CN108182262A - 基于深度学习和知识图谱的智能问答系统构建方法和系统 - Google Patents
基于深度学习和知识图谱的智能问答系统构建方法和系统 Download PDFInfo
- Publication number
- CN108182262A CN108182262A CN201810008291.7A CN201810008291A CN108182262A CN 108182262 A CN108182262 A CN 108182262A CN 201810008291 A CN201810008291 A CN 201810008291A CN 108182262 A CN108182262 A CN 108182262A
- Authority
- CN
- China
- Prior art keywords
- disease
- model
- knowledge mapping
- deep learning
- 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.)
- Granted
Links
Classifications
-
- 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
- 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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/374—Thesaurus
Abstract
本发明公开了一种基于深度学习和知识图谱的智能问答系统构建方法和系统,利用爬虫获取互联网的问诊医疗数据集,并进行数据预处理获得有标签的数据集;结合医院电子病历构建基于医学领域的分词词典,并与医学词典合并作为系统的分词词典;构建疾病和症状关联的知识图谱,并进行疾病实体对齐和症状实体对齐;根据疾病实体对齐,获得有标签数据集;构建基于深度学习的语言模型;构建结合用户上下文信息的基于知识图谱的查询优化算法;构建语言模型和知识图谱融合的训练数据集并进行模型融合训练,获得基于语言模型和知识图谱的预诊融合模型。本发明基于深度学习和知识图谱,实现了结合用户主诉信息进行主动问诊交互,及根据用户主诉及问诊信息的疾病预诊。
Description
技术领域
本发明涉及一种深度学习、可视化和问答系统的领域,特别是涉及一种基于深度学习和知识图谱的智能问答系统构建方法和系统。
背景技术
目前,中国正面临一系列健康风险:人口老龄化加剧、慢病患者数量巨大、老年病”年轻化”、亚健康常态化、医学敏感人群上升、心理问题严重等。医疗领域一直是信息化发展的重要方向,医疗行业的信息化投资规模逐年增长。经过一段时间的发展,网上医疗系统逐渐由假象变成了现实,成为了不可避免的趋势。通过网上的问答系统,用户可以足不出户地进行医疗系统方面的咨询,而不必去医院或者是诊所经历复杂的手续和漫长的等待。对医生来说,网上医疗系统也为医生提供了丰富的病例素材,提高医生的经验和专业能力。
然而,就传统医疗问答系统来说,通常面临以下几个重要的问题:(1)基于共有症状无法精确定位疾病;(2)用户描述不专业引起歧义;(3)不具备结合上下文主动交互功能。智能诊疗问答系统的构建主要有两种策略:(1)基于数据的方法,主要通过互联网的搜索机制,从网上的海量数据中搜索相似的信息来辅助确诊,此策略对应的采集得到的数据量很大,可以覆盖的疾病类别数量也大;但基于网络的文本数据的知识密度低,无法形成有效推理机制,对疑难杂症等的分析存在很大不足,后期精准度的提升非常困难;(2)基于知识推理机制,主要就是在病情分类上引入了模糊决策技术,此策略的优势是便于利用已有的确定性的病情知识,能形成可理解、可展示的决策依据,对人脑决策提供直接的辅助支持;但缺陷是对高质量的数据依赖太严重,病情、类别总量的覆盖就会很有限。
发明内容
本发明的主要目的在于克服现有技术中的上述缺陷,提出一种基于深度学习和知识图谱的智能问答系统构建方法和系统。
本发明采用如下技术方案:
基于深度学习和知识图谱的智能问答系统构建方法,其特征在于,包括如下步骤:
S1:构建基于网络爬虫数据的有标签的呼吸内科数据集Data1,其中文本字段存放为文件Text1,类别字段为存为文件Class1,数据集Data1中的每条记录的文本和类别一一对应;
S2:结合医院电子病历构建基于医学领域的分词词典Dict1,并与医学词典合并作为系统的分词词典Dict2;
S3:对步骤S1中文件Text1,利用分词词典Dict2做分词,并保存分词后的文本为Text2,进行word2vec词向量模型训练,得到词向量模型w2v;
S4:基于步骤S3中的分词后文本Text2和步骤S1中的类别文件Class1,构建系统使用的知识图谱DB3、基于知识图谱DB3的预测模型Model1和疾病实体对齐后的类别文件Class2;
S5:基于步骤S3中的分词后文本Text2和步骤S4中的类别文件Class2,构建基于深度学习的语言模型预测模型Model2;
S6:构建结合用户上下文基于知识图谱主动交互的问诊模型Model3;
S7:构建基于深度学习的语言模型预测模型Model2和主动交互的问诊模型Model3的疾病预诊模型Model5。
优选的,所述构建基于网络爬虫数据的有标签的数据集Data1,具体为:
S11:爬取网站的医疗问诊数据,并人工标注文本标签4000条以上,得到有标签的数据集Data2;
S12:利用数据集Data2构建用于标注的、基于深度学习的语言模型和知识图谱,对余下爬虫数据进行自动标注标签,得到有标签数据集Data3;
S13:整合有标签数据集Data2和有标签数据集Data3,得到有标签的呼吸内科数据集Data1。
优选的,在步骤S11中,依照预设的记录筛选原则筛选记录,及按照预设的疾病标签添加原则添加标签。
优选的,步骤S4包括:
S41:利用步骤S3中的分词后文本Text2和步骤S1中的类别文件Class1,提取每一类别的TF-IDF关键词,并与人工提取的粗糙症状词集取交集,得到每一类疾病的症状词,并构建粗糙图数据库DB1;
S42:对粗糙图数据库DB1利用每类疾病的共有症状占比进行疾病实体对齐,并对疾病实体对齐规则进行人工核对,得到图数据库DB2;
S43:利用疾病实体对齐规则,对步骤S1中的类别文件Class1进行对齐,得到对齐后类别文件Class2;
S44:对图数据库DB2利用每个症状的共有疾病占比进行症状实体对齐,得到知识图谱DB3作为系统使用的图数据库,并构造基于知识图谱DB3的预测模型Model1。
优选的,步骤S6包括:
S61:根据用户输入的主诉信息进行分词,提取关键词,并利用知识图谱DB3获得可疑疾病;
S62:针对每一种可疑疾病,结合用户上文信息,寻找疾病的特有症状并进行询问。
优选的,步骤S7包括:
S71:基于知识图谱DB3的预测模型Model1,构造基于该预测模型Model1的融合模型训练数据Data4;
S72:基于深度学习的预测模型Model2,构造基于该预测模型Model2的融合模型训练数据Data5;
S73:利用融合模型训练数据Data4和融合模型训练数据Data5,进行横向合并得到适合融合模型的训练数据集Data6,以随机森林算法构建基于深度学习和知识图谱的融合模型Model4;
S74,基于融合模型Model4,构造疾病预诊模型Model5,按概率高低输出最有可能的三种疾病。
一种基于现实场景的智能问答系统,其特征在于,基于上述的任意一种基于深度学习和知识图谱的智能问答系统构建方法实现,包括如下:
1)用户输入自己的主诉信息,将此次交互的所有主诉信息合并为文本text1,利用分词词典Dict2分词;
2)对1)中分词后的单词与知识图谱DB3中的关键词匹配,并得到可疑疾病;
3)针对每一种可疑疾病,利用基于知识图谱主动交互的问诊模型Model3,结合用户上文信息进行主动问诊,问诊信息记为text2;
4)将1)中的主诉文本text1和问诊信息text2,输入到基于知识图谱DB3的预测模型Model1和基于深度学习的语言模型预测模型Model2,得出每一个模对每一种疾病的预测概率,记为pro1和pro2;
5)将预测概率pro1和pro2,输入到疾病预诊模型Model5中,输出用户最有可能的3种疾病。
优选的,在5)中,输出用户最有可能的3种疾病,这3种疾病以概率大小从高到底排序。
由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:
1、本发明基于深度学习和知识图谱,实现智能问答系统的构建。该方法能够解决传统问答系统中基于共有症状无法精确定位疾病、用户描述不专业引起歧义、不具备结合上下文主动交互功能的问题。同时方案结合了基于数据的方法和基于知识推理机制两种策略的优势,并弥补了对应的不足,完美的实现了系统同时结合了基于大数据的深度学习与知识图谱等相关技术,构建一个初步可用的智能诊疗辅助系统。而理论上也保障了随着数据量的不断增加,最终可构建形成一个完美的自动诊疗问答系统。
2、本发明采用知识图谱提高知识密度,解决目前基于数据的构建方法中网络文本数据的知识密度低,无法形成有效推理机制,对疑难杂症等的分析存在很大不足,后期精准度的提升非常困难的问题。
3、本发明结合深度学习的智能诊疗模型构建,解决基于知识推理的机制构建方法中对高质量的数据依赖太严重,病情、类别总量的覆盖就会很有限的问题。
4、本发明基于知识图谱的知识表示和可视化推理,形成了可理解、能可视化展示、可交互的智能诊疗辅助系统,可为使用者提供直接的决策参考。
附图说明
图1是本发明的基于深度学习的语言模型流程图。
图2是本发明的基于图数据库的模块流程图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
参照图1、图2,本发明的基于深度学习和知识图谱的智能问答系统构建方法,包括以下步骤:
S1:构建基于网络爬虫数据的有标签的呼吸内科数据集Data1,其中文本字段存放为文件Text1,类别字段为存为文件Class1,每条记录的文本和类别一一对应。
S11:爬取“ask120”网站的医疗问诊数据,并人工标注文本标签4000条以上,得到有标签的数据集Data2。
其中,涉及到的记录筛选原则:(1)如果某条记录无法得出疾病名称,则该条记录删除;(2)如果某个ID的“疾病问题描述”这一列内容与“呼吸内科”无关,则该ID对应的记录删除。
涉及到的疾病标签添加原则:(1)如果同一ID不同的记录,“回答内容”这一列得出的疾病名称不一样,但基本内容相同,则选择“点赞数”和“获得帮助数”比较高的那条记录得出的疾病名称作为疾病标签。如样本中的第一个ID,第一条记录得出的标签是炎症,第二条记录得出的标签是细菌感染,而第一条记录的“点赞数”和“获得帮助数”比较高,所以我们综合给出的标签是“炎症”;(2)一般情况下,一个ID一条记录即可,遇到特殊情况可以多条记录给出多个标签。如样本中的第一个ID,第一条记录得出的标签是炎症,第二条记录得出的标签是细菌感染,第三条记录得出的标签是上呼吸道感染,“炎症”和“上呼吸道感染”有区别,所以综合(1)(2)的描述,将样本中的第一个ID给出2个标签,形成两条记录,第一条记录标签是“炎症”,第二条记录标签是“上呼吸道感染”。
S12:利用数据集Data2构建用于标注的、基于深度学习的语言模型和知识图谱,对余下爬虫数据进行自动标注标签,得到有标签数据集Data3。
S13:整合有标签数据集Data2和有标签数据集Data3,得到有标签的呼吸内科数据集Data1。
S2:结合医院电子病历构建基于医学领域的分词词典Dict1共1000条以上,和网上下载的医学词典,合并作为系统的分词词典Dict2。
S3:对步骤S1中得的数据集Data1中的文本Text1,利用词典Dict2做分词,并保存分词后的文本为Text2,进行word2vec词向量模型训练,得到词向量模型w2v。
S4:基于步骤S3中的分词后文本Text2和步骤S1中的类别文件Class1,构建系统使用的知识图谱DB3、基于知识图谱DB3的预测模型Model1和疾病实体对齐后的类别文件Class2。
S41:利用步骤S3中的分词后文本Text2和步骤S1中的类别文件Class1,提取每一类别的TF-IDF关键词,并与人工提取的粗糙症状词集取交集,得到每一类疾病的症状词,并构建粗糙图数据库DB1。
S42:对图数据DB1利用每类疾病的共有症状占比进行疾病实体对齐,并对对齐规则进行人工核对,得到图数据库DB2。
S43:利用疾病实体对齐规则,对步骤S1中的类别文件Class1进行对齐,得到对齐后类别文件Class2。
S44:对图数据DB2利用每个症状的共有疾病占比进行症状实体对齐,得到知识图谱DB3作为系统使用的图数据库,并构造基于知识图谱DB3的预测模型Model1。
S5:基于步骤S3中的分词后文本Text2和步骤S43中的类别文件Class2,构建基于深度学习的语言模型预测模型Model2。
S6:构建结合用户上下文基于知识图谱主动交互的问诊模型Model3。
S61:根据用户输入的主诉信息进行分词,提取关键词,并利用知识图谱DB3获得可疑疾病。
S62:针对每一种可疑疾病,结合用户上文信息,寻找疾病的特有症状并进行询问。
S7:构建基于深度学习和知识图谱的模型融合的疾病预诊模型Model5。
S71:基于知识图谱DB3的预测模型Model1,构造基于该预测模型的融合模型训练数据Data4。
S72:基于深度学习的预测模型Model2,构造基于该预测模型的融合模型训练数据Data5。
S73:利用基于知识图谱的模型预测数据集Data4和基于深度学习的模型预测数据集Data5,进行横向合并得到适合融合模型的训练数据集Data6,以随机森林算法构建基于深度学习和知识图谱的融合模型Model4。
S74:基于融合模型Model4,构造疾病预诊模型Model5,按概率高低输出最有可能的三种疾病。
基于上述的方法,本发明的还提出一种基于现实场景的智能问答系统。
1)用户输入自己的主诉信息,将此次交互的所有主诉信息合并为文本text1,利用步骤S2中的词典Dict2分词。
2)对S81中分词后的单词与知识图谱DB3中的关键词匹配,并得到可疑疾病。
3)针对每一种可疑疾病,利用基于知识图谱主动交互的问诊模型Model3,结合用户上文信息进行主动问诊,问诊信息记为text2。
4)将S81中的主诉文本text1和问诊信息text2,输入到步骤S44中基于知识图谱DB3的预测模型Model1和步骤S5中基于深度学习的语言模型预测模型Model2,得出每一个模对每一种疾病的预测概率,记为pro1和pro2。
5)将步骤S84中的模型预测概率pro1和pro2,输入到步骤S7中基于深度学习和知识图谱的模型融合的疾病预诊模型Model5中,输出用户最有可能的3种疾病,以概率大小排序,从高到底。
本发明构建的智能问答系统能够解决现有医疗问答系统基于共有症状无法精确定位疾病、用户描述不专业引起歧义、不具备结合上下文主动交互功能的问题。同时采用知识图谱提高知识密度,解决目前基于数据的构建方法中网络文本数据的知识密度低,无法形成有效推理机制,对疑难杂症等的分析存在很大不足,后期精准度的提升非常困难的问题。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (8)
1.基于深度学习和知识图谱的智能问答系统构建方法,其特征在于,包括如下步骤:
S1:构建基于网络爬虫数据的有标签的呼吸内科数据集Data1,其中文本字段存放为文件Text1,类别字段为存为文件Class1,数据集Data1中的每条记录的文本和类别一一对应;
S2:结合医院电子病历构建基于医学领域的分词词典Dict1,并与医学词典合并作为系统的分词词典Dict2;
S3:对步骤S1中文件Text1,利用分词词典Dict2做分词,并保存分词后的文本为Text2,进行word2vec词向量模型训练,得到词向量模型w2v;
S4:基于步骤S3中的分词后文本Text2和步骤S1中的类别文件Class1,构建系统使用的知识图谱DB3、基于知识图谱DB3的预测模型Model1和疾病实体对齐后的类别文件Class2;
S5:基于步骤S3中的分词后文本Text2和步骤S4中的类别文件Class2,构建基于深度学习的语言模型预测模型Model2;
S6:构建结合用户上下文基于知识图谱主动交互的问诊模型Model3;
S7:构建基于深度学习的语言模型预测模型Model2和主动交互的问诊模型Model3的疾病预诊模型Model5。
2.如权利要求1所述的基于深度学习和知识图谱的智能问答系统构建方法,其特征在于,所述构建基于网络爬虫数据的有标签的数据集Data1,具体为:
S11:爬取网站的医疗问诊数据,并人工标注文本标签4000条以上,得到有标签的数据集Data2;
S12:利用数据集Data2构建用于标注的、基于深度学习的语言模型和知识图谱,对余下爬虫数据进行自动标注标签,得到有标签数据集Data3;
S13:整合有标签数据集Data2和有标签数据集Data3,得到有标签的呼吸内科数据集Data1。
3.如权利要求2所述的基于深度学习和知识图谱的智能问答系统构建方法,其特征在于,在步骤S11中,依照预设的记录筛选原则筛选记录,及按照预设的疾病标签添加原则添加标签。
4.如权利要求1所述的基于深度学习和知识图谱的智能问答系统构建方法,其特征在于,步骤S4包括:
S41:利用步骤S3中的分词后文本Text2和步骤S1中的类别文件Class1,提取每一类别的TF-IDF关键词,并与人工提取的粗糙症状词集取交集,得到每一类疾病的症状词,并构建粗糙图数据库DB1;
S42:对粗糙图数据库DB1利用每类疾病的共有症状占比进行疾病实体对齐,并对疾病实体对齐规则进行人工核对,得到图数据库DB2;
S43:利用疾病实体对齐规则,对步骤S1中的类别文件Class1进行对齐,得到对齐后类别文件Class2;
S44:对图数据库DB2利用每个症状的共有疾病占比进行症状实体对齐,得到知识图谱DB3作为系统使用的图数据库,并构造基于知识图谱DB3的预测模型Model1。
5.如权利要求1所述的基于深度学习和知识图谱的智能问答系统构建方法,其特征在于,步骤S6包括:
S61:根据用户输入的主诉信息进行分词,提取关键词,并利用知识图谱DB3获得可疑疾病;
S62:针对每一种可疑疾病,结合用户上文信息,寻找疾病的特有症状并进行询问。
6.如权利要求1所述的基于深度学习和知识图谱的智能问答系统构建方法,其特征在于,步骤S7包括:
S71:基于知识图谱DB3的预测模型Model1,构造基于该预测模型Model1的融合模型训练数据Data4;
S72:基于深度学习的预测模型Model2,构造基于该预测模型Model2的融合模型训练数据Data5;
S73:利用融合模型训练数据Data4和融合模型训练数据Data5,进行横向合并得到适合融合模型的训练数据集Data6,以随机森林算法构建基于深度学习和知识图谱的融合模型Model4;
S74,基于融合模型Model4,构造疾病预诊模型Model5,按概率高低输出最有可能的三种疾病。
7.一种基于现实场景的智能问答系统,其特征在于,基于权利要求1至6所述的任意一种基于深度学习和知识图谱的智能问答系统构建方法实现,包括如下:
1)用户输入自己的主诉信息,将此次交互的所有主诉信息合并为文本text1,利用分词词典Dict2分词;
2)对1)中分词后的单词与知识图谱DB3中的关键词匹配,并得到可疑疾病;
3)针对每一种可疑疾病,利用基于知识图谱主动交互的问诊模型Model3,结合用户上文信息进行主动问诊,问诊信息记为text2;
4)将1)中的主诉文本text1和问诊信息text2,输入到基于知识图谱DB3的预测模型Model1和基于深度学习的语言模型预测模型Model2,得出每一个模对每一种疾病的预测概率,记为pro1和pro2;
5)将预测概率pro1和pro2,输入到疾病预诊模型Model5中,输出用户最有可能的3种疾病。
8.如权利要求7所述的一种基于现实场景的智能问答系统,其特征在于,在5)中,输出用户最有可能的3种疾病,这3种疾病以概率大小从高到底排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810008291.7A CN108182262B (zh) | 2018-01-04 | 2018-01-04 | 基于深度学习和知识图谱的智能问答系统构建方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810008291.7A CN108182262B (zh) | 2018-01-04 | 2018-01-04 | 基于深度学习和知识图谱的智能问答系统构建方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108182262A true CN108182262A (zh) | 2018-06-19 |
CN108182262B CN108182262B (zh) | 2022-03-04 |
Family
ID=62549803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810008291.7A Active CN108182262B (zh) | 2018-01-04 | 2018-01-04 | 基于深度学习和知识图谱的智能问答系统构建方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108182262B (zh) |
Cited By (50)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920634A (zh) * | 2018-06-30 | 2018-11-30 | 天津大学 | 基于知识图谱的皮肤病特征分析系统 |
CN108932349A (zh) * | 2018-08-17 | 2018-12-04 | 齐鲁工业大学 | 医疗自动问答方法及装置、存储介质、电子设备 |
CN109166622A (zh) * | 2018-08-20 | 2019-01-08 | 重庆柚瓣家科技有限公司 | 基于知识图谱的疾病预诊系统 |
CN109243618A (zh) * | 2018-09-12 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 医学模型的构建方法、疾病标签构建方法及智能设备 |
CN109241257A (zh) * | 2018-08-20 | 2019-01-18 | 重庆柚瓣家科技有限公司 | 一种基于知识图谱的智慧问答系统及其方法 |
CN109284396A (zh) * | 2018-09-27 | 2019-01-29 | 北京大学深圳研究生院 | 医学知识图谱构建方法、装置、服务器及存储介质 |
CN109446387A (zh) * | 2018-10-09 | 2019-03-08 | 众蚁(上海)信息技术有限公司 | 一种基于人工智能的业委会智能问答系统 |
CN109508391A (zh) * | 2018-12-28 | 2019-03-22 | 北京金山安全软件有限公司 | 基于知识图谱的输入预测方法、装置和电子设备 |
CN109509551A (zh) * | 2018-11-01 | 2019-03-22 | 新博卓畅技术(北京)有限公司 | 一种常见疾病智能诊断方法及系统 |
CN109543014A (zh) * | 2018-11-05 | 2019-03-29 | 腾讯科技(深圳)有限公司 | 人机对话方法、装置、终端及服务器 |
CN109697288A (zh) * | 2018-12-25 | 2019-04-30 | 北京理工大学 | 一种基于深度学习的实例对齐方法 |
CN109739995A (zh) * | 2018-12-21 | 2019-05-10 | 中国银联股份有限公司 | 一种信息处理方法及装置 |
CN109817329A (zh) * | 2019-01-21 | 2019-05-28 | 暗物智能科技(广州)有限公司 | 一种医疗问诊对话系统以及应用于该系统的强化学习方法 |
CN109872816A (zh) * | 2019-02-13 | 2019-06-11 | 广州天鹏计算机科技有限公司 | 基于知识图谱的慢阻肺疾病咨询方法、装置和系统 |
CN109887596A (zh) * | 2019-02-18 | 2019-06-14 | 广州天鹏计算机科技有限公司 | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 |
CN109935320A (zh) * | 2019-03-21 | 2019-06-25 | 颐保医疗科技(上海)有限公司 | 一种常见皮肤病网络辅助诊断系统 |
CN110008354A (zh) * | 2019-04-10 | 2019-07-12 | 华侨大学 | 一种基于知识图谱的对外汉语学习内容的构建方法 |
CN110083690A (zh) * | 2019-04-10 | 2019-08-02 | 华侨大学 | 一种基于智能问答的对外汉语口语训练方法及系统 |
CN110111884A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种基于cmkmc的人机协同智慧医疗辅助决策系统 |
CN110245242A (zh) * | 2019-06-20 | 2019-09-17 | 北京百度网讯科技有限公司 | 医学知识图谱构建方法、装置以及终端 |
CN110349677A (zh) * | 2019-06-26 | 2019-10-18 | 秒针信息技术有限公司 | 医学数据的搜索方法及装置、存储介质、电子装置 |
CN110490251A (zh) * | 2019-03-08 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
CN110532397A (zh) * | 2019-07-19 | 2019-12-03 | 平安科技(深圳)有限公司 | 基于人工智能的问答方法、装置、计算机设备及存储介质 |
CN110534185A (zh) * | 2019-08-30 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 标注数据获取方法、分诊方法、装置、存储介质及设备 |
CN110543546A (zh) * | 2019-07-18 | 2019-12-06 | 华瑞新智科技(北京)有限公司 | 一种工业设备中的隐患问题查询方法和装置 |
CN110569331A (zh) * | 2019-09-04 | 2019-12-13 | 出门问问信息科技有限公司 | 一种基于上下文的关联性预测方法、装置及存储设备 |
CN110598116A (zh) * | 2019-09-19 | 2019-12-20 | 上海腾程医学科技信息有限公司 | 检验项目推荐方法及装置、终端设备、存储介质 |
CN110807091A (zh) * | 2019-03-01 | 2020-02-18 | 王涵 | 一种酒店智能问答推荐与决策支持分析方法及系统 |
CN110838368A (zh) * | 2019-11-19 | 2020-02-25 | 广州西思数字科技有限公司 | 一种基于中医临床知识图谱的机器人主动问诊方法 |
CN110993093A (zh) * | 2019-11-15 | 2020-04-10 | 北京邮电大学 | 基于深度学习的眼科预问诊方法与装置 |
CN111241243A (zh) * | 2020-01-13 | 2020-06-05 | 华中师范大学 | 面向知识测量的试题、知识、能力张量构建与标注方法 |
CN111274373A (zh) * | 2020-01-16 | 2020-06-12 | 山东大学 | 一种基于知识图谱的电子病历问答方法及系统 |
CN111414461A (zh) * | 2020-01-20 | 2020-07-14 | 福州大学 | 一种融合知识库与用户建模的智能问答方法及系统 |
CN111666477A (zh) * | 2020-06-19 | 2020-09-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、智能设备及介质 |
CN111814018A (zh) * | 2019-04-10 | 2020-10-23 | 蓝海系统株式会社 | 记录管理系统和装置、文档审批和制作装置及方法、记录介质 |
CN111985246A (zh) * | 2020-08-27 | 2020-11-24 | 武汉东湖大数据交易中心股份有限公司 | 一种基于主要症状与伴随症状词的疾病认知系统 |
CN112037912A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
CN112216383A (zh) * | 2020-10-26 | 2021-01-12 | 山东众阳健康科技集团有限公司 | 基于证素和深度学习的中医智能问诊舌诊综合系统 |
CN112231460A (zh) * | 2020-10-27 | 2021-01-15 | 中国科学院合肥物质科学研究院 | 一种基于农业百科知识图谱的问答系统的构建方法 |
CN112349409A (zh) * | 2020-10-22 | 2021-02-09 | 魏忠钰 | 一种疾病类型预测方法、装置、设备及系统 |
CN112735475A (zh) * | 2020-12-25 | 2021-04-30 | 北京博瑞彤芸科技股份有限公司 | 一种通过语音搜索疾病知识的方法和系统 |
CN112749287A (zh) * | 2021-01-26 | 2021-05-04 | 北京搜狗科技发展有限公司 | 知识图谱的构建方法和使用方法、装置和介质 |
CN112802592A (zh) * | 2019-11-14 | 2021-05-14 | 海信集团有限公司 | 电子终端及医疗问询方法 |
WO2021208444A1 (zh) * | 2020-09-07 | 2021-10-21 | 平安科技(深圳)有限公司 | 电子病例自动生成方法、装置、设备及存储介质 |
CN113688205A (zh) * | 2021-08-25 | 2021-11-23 | 辽宁工程技术大学 | 一种基于深度学习的疾病检测方法 |
CN113724859A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的疾病提示设备、方法、装置及存储介质 |
CN113868406A (zh) * | 2021-12-01 | 2021-12-31 | 无码科技(杭州)有限公司 | 搜索方法、系统、计算机可读存储介质 |
CN114628012A (zh) * | 2022-03-21 | 2022-06-14 | 中国人民解放军西部战区总医院 | 一种急诊科预检分检系统 |
CN114881047A (zh) * | 2022-07-12 | 2022-08-09 | 杭州远传新业科技股份有限公司 | 一种蔬菜病虫害图片问答方法及装置 |
CN115206533A (zh) * | 2022-09-15 | 2022-10-18 | 北京智源人工智能研究院 | 基于知识图谱健康管理方法、装置及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080177578A1 (en) * | 2000-03-10 | 2008-07-24 | Zakim David S | System and method for obtaining, processing and evaluating patient information for diagnosing disease and selecting treatment |
CN106991284A (zh) * | 2017-03-31 | 2017-07-28 | 南华大学 | 智能育儿知识服务方法及系统 |
CN107247881A (zh) * | 2017-06-20 | 2017-10-13 | 北京大数医达科技有限公司 | 一种多模态智能分析方法及系统 |
-
2018
- 2018-01-04 CN CN201810008291.7A patent/CN108182262B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080177578A1 (en) * | 2000-03-10 | 2008-07-24 | Zakim David S | System and method for obtaining, processing and evaluating patient information for diagnosing disease and selecting treatment |
CN106991284A (zh) * | 2017-03-31 | 2017-07-28 | 南华大学 | 智能育儿知识服务方法及系统 |
CN107247881A (zh) * | 2017-06-20 | 2017-10-13 | 北京大数医达科技有限公司 | 一种多模态智能分析方法及系统 |
Cited By (80)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108920634A (zh) * | 2018-06-30 | 2018-11-30 | 天津大学 | 基于知识图谱的皮肤病特征分析系统 |
CN108932349B (zh) * | 2018-08-17 | 2019-03-26 | 齐鲁工业大学 | 医疗自动问答方法及装置、存储介质、电子设备 |
CN108932349A (zh) * | 2018-08-17 | 2018-12-04 | 齐鲁工业大学 | 医疗自动问答方法及装置、存储介质、电子设备 |
WO2020034642A1 (zh) * | 2018-08-17 | 2020-02-20 | 齐鲁工业大学 | 医疗自动问答方法及装置、存储介质、电子设备 |
CN109166622A (zh) * | 2018-08-20 | 2019-01-08 | 重庆柚瓣家科技有限公司 | 基于知识图谱的疾病预诊系统 |
CN109241257A (zh) * | 2018-08-20 | 2019-01-18 | 重庆柚瓣家科技有限公司 | 一种基于知识图谱的智慧问答系统及其方法 |
CN109166622B (zh) * | 2018-08-20 | 2022-08-05 | 重庆柚瓣家科技有限公司 | 基于知识图谱的疾病预诊系统 |
CN109241257B (zh) * | 2018-08-20 | 2022-07-19 | 重庆柚瓣家科技有限公司 | 一种基于知识图谱的智慧问答系统及其方法 |
CN109243618A (zh) * | 2018-09-12 | 2019-01-18 | 腾讯科技(深圳)有限公司 | 医学模型的构建方法、疾病标签构建方法及智能设备 |
CN109243618B (zh) * | 2018-09-12 | 2020-06-16 | 腾讯科技(深圳)有限公司 | 医学模型的构建方法、疾病标签构建方法及智能设备 |
CN109284396A (zh) * | 2018-09-27 | 2019-01-29 | 北京大学深圳研究生院 | 医学知识图谱构建方法、装置、服务器及存储介质 |
CN109446387A (zh) * | 2018-10-09 | 2019-03-08 | 众蚁(上海)信息技术有限公司 | 一种基于人工智能的业委会智能问答系统 |
CN109509551A (zh) * | 2018-11-01 | 2019-03-22 | 新博卓畅技术(北京)有限公司 | 一种常见疾病智能诊断方法及系统 |
CN109543014A (zh) * | 2018-11-05 | 2019-03-29 | 腾讯科技(深圳)有限公司 | 人机对话方法、装置、终端及服务器 |
CN109543014B (zh) * | 2018-11-05 | 2021-06-15 | 腾讯科技(深圳)有限公司 | 人机对话方法、装置、终端及服务器 |
CN109739995A (zh) * | 2018-12-21 | 2019-05-10 | 中国银联股份有限公司 | 一种信息处理方法及装置 |
CN109739995B (zh) * | 2018-12-21 | 2022-12-09 | 中国银联股份有限公司 | 一种信息处理方法及装置 |
CN109697288A (zh) * | 2018-12-25 | 2019-04-30 | 北京理工大学 | 一种基于深度学习的实例对齐方法 |
CN109508391B (zh) * | 2018-12-28 | 2022-04-08 | 北京金山安全软件有限公司 | 基于知识图谱的输入预测方法、装置和电子设备 |
CN109508391A (zh) * | 2018-12-28 | 2019-03-22 | 北京金山安全软件有限公司 | 基于知识图谱的输入预测方法、装置和电子设备 |
CN109817329A (zh) * | 2019-01-21 | 2019-05-28 | 暗物智能科技(广州)有限公司 | 一种医疗问诊对话系统以及应用于该系统的强化学习方法 |
CN109817329B (zh) * | 2019-01-21 | 2021-06-29 | 暗物智能科技(广州)有限公司 | 一种医疗问诊对话系统以及应用于该系统的强化学习方法 |
CN109872816A (zh) * | 2019-02-13 | 2019-06-11 | 广州天鹏计算机科技有限公司 | 基于知识图谱的慢阻肺疾病咨询方法、装置和系统 |
CN109887596A (zh) * | 2019-02-18 | 2019-06-14 | 广州天鹏计算机科技有限公司 | 基于知识图谱的慢阻肺疾病诊断方法、装置和计算机设备 |
CN110807091B (zh) * | 2019-03-01 | 2023-08-18 | 王涵 | 一种酒店智能问答推荐与决策支持分析方法及系统 |
CN110807091A (zh) * | 2019-03-01 | 2020-02-18 | 王涵 | 一种酒店智能问答推荐与决策支持分析方法及系统 |
CN110490251A (zh) * | 2019-03-08 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
CN110490251B (zh) * | 2019-03-08 | 2022-07-01 | 腾讯科技(深圳)有限公司 | 基于人工智能的预测分类模型获取方法及装置、存储介质 |
CN109935320A (zh) * | 2019-03-21 | 2019-06-25 | 颐保医疗科技(上海)有限公司 | 一种常见皮肤病网络辅助诊断系统 |
CN110083690B (zh) * | 2019-04-10 | 2022-05-03 | 华侨大学 | 一种基于智能问答的对外汉语口语训练方法及系统 |
CN110008354B (zh) * | 2019-04-10 | 2022-06-07 | 华侨大学 | 一种基于知识图谱的对外汉语学习内容的构建方法 |
CN110008354A (zh) * | 2019-04-10 | 2019-07-12 | 华侨大学 | 一种基于知识图谱的对外汉语学习内容的构建方法 |
CN110083690A (zh) * | 2019-04-10 | 2019-08-02 | 华侨大学 | 一种基于智能问答的对外汉语口语训练方法及系统 |
CN111814018A (zh) * | 2019-04-10 | 2020-10-23 | 蓝海系统株式会社 | 记录管理系统和装置、文档审批和制作装置及方法、记录介质 |
CN110111884A (zh) * | 2019-04-30 | 2019-08-09 | 杭州电子科技大学 | 一种基于cmkmc的人机协同智慧医疗辅助决策系统 |
CN110111884B (zh) * | 2019-04-30 | 2021-08-24 | 杭州电子科技大学 | 一种基于cmkmc的人机协同智慧医疗辅助决策系统 |
CN110245242A (zh) * | 2019-06-20 | 2019-09-17 | 北京百度网讯科技有限公司 | 医学知识图谱构建方法、装置以及终端 |
CN110349677A (zh) * | 2019-06-26 | 2019-10-18 | 秒针信息技术有限公司 | 医学数据的搜索方法及装置、存储介质、电子装置 |
CN110543546A (zh) * | 2019-07-18 | 2019-12-06 | 华瑞新智科技(北京)有限公司 | 一种工业设备中的隐患问题查询方法和装置 |
CN110543546B (zh) * | 2019-07-18 | 2022-03-22 | 华瑞新智科技(北京)有限公司 | 一种工业设备中的隐患问题查询方法和装置 |
CN110532397B (zh) * | 2019-07-19 | 2023-06-09 | 平安科技(深圳)有限公司 | 基于人工智能的问答方法、装置、计算机设备及存储介质 |
CN110532397A (zh) * | 2019-07-19 | 2019-12-03 | 平安科技(深圳)有限公司 | 基于人工智能的问答方法、装置、计算机设备及存储介质 |
CN110534185A (zh) * | 2019-08-30 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 标注数据获取方法、分诊方法、装置、存储介质及设备 |
CN110569331A (zh) * | 2019-09-04 | 2019-12-13 | 出门问问信息科技有限公司 | 一种基于上下文的关联性预测方法、装置及存储设备 |
CN110598116A (zh) * | 2019-09-19 | 2019-12-20 | 上海腾程医学科技信息有限公司 | 检验项目推荐方法及装置、终端设备、存储介质 |
CN112802592A (zh) * | 2019-11-14 | 2021-05-14 | 海信集团有限公司 | 电子终端及医疗问询方法 |
CN112802592B (zh) * | 2019-11-14 | 2023-01-24 | 海信集团有限公司 | 电子终端及医疗问询方法 |
CN110993093B (zh) * | 2019-11-15 | 2023-02-24 | 北京邮电大学 | 基于深度学习的眼科预问诊方法与装置 |
CN110993093A (zh) * | 2019-11-15 | 2020-04-10 | 北京邮电大学 | 基于深度学习的眼科预问诊方法与装置 |
CN110838368B (zh) * | 2019-11-19 | 2022-11-15 | 广州西思数字科技有限公司 | 一种基于中医临床知识图谱的主动问诊机器人 |
CN110838368A (zh) * | 2019-11-19 | 2020-02-25 | 广州西思数字科技有限公司 | 一种基于中医临床知识图谱的机器人主动问诊方法 |
CN111241243B (zh) * | 2020-01-13 | 2023-05-26 | 华中师范大学 | 面向知识测量的试题、知识、能力张量构建与标注方法 |
CN111241243A (zh) * | 2020-01-13 | 2020-06-05 | 华中师范大学 | 面向知识测量的试题、知识、能力张量构建与标注方法 |
CN111274373B (zh) * | 2020-01-16 | 2021-06-11 | 山东大学 | 一种基于知识图谱的电子病历问答方法及系统 |
CN111274373A (zh) * | 2020-01-16 | 2020-06-12 | 山东大学 | 一种基于知识图谱的电子病历问答方法及系统 |
CN111414461B (zh) * | 2020-01-20 | 2022-06-14 | 福州大学 | 一种融合知识库与用户建模的智能问答方法及系统 |
CN111414461A (zh) * | 2020-01-20 | 2020-07-14 | 福州大学 | 一种融合知识库与用户建模的智能问答方法及系统 |
CN111666477B (zh) * | 2020-06-19 | 2023-10-20 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、智能设备及介质 |
CN111666477A (zh) * | 2020-06-19 | 2020-09-15 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、智能设备及介质 |
CN111985246B (zh) * | 2020-08-27 | 2023-08-15 | 武汉东湖大数据交易中心股份有限公司 | 一种基于主要症状与伴随症状词的疾病认知系统 |
CN111985246A (zh) * | 2020-08-27 | 2020-11-24 | 武汉东湖大数据交易中心股份有限公司 | 一种基于主要症状与伴随症状词的疾病认知系统 |
WO2021208444A1 (zh) * | 2020-09-07 | 2021-10-21 | 平安科技(深圳)有限公司 | 电子病例自动生成方法、装置、设备及存储介质 |
CN112037912B (zh) * | 2020-09-09 | 2023-07-11 | 平安科技(深圳)有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
CN112037912A (zh) * | 2020-09-09 | 2020-12-04 | 平安科技(深圳)有限公司 | 基于医疗知识图谱的分诊模型训练方法、装置及设备 |
CN112349409A (zh) * | 2020-10-22 | 2021-02-09 | 魏忠钰 | 一种疾病类型预测方法、装置、设备及系统 |
CN112216383B (zh) * | 2020-10-26 | 2023-02-21 | 山东众阳健康科技集团有限公司 | 基于证素和深度学习的中医智能问诊舌诊综合系统 |
CN112216383A (zh) * | 2020-10-26 | 2021-01-12 | 山东众阳健康科技集团有限公司 | 基于证素和深度学习的中医智能问诊舌诊综合系统 |
CN112231460B (zh) * | 2020-10-27 | 2022-07-12 | 中国科学院合肥物质科学研究院 | 一种基于农业百科知识图谱的问答系统的构建方法 |
CN112231460A (zh) * | 2020-10-27 | 2021-01-15 | 中国科学院合肥物质科学研究院 | 一种基于农业百科知识图谱的问答系统的构建方法 |
CN112735475B (zh) * | 2020-12-25 | 2023-02-21 | 北京博瑞彤芸科技股份有限公司 | 一种通过语音搜索疾病知识的方法和系统 |
CN112735475A (zh) * | 2020-12-25 | 2021-04-30 | 北京博瑞彤芸科技股份有限公司 | 一种通过语音搜索疾病知识的方法和系统 |
CN112749287A (zh) * | 2021-01-26 | 2021-05-04 | 北京搜狗科技发展有限公司 | 知识图谱的构建方法和使用方法、装置和介质 |
CN113688205A (zh) * | 2021-08-25 | 2021-11-23 | 辽宁工程技术大学 | 一种基于深度学习的疾病检测方法 |
CN113724859A (zh) * | 2021-08-31 | 2021-11-30 | 平安国际智慧城市科技股份有限公司 | 基于人工智能的疾病提示设备、方法、装置及存储介质 |
CN113868406B (zh) * | 2021-12-01 | 2022-03-11 | 无码科技(杭州)有限公司 | 搜索方法、系统、计算机可读存储介质 |
CN113868406A (zh) * | 2021-12-01 | 2021-12-31 | 无码科技(杭州)有限公司 | 搜索方法、系统、计算机可读存储介质 |
CN114628012A (zh) * | 2022-03-21 | 2022-06-14 | 中国人民解放军西部战区总医院 | 一种急诊科预检分检系统 |
CN114628012B (zh) * | 2022-03-21 | 2023-09-05 | 中国人民解放军西部战区总医院 | 一种急诊科预检分检系统 |
CN114881047A (zh) * | 2022-07-12 | 2022-08-09 | 杭州远传新业科技股份有限公司 | 一种蔬菜病虫害图片问答方法及装置 |
CN115206533A (zh) * | 2022-09-15 | 2022-10-18 | 北京智源人工智能研究院 | 基于知识图谱健康管理方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108182262B (zh) | 2022-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108182262A (zh) | 基于深度学习和知识图谱的智能问答系统构建方法和系统 | |
US10818397B2 (en) | Clinical content analytics engine | |
Zhao et al. | Analysis and visualization of citation networks | |
CN111191048B (zh) | 基于知识图谱的急诊问答系统构建方法 | |
CN110502621A (zh) | 问答方法、问答装置、计算机设备及存储介质 | |
CN106776711A (zh) | 一种基于深度学习的中文医学知识图谱构建方法 | |
CN110348008A (zh) | 基于预训练模型和微调技术的医疗文本命名实体识别方法 | |
CN109545373A (zh) | 一种人体疾病症状特征自动抽取方法、系统及设备 | |
CN109493265A (zh) | 一种基于深度学习的政策解读方法及政策解读系统 | |
CN114595344B (zh) | 面向农作物品种管理的知识图谱构建方法及装置 | |
CN111538894A (zh) | 查询反馈方法、装置、计算机设备及存储介质 | |
CN112667799B (zh) | 一种基于语言模型和实体匹配的医疗问答系统构建方法 | |
CN106663125A (zh) | 提问句生成装置以及计算机程序 | |
CN102119383A (zh) | 便利内容检索服务系统内本体和语言模型生成的信息获取和汇聚方法及子系统 | |
CN113806563B (zh) | 面向多源异构建筑人文史料的建筑师知识图谱构建方法 | |
CN103250129A (zh) | 使用具有受限结构的文本提供具有延迟类型评估的问答 | |
CN110600121B (zh) | 一种基于知识图谱病因初步诊断方法 | |
CN108874783A (zh) | 电力信息运维知识模型构建方法 | |
CN113569023A (zh) | 一种基于知识图谱的中文医药问答系统及方法 | |
CN115293161A (zh) | 基于自然语言处理和药品知识图谱的合理用药系统及方法 | |
Zhang et al. | Metaphor research in the 21st century: A bibliographic analysis | |
CN112559770A (zh) | 文本数据的关系抽取方法、装置、设备及可读存储介质 | |
CN114882985B (zh) | 基于数据库和ai算法识别的医药多媒体管理系统及方法 | |
Goodwin et al. | Automatically linking registered clinical trials to their published results with deep highway networks | |
CN112883172B (zh) | 一种基于双重知识选择的生物医学问答方法 |
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 |