β表示相同词素在不同实体中的位置关系对于该实体进行关联融合的影响系数,L表示不同实体之间相同词素的长度,A、B分别表示实体A和实体B对应的词汇长度,Ha表示相同词素在实体A中的位置权重,Hb表示相同词素在实体B中的位置权重,则实体A和实体B之间的关联融合分值F,可以按照如下数学表达式计算得出:
上述数学表达式中,α和β的和为1;
针对位置权重H,可以利用如下数学表达式计算得出:
其中,hi为词素在实体中的位置序号,ht为实体中各词素所分别对应的位置序号。
优选地,所述医学知识图谱的生成方法还包括:
显示生成的所述医学知识图谱,并将生成的所述医学知识图谱发送至预设终端,供医学人员确认所述医学知识图谱是否正确;
和/或:
基于生成的所述医学知识图谱,识别与所述医学信息对应的医学疾病名称,并根据识别出的所述医学疾病名称,提供与所述医学疾病名称相匹配的治疗方案信息,供用户参考。
本发明还提供了一种服务器,所述服务器包括存储介质、处理器及存储在所述存储介质上并可在所述处理器上运行的医学知识图谱的生成系统,所述医学知识图谱的生成系统被所述处理器执行时实现如下步骤:
接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;
对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;
根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱。
优选地,所述接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体,所述处理器还用于执行所述医学知识图谱的生成系统,以实现如下步骤:
接收输入的医学信息,识别所述医学信息是否为非结构化数据;
若所述医学信息为非结构化数据,则将所述医学信息进行结构化处理,得到所述医学信息对应的结构化数据;
利用预设深度学习模型,对得到的所述结构化数据进行命名实体识别,得到从所述医学信息中识别出的实体。
优选地,所述对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系,所述处理器还用于执行所述医学知识图谱的生成系统,以实现如下步骤:
利用预设深度学习模型,将识别出的所述实体与预先定义的实体关系类型进行比对,查找符合所述实体关系类型的一一对应的实体;
根据查找结果,确定所述实体之间的相应关系。
优选地,所述根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱,所述处理器还用于执行所述医学知识图谱的生成系统,以实现如下步骤:
按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱;
或者:
根据获取的各实体之间的相应关系,采用连接线的形式,将获取的各实体用关系线进行连接,得到包括实体以及各实体之间相应关系的医学知识图谱。
优选地,所述按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱,所述处理器还用于执行所述医学知识图谱的生成系统,以实现如下步骤:
根据获取的所述实体之间的相应关系,按照预设关联融合算法,计算相同实体之间的关联融合分值;
判断计算得到的所述关联融合分值是否不低于预设关联阈值;
若所述关联融合分值不低于所述预设关联阈值,则确认所述实体具备关联关系,并对确认具备关联关系的实体进行融合,生成对应的医学知识图谱;
其中,所述预设关联融合算法包括:
利用α表示不同实体含有的相同词素的个数对于该实体进行关联融合的影响系数,β表示相同词素在不同实体中的位置关系对于该实体进行关联融合的影响系数,L表示不同实体之间相同词素的长度,A、B分别表示实体A和实体B对应的词汇长度,Ha表示相同词素在实体A中的位置权重,Hb表示相同词素在实体B中的位置权重,则实体A和实体B之间的关联融合分值F,可以按照如下数学表达式计算得出:
上述数学表达式中,α和β的和为1;
针对位置权重H,可以利用如下数学表达式计算得出:
其中,hi为词素在实体中的位置序号,ht为实体中各词素所分别对应的位置序号。
优选地,所述处理器还用于执行所述医学知识图谱的生成系统,以实现如下步骤:
显示生成的所述医学知识图谱,并将生成的所述医学知识图谱发送至预设终端,供医学人员确认所述医学知识图谱是否正确;
和/或:
基于生成的所述医学知识图谱,识别与所述医学信息对应的医学疾病名称,并根据识别出的所述医学疾病名称,提供与所述医学疾病名称相匹配的治疗方案信息,供用户参考。
本发明一种医学知识图谱的生成方法、存储介质及服务器可以达到如下有益效果:
通过接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱;具有根据输入的医学知识自动生成对应的医学知识图谱的有益效果;节省了人力,为用户提供了便利。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所指出的内容来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种医学知识图谱的生成方法的一种实施方式的流程示意图;
图2是利用图1所述的一种医学知识图谱的生成方法所生成的医学知识图谱的一种具体应用场景示意图;
图3是本发明一种服务器的实施方式的功能模块示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供了一种医学知识图谱的生成方法、存储介质及服务器,用以根据输入的医学知识自动生成对应的医学知识图谱。本发明一种医学知识图谱的生成方法、存储介质及服务器,可以直接将文本或者语音等人类的自热语言,自动转化为医学知识图谱;例如,利用该医学知识图谱的生成方法、存储介质及服务器,可以直接去读取医学文献、电子病历等,并将读取的上述非结构化的自然语言自动转化为医学知识图谱,提高了医学知识图谱生成的智能性,节约了用户时间,为用户提供了极大的便利。
如图1所示,图1是本发明一种医学知识图谱的生成方法的一种实施方式的流程示意图;本发明一种医学知识图谱的生成方法可以实施为如下描述的步骤S10-S30:
步骤S10、接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;
本发明实施例中,医学知识图谱的生成系统(以下简称“生成系统”),接收到输入的医学信息时,对接收到的所述医学信息进行识别,判断该医学信息是否为非结构化数据。若该医学信息为结构化数据,则生成系统可以直接对该医学信息进行命名实体识别,获取该医学信息中的实体;若该医学信息为非结构化数据,则生成系统需要将该医学信息进行结构化处理,得到该医学信息对应的结构化数据,从而能够被该生成系统进行命名实体识别,从而获取该医学信息中的实体。
其中,本发明实施例中,若生成系统接收到的医学信息为语音信息,则需要利用语音识别技术对接收到的上述语音信息进行语音识别,并将上述语音信息转换为文本信息,再将转换后的文本信息进行结构化处理,得到上述医学信息对应的结构化数据。若生成系统接收到的医学信息为非结构化的文本信息,则直接对上述医学信息进行结构化处理,得到该医学信息对应的结构化数据。
在本发明实施例中,所描述的命名实体识别(Named Entity Recognition,简称NER)可以理解为:识别文本中具有特定意义的实体,主要包括人名、地名、机构名、专有名词等,又称为“专名识别”。命名实体识别是信息提取等应用领域的重要基础工具,一般来说,命名实体识别的任务就是识别出待处理文本中三大类(实体类、时间类和数字类)和七小类(人名、机构名、地名、时间、日期、货币和百分比)的命名实体。其中,所描述的实体可以理解为:命名实体词和事件名等。
进一步地,在本发明一优选的实施例中,由于医学知识的特殊性,生成系统也可以利用预先设置的深度学习模型,将医学信息中的关键字、关键词作为实体进行识别,并将其识别出来;例如,疾病名称、症状以及对症状描述的关键字和/或关键词等。
步骤S20、对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;
针对获取的上述医学信息中的实体,生成系统对获取的该实体进行实体关系抽取,得到上述各实体之间的相应关系。本发明实施例中,针对获取的医学信息中的各个实体之间的实体关系的类型,是预先定义的;例如,预先定义的地理位置关系、雇佣关系等。生成系统可以利用预先设置的深度学习模型,将识别出的上述实体与预先定义的实体关系类型进行一一比对,从而查找出符合上述实体关系类型的一一对应的实体。进而,根据查找结果,生成系统确定上述提取出的各实体之间的相应关系。
在一具体的应用场景中,例如,若生成系统接收到的医学信息中存在“…北大医院院长…”这一信息,则其中的“北大医院院长”和“北大医院”分别为人物和组织实体;而它们又构成了一种雇佣关系,即“北大医院院长”受雇于“北大医院”。也就是说,“北大医院”和“北大医院院长”之间的相应关系为雇佣关系。那么,利用本发明医学知识图谱的生成方法,生成系统利用预先设置的深度学习模型,将识别出的实体“北大医院”、“北大医院院长”,与预先定义的实体关系类型进行比对,查找符合上述实体关系类型的一一对应的实体,从而确定出“北大医院”和“北大医院院长”之间的相应关系为雇佣关系。
步骤S30、根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱。
当获取到输入的医学信息中的实体,并确认出获取的各实体之间的相应关系后,生成系统直接根据获取的上述实体和各实体之间的相应关系,生成对应的医学知识图谱;其中,医学知识图谱的生成方式包括但不限于以下列举的两种:
其中一种生成方式是,按照获取的各实体之间的相应关系,对获取的各实体进行关联融合,生成对应的医学知识图谱。本发明实施例中,所描述的实体之间进行关联融合可以理解为:对实体表达意思相同或者基本相同(也可以理解为,词义高度相近)的实体,进行融合。例如,“发热”和“发烧”可以理解为词义高度相近,二者可以进行关联融合;又比如,“胳膊”和“手臂”,以及“脚”和“足”可以理解为词义相同,这些都可以进行融合,融合后选取其中一个实体即可。比如,上述“发热”和“发烧”、“胳膊”和“手臂”以及“脚”和“足”进行实体关联融合后,可以选取上述三组词语中各组中的任一个实体均可;或者,可以根据生成的医学知识图谱的用途以及对用语要求的严谨性和书面性进行具体选择。实体进行关联融合后,各实体之间的相应关系,由融合前存在的实体转移至融合后与该实体进行融合后得到的实体上。例如,“胳膊”和“手臂”这两个实体进行融合后保留了“手臂”,则“胳膊”与其他实体之间的相应关系均转移至“手臂”,即“手臂”保留其与其他实体原有的对应关系的同时,承担“胳膊”与其他实体之间的相应关系。
另一种生成方式是,直接根据获取的各实体之间的相应关系,采用连接线的形式,将获取的各实体用关系线进行连接,从而得到包括实体以及用连接线表示各实体之间相应关系的医学知识图谱。如图2所示,生成系统采用连接线的形式,根据各实体之间的相应关系,将各实体进行连接,生成对应的医学知识图谱。
在本发明一优选的实施例中,针对医学知识图谱的其中一种生成方式,即按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱,还可以按照如下操作执行:
根据获取的所述实体之间的相应关系,按照预设关联融合算法,计算相同实体之间的关联融合分值;判断计算得到的所述关联融合分值是否不低于预设关联阈值;若所述关联融合分值不低于所述预设关联阈值,则确认所述实体具备关联关系,并对确认具备关联关系的实体进行融合,生成对应的医学知识图谱。本发明实施例中,所描述的预设关联融合分值可以根据具体的应用以及对医学知识图谱的准确性的具体要求进行设置,本发明实施例对该预设关联融合分值的具体取值不进行限定;例如,在一具体的应用场景中,设置该关联融合分值为0.8,或者0.9。
进一步地,上述预设关联融合算法包括:
利用α表示不同实体含有的相同词素的个数对于该实体进行关联融合的影响系数,β表示相同词素在不同实体中的位置关系对于该实体进行关联融合的影响系数,L表示不同实体之间相同词素的长度,A、B分别表示实体A和实体B对应的词汇长度,Ha表示相同词素在实体A中的位置权重,Hb表示相同词素在实体B中的位置权重,则实体A和实体B之间的关联融合分值F,可以按照如下数学表达式计算得出:
上述数学表达式中,α和β的和为1;本发明实施例中,所描述的α和β的值可以根据具体的应用以及对医学知识图谱的准确性的具体要求进行设置,本发明实施例对该α和β的具体取值不进行限定;只要确保α和β二者的值相加得到的和为1即可。例如,在一具体的应用场景中,设置α的取值范围为[0.4,0.6],设置β的取值范围也为[0.4,0.6]。
针对位置权重H,可以利用如下数学表达式计算得出:
其中,hi为词素在实体中的位置序号,ht为实体中各词素所分别对应的位置序号。例如,在一具体的应用场景中,“北大人民医院”和“人民医院”这两个实体,相同的词素为“人民医院”,则设Ha为词素“北大人民医院”的位置权重,则Ha可以通过如下数学表达式计算得出:
同样的,可以计算得出词素“人民医院”对应的位置权重为1。
在一具体的应用场景中,若设置对应的关联融合分值取值为0.8,则根据上述数学表达式计算得出的关联融合分值F,若F≥0.8,则判断计算得到的所述关联融合分值不低于预设关联阈值0.8,确认计算的两个实体具备关联关系,并对确认具备关联关系的实体进行融合,生成对应的医学知识图谱。
进一步地,在本发明一优选的实施例中,生成系统执行完医学知识图谱的生成操作后,显示所生成的医学知识图谱供用户查看。进一步地,生成系统还将生成的上述医学知识图谱发送至预设终端,供医学专业技术人员进行审核确认,判断自动生成的医学知识图谱是否正确。提高了生成系统的便捷性。
进一步地,在本发明一优选的实施例中,生成系统根据生成的医学知识图谱,自动识别与该医学信息对应的医学疾病名称,并根据识别出的所述医学疾病名称,提供与所述医学疾病名称相匹配的治疗方案信息,供用户参考。生成系统的这种处理方式,在自动寻医问药的互联网就医领域应用十分广泛。例如,在一具体的应用场景中,生成系统接收用户输入的包括所询问病情的医学信息,生成系统利用图1所述的医学知识图谱的生成方法生成对应的医学知识图谱,利用生成的医学知识图谱,生成系统初步判断用户输入的上述医学信息所对应的疾病,进而为用户提供与上述疾病相匹配的治疗方案;比如,适合用什么类型药物,如何治疗等等;提高了生成系统的智能性。
进一步地,在本发明一优选的实施例中,生成系统生成医学知识图谱后,还可以将生成的该医学知识图谱对应的数据保存在数据库中,并进行索引,以方便查询和更新。节约了系统资源,进一步提高了生成系统的便捷性,对用户侧来讲,提高了用户体验。
本发明医学知识图谱的生成方法,通过接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱;具有根据输入的医学知识自动生成对应的医学知识图谱的有益效果;节省了人力,为用户提供了便利。
对应于图1和图2所描述的一种医学知识图谱的生成方法,本发明还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适用于由处理器加载并执行图1和图2所描述的一种医学知识图谱的生成方法;
其中,所述医学知识图谱的生成方法包括:
接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;
对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;
根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱。
在本发明一优选的实施例中,所述接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体,包括:
接收输入的医学信息,识别所述医学信息是否为非结构化数据;
若所述医学信息为非结构化数据,则将所述医学信息进行结构化处理,得到所述医学信息对应的结构化数据;
利用预设深度学习模型,对得到的所述结构化数据进行命名实体识别,得到从所述医学信息中识别出的实体。
在本发明一优选的实施例中,所述对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系,包括:
利用预设深度学习模型,将识别出的所述实体与预先定义的实体关系类型进行比对,查找符合所述实体关系类型的一一对应的实体;
根据查找结果,确定所述实体之间的相应关系。
在本发明一优选的实施例中,所述根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱,包括:
按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱;
或者:
根据获取的各实体之间的相应关系,采用连接线的形式,将获取的各实体用关系线进行连接,得到包括实体以及各实体之间相应关系的医学知识图谱。
在本发明一优选的实施例中,所述按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱,包括:
根据获取的所述实体之间的相应关系,按照预设关联融合算法,计算相同实体之间的关联融合分值;
判断计算得到的所述关联融合分值是否不低于预设关联阈值;
若所述关联融合分值不低于所述预设关联阈值,则确认所述实体具备关联关系,并对确认具备关联关系的实体进行融合,生成对应的医学知识图谱;
其中,所述预设关联融合算法包括:
利用α表示不同实体含有的相同词素的个数对于该实体进行关联融合的影响系数,β表示相同词素在不同实体中的位置关系对于该实体进行关联融合的影响系数,L表示不同实体之间相同词素的长度,A、B分别表示实体A和实体B对应的词汇长度,Ha表示相同词素在实体A中的位置权重,Hb表示相同词素在实体B中的位置权重,则实体A和实体B之间的关联融合分值F,可以按照如下数学表达式计算得出:
上述数学表达式中,α和β的和为1;
针对位置权重H,可以利用如下数学表达式计算得出:
其中,hi为词素在实体中的位置序号,ht为实体中各词素所分别对应的位置序号。
在本发明一优选的实施例中,所述医学知识图谱的生成方法还包括:
显示生成的所述医学知识图谱,并将生成的所述医学知识图谱发送至预设终端,供医学人员确认所述医学知识图谱是否正确;
和/或:
基于生成的所述医学知识图谱,识别与所述医学信息对应的医学疾病名称,并根据识别出的所述医学疾病名称,提供与所述医学疾病名称相匹配的治疗方案信息,供用户参考。
本发明存储介质,存储有多条指令,所述指令适用于由处理器加载并执行一种医学知识图谱的生成方法;通过接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱;具有根据输入的医学知识自动生成对应的医学知识图谱的有益效果;节省了人力,为用户提供了便利。
对应于以上实施例所描述的一种医学知识图谱的生成方法及存储介质,本发明还提供了一种服务器。如图3所示,本发明一种服务器包括:存储介质100、处理器200及存储在所述存储介质100上并可在所述处理器200上运行的医学知识图谱的生成系统300,所述医学知识图谱的生成系统300被所述处理器200执行时实现如下步骤:
接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;
对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;
根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱。
在本发明一优选的实施例中,所述接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体,所述处理器200还用于执行所述医学知识图谱的生成系统300,以实现如下步骤:
接收输入的医学信息,识别所述医学信息是否为非结构化数据;
若所述医学信息为非结构化数据,则将所述医学信息进行结构化处理,得到所述医学信息对应的结构化数据;
利用预设深度学习模型,对得到的所述结构化数据进行命名实体识别,得到从所述医学信息中识别出的实体。
在本发明一优选的实施例中,所述对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系,所述处理器200还用于执行所述医学知识图谱的生成系统300,以实现如下步骤:
利用预设深度学习模型,将识别出的所述实体与预先定义的实体关系类型进行比对,查找符合所述实体关系类型的一一对应的实体;
根据查找结果,确定所述实体之间的相应关系。
在本发明一优选的实施例中,所述根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱,所述处理器200还用于执行所述医学知识图谱的生成系统300,以实现如下步骤:
按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱;
或者:
根据获取的各实体之间的相应关系,采用连接线的形式,将获取的各实体用关系线进行连接,得到包括实体以及各实体之间相应关系的医学知识图谱。
在本发明一优选的实施例中,所述按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱,所述处理器200还用于执行所述医学知识图谱的生成系统300,以实现如下步骤:
根据获取的所述实体之间的相应关系,按照预设关联融合算法,计算相同实体之间的关联融合分值;
判断计算得到的所述关联融合分值是否不低于预设关联阈值;
若所述关联融合分值不低于所述预设关联阈值,则确认所述实体具备关联关系,并对确认具备关联关系的实体进行融合,生成对应的医学知识图谱;
其中,所述预设关联融合算法包括:
利用α表示不同实体含有的相同词素的个数对于该实体进行关联融合的影响系数,β表示相同词素在不同实体中的位置关系对于该实体进行关联融合的影响系数,L表示不同实体之间相同词素的长度,A、B分别表示实体A和实体B对应的词汇长度,Ha表示相同词素在实体A中的位置权重,Hb表示相同词素在实体B中的位置权重,则实体A和实体B之间的关联融合分值F,可以按照如下数学表达式计算得出:
上述数学表达式中,α和β的和为1;
针对位置权重H,可以利用如下数学表达式计算得出:
其中,hi为词素在实体中的位置序号,ht为实体中各词素所分别对应的位置序号。
在本发明一优选的实施例中,所述处理器200还用于执行所述医学知识图谱的生成系统300,以实现如下步骤:
显示生成的所述医学知识图谱,并将生成的所述医学知识图谱发送至预设终端,供医学人员确认所述医学知识图谱是否正确;
和/或:
基于生成的所述医学知识图谱,识别与所述医学信息对应的医学疾病名称,并根据识别出的所述医学疾病名称,提供与所述医学疾病名称相匹配的治疗方案信息,供用户参考。
本发明一种服务器通过接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱;具有根据输入的医学知识自动生成对应的医学知识图谱的有益效果;节省了人力,为用户提供了便利。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种医学知识图谱的生成方法,其特征在于,所述医学知识图谱的生成方法包括:
接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;
对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;
根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱;
所述对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系,包括:
利用预设深度学习模型,将识别出的所述实体与预先定义的实体关系类型进行比对,查找符合所述实体关系类型的一一对应的实体;
根据查找结果,确定所述实体之间的相应关系;
按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱,包括以下步骤:
步骤1、根据获取的所述实体之间的相应关系,按照预设关联融合算法,计算相同实体之间的关联融合分值;
步骤2、判断计算得到的所述关联融合分值是否不低于预设关联阈值;
步骤3、若所述关联融合分值不低于所述预设关联阈值,则确认所述实体具备关联关系,并对确认具备关联关系的实体进行融合,生成对应的医学知识图谱;
其中,所述预设关联融合算法包括:
利用α表示不同实体含有的相同词素的个数对于该实体进行关联融合的影响系数,β表示相同词素在不同实体中的位置关系对于该实体进行关联融合的影响系数,L表示不同实体之间相同词素的长度,A、B分别表示实体A和实体B对应的词汇长度,Ha表示相同词素在实体A中的位置权重,Hb表示相同词素在实体B中的位置权重,则实体A和实体B之间的关联融合分值F,可以按照如下数学表达式计算得出:
上述数学表达式中,α和β的和为1;
针对位置权重H,可以利用如下数学表达式计算得出:
其中,hi为词素在实体中的位置序号,ht为实体中各词素所分别对应的位置序号;
所述接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体,包括:
接收输入的医学信息,识别所述医学信息是否为非结构化数据;
若所述医学信息为非结构化数据,则将所述医学信息进行结构化处理,得到所述医学信息对应的结构化数据;
利用预设深度学习模型,对得到的所述结构化数据进行命名实体识别,得到从所述医学信息中识别出的实体。
2.如权利要求1所述的医学知识图谱的生成方法,其特征在于,所述根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱,还包括:
根据获取的各实体之间的相应关系,采用连接线的形式,将获取的各实体用关系线进行连接,得到包括实体以及各实体之间相应关系的医学知识图谱。
3.如权利要求1所述的医学知识图谱的生成方法,其特征在于,所述医学知识图谱的生成方法还包括:
显示生成的所述医学知识图谱,并将生成的所述医学知识图谱发送至预设终端,供医学人员确认所述医学知识图谱是否正确;
和/或:
基于生成的所述医学知识图谱,识别与所述医学信息对应的医学疾病名称,并根据识别出的所述医学疾病名称,提供与所述医学疾病名称相匹配的治疗方案信息,供用户参考。
4.一种存储介质,所述存储介质存储有多条指令,其特征在于,所述指令适用于由处理器加载并执行一种医学知识图谱的生成方法;
其中,所述医学知识图谱的生成方法包括:
接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;
对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;
根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱;
所述对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系,包括:
利用预设深度学习模型,将识别出的所述实体与预先定义的实体关系类型进行比对,查找符合所述实体关系类型的一一对应的实体;
根据查找结果,确定所述实体之间的相应关系;
按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱,包括:
根据获取的所述实体之间的相应关系,按照预设关联融合算法,计算相同实体之间的关联融合分值;
判断计算得到的所述关联融合分值是否不低于预设关联阈值;
若所述关联融合分值不低于所述预设关联阈值,则确认所述实体具备关联关系,并对确认具备关联关系的实体进行融合,生成对应的医学知识图谱;
其中,所述预设关联融合算法包括:
利用α表示不同实体含有的相同词素的个数对于该实体进行关联融合的影响系数,β表示相同词素在不同实体中的位置关系对于该实体进行关联融合的影响系数,L表示不同实体之间相同词素的长度,A、B分别表示实体A和实体B对应的词汇长度,Ha表示相同词素在实体A中的位置权重,Hb表示相同词素在实体B中的位置权重,则实体A和实体B之间的关联融合分值F,可以按照如下数学表达式计算得出:
上述数学表达式中,α和β的和为1;
针对位置权重H,可以利用如下数学表达式计算得出:
其中,hi为词素在实体中的位置序号,ht为实体中各词素所分别对应的位置序号。
5.一种服务器,其特征在于,所述服务器包括存储介质、处理器及存储在所述存储介质上并可在所述处理器上运行的医学知识图谱的生成系统,所述医学知识图谱的生成系统被所述处理器执行时实现如下步骤:
接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体;
对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系;
根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱;其中,
所述接收输入的医学信息,对输入的所述医学信息进行命名实体识别,获取所述医学信息中的实体,包括以下步骤:
接收输入的医学信息,识别所述医学信息是否为非结构化数据;
若所述医学信息为非结构化数据,则将所述医学信息进行结构化处理,得到所述医学信息对应的结构化数据;
利用预设深度学习模型,对得到的所述结构化数据进行命名实体识别,得到从所述医学信息中识别出的实体;
所述对识别出的所述实体进行实体关系抽取,获取所述实体之间的相应关系,所述处理器还用于执行所述医学知识图谱的生成系统,以实现如下步骤:
利用预设深度学习模型,将识别出的所述实体与预先定义的实体关系类型进行比对,查找符合所述实体关系类型的一一对应的实体;
根据查找结果,确定所述实体之间的相应关系;
所述按照获取的所述实体之间的相应关系,对获取的所述实体进行关联融合,生成对应的医学知识图谱,包括:
根据获取的所述实体之间的相应关系,按照预设关联融合算法,计算相同实体之间的关联融合分值;
判断计算得到的所述关联融合分值是否不低于预设关联阈值;
若所述关联融合分值不低于所述预设关联阈值,则确认所述实体具备关联关系,并对确认具备关联关系的实体进行融合,生成对应的医学知识图谱;
其中,所述预设关联融合算法包括:
利用α表示不同实体含有的相同词素的个数对于该实体进行关联融合的影响系数,β表示相同词素在不同实体中的位置关系对于该实体进行关联融合的影响系数,L表示不同实体之间相同词素的长度,A、B分别表示实体A和实体B对应的词汇长度,Ha表示相同词素在实体A中的位置权重,Hb表示相同词素在实体B中的位置权重,则实体A和实体B之间的关联融合分值F,可以按照如下数学表达式计算得出:
上述数学表达式中,α和β的和为1;
针对位置权重H,可以利用如下数学表达式计算得出:
其中,hi为词素在实体中的位置序号,ht为实体中各词素所分别对应的位置序号。
6.如权利要求5所述的服务器,其特征在于,所述根据获取的所述实体以及所述实体之间的相应关系,生成所述医学信息对应的医学知识图谱,所述处理器还用于执行所述医学知识图谱的生成系统,还包括:
根据获取的各实体之间的相应关系,采用连接线的形式,将获取的各实体用关系线进行连接,得到包括实体以及各实体之间相应关系的医学知识图谱。
7.如权利要求6所述的服务器,其特征在于,所述处理器还用于执行所述医学知识图谱的生成系统,以实现如下步骤:
显示生成的所述医学知识图谱,并将生成的所述医学知识图谱发送至预设终端,供医学人员确认所述医学知识图谱是否正确;
和/或:
基于生成的所述医学知识图谱,识别与所述医学信息对应的医学疾病名称,并根据识别出的所述医学疾病名称,提供与所述医学疾病名称相匹配的治疗方案信息,供用户参考。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710833629 | 2017-09-15 | ||
CN2017108336298 | 2017-09-15 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107609163A CN107609163A (zh) | 2018-01-19 |
CN107609163B true CN107609163B (zh) | 2021-08-24 |
Family
ID=61058537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710885031.3A Expired - Fee Related CN107609163B (zh) | 2017-09-15 | 2017-09-26 | 医学知识图谱的生成方法、存储介质及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609163B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109213871A (zh) * | 2018-07-26 | 2019-01-15 | 南京邮电大学 | 患者信息知识图谱构建方法、可读存储介质和终端 |
CN109712704B (zh) * | 2018-12-14 | 2021-08-13 | 北京百度网讯科技有限公司 | 方案的推荐方法及其装置 |
CN111383773B (zh) * | 2018-12-28 | 2023-04-28 | 医渡云(北京)技术有限公司 | 医学实体信息的处理方法、装置、存储介质及电子设备 |
CN111382275A (zh) * | 2018-12-28 | 2020-07-07 | 医渡云(北京)技术有限公司 | 医疗知识图谱的构建方法、装置、介质及电子设备 |
US11514091B2 (en) | 2019-01-07 | 2022-11-29 | International Business Machines Corporation | Extracting entity relations from semi-structured information |
CN110032648B (zh) * | 2019-03-19 | 2021-05-07 | 微医云(杭州)控股有限公司 | 一种基于医学领域实体的病历结构化解析方法 |
CN110008959A (zh) * | 2019-03-26 | 2019-07-12 | 北京博瑞彤芸文化传播股份有限公司 | 一种医学数据处理方法及系统 |
CN110069779B (zh) * | 2019-04-18 | 2023-01-10 | 腾讯科技(深圳)有限公司 | 医疗文本的症状实体识别方法及相关装置 |
CN110246590A (zh) * | 2019-06-17 | 2019-09-17 | 上海米帝信息技术有限公司 | 一种血液病知识图谱数据库的构建方法 |
CN110555103A (zh) * | 2019-07-22 | 2019-12-10 | 中国人民解放军总医院 | 生物医学实体展示平台的构建方法、装置和计算机设备 |
CN110990637B (zh) * | 2019-10-14 | 2022-09-20 | 平安银行股份有限公司 | 网络图谱的构建方法及其装置 |
CN112687385B (zh) * | 2019-10-18 | 2024-07-16 | 医渡云(北京)技术有限公司 | 一种疾病分期识别方法以及装置 |
CN111428036B (zh) * | 2020-03-23 | 2022-05-27 | 浙江大学 | 一种基于生物医学文献的实体关系挖掘方法 |
CN111739595B (zh) * | 2020-07-24 | 2020-11-13 | 湖南创星科技股份有限公司 | 一种医疗大数据共享分析方法及装置 |
CN112037920A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 医疗知识图谱构建方法、装置、设备及存储介质 |
CN112287121A (zh) * | 2020-11-09 | 2021-01-29 | 北京沃东天骏信息技术有限公司 | 推送信息的生成方法、装置 |
CN112582073B (zh) * | 2020-12-30 | 2022-10-11 | 天津新开心生活科技有限公司 | 医疗信息获取方法、装置、电子设备和介质 |
CN113488183B (zh) * | 2021-06-30 | 2023-10-31 | 吾征智能技术(北京)有限公司 | 一种发热疾病多模态特征融合认知系统、设备、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021281A (zh) * | 2016-04-29 | 2016-10-12 | 京东方科技集团股份有限公司 | 医学知识图谱的构建方法、其装置及其查询方法 |
CN106776711A (zh) * | 2016-11-14 | 2017-05-31 | 浙江大学 | 一种基于深度学习的中文医学知识图谱构建方法 |
CN106777331A (zh) * | 2017-01-11 | 2017-05-31 | 北京航空航天大学 | 知识图谱生成方法及装置 |
CN107145744A (zh) * | 2017-05-08 | 2017-09-08 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8700589B2 (en) * | 2011-09-12 | 2014-04-15 | Siemens Corporation | System for linking medical terms for a medical knowledge base |
-
2017
- 2017-09-26 CN CN201710885031.3A patent/CN107609163B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021281A (zh) * | 2016-04-29 | 2016-10-12 | 京东方科技集团股份有限公司 | 医学知识图谱的构建方法、其装置及其查询方法 |
CN106776711A (zh) * | 2016-11-14 | 2017-05-31 | 浙江大学 | 一种基于深度学习的中文医学知识图谱构建方法 |
CN106777331A (zh) * | 2017-01-11 | 2017-05-31 | 北京航空航天大学 | 知识图谱生成方法及装置 |
CN107145744A (zh) * | 2017-05-08 | 2017-09-08 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107609163A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609163B (zh) | 医学知识图谱的生成方法、存储介质及服务器 | |
CN109190110B (zh) | 一种命名实体识别模型的训练方法、系统及电子设备 | |
CN110532360A (zh) | 医疗领域知识图谱问答处理方法、装置、设备及存储介质 | |
CN113707300B (zh) | 基于人工智能的搜索意图识别方法、装置、设备及介质 | |
CN111401066B (zh) | 基于人工智能的词分类模型训练方法、词处理方法及装置 | |
CN111708873A (zh) | 智能问答方法、装置、计算机设备和存储介质 | |
CN109408821B (zh) | 一种语料生成方法、装置、计算设备及存储介质 | |
CN111984793A (zh) | 文本情感分类模型训练方法、装置、计算机设备及介质 | |
CN105095195A (zh) | 基于知识图谱的人机问答方法和系统 | |
US20140351228A1 (en) | Dialog system, redundant message removal method and redundant message removal program | |
CN112149409B (zh) | 医疗词云生成方法、装置、计算机设备及存储介质 | |
CN110377719B (zh) | 医疗问答方法及装置 | |
CN114611735A (zh) | 就医的互联网挂号方法、装置、设备及存储介质 | |
CN111797245B (zh) | 基于知识图谱模型的信息匹配方法及相关装置 | |
CN112667796B (zh) | 一种对话回复方法、装置、电子设备及可读存储介质 | |
CN111488468A (zh) | 地理信息知识点抽取方法、装置、存储介质及计算机设备 | |
CN111597789A (zh) | 一种电子病历文本的评估方法及设备 | |
CN116578704A (zh) | 文本情感分类方法、装置、设备及计算机可读介质 | |
CN106933802B (zh) | 一种面向多数据源的社保类实体识别方法及装置 | |
CN109299238B (zh) | 一种数据查询方法和装置 | |
CN107766400A (zh) | 文本检索方法及系统 | |
CN110752027A (zh) | 电子病历数据推送方法、装置、计算机设备和存储介质 | |
CN114020892A (zh) | 基于人工智能的答案选取方法、装置、电子设备及介质 | |
EP3901875A1 (en) | Topic modelling of short medical inquiries | |
CN110929526A (zh) | 样本生成方法、装置以及电子设备 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210824 |