CN108256061A - 医疗文本的检索方法、电子设备及存储介质 - Google Patents

医疗文本的检索方法、电子设备及存储介质 Download PDF

Info

Publication number
CN108256061A
CN108256061A CN201810039291.3A CN201810039291A CN108256061A CN 108256061 A CN108256061 A CN 108256061A CN 201810039291 A CN201810039291 A CN 201810039291A CN 108256061 A CN108256061 A CN 108256061A
Authority
CN
China
Prior art keywords
item
text
query
corpus
search method
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.)
Pending
Application number
CN201810039291.3A
Other languages
English (en)
Inventor
胡琴敏
王月瑶
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.)
East China Normal University
Original Assignee
East China 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 East China Normal University filed Critical East China Normal University
Priority to CN201810039291.3A priority Critical patent/CN108256061A/zh
Publication of CN108256061A publication Critical patent/CN108256061A/zh
Pending legal-status Critical Current

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
    • G06F16/35—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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供一种医疗文本的检索方法、电子设备及存储介质，一种医疗文本的检索方法，包括如下步骤：S110：获取包含病症描述的文本，将所述文本作为初始查询项；S120：利用朴素贝叶斯模型对初始查询项进行分类，分类结果包括查询项缩减和查询项扩展；S130：保留分类结果为查询项扩展的初始查询项，并作为中间查询项；S140：利用伪相关反馈对所述中间查询项进行查询扩展，将扩展后的中间查询项作为优化查询项；S150：利用所述优化查询项在医疗文本数据库中进行文本检索。本发明提供的方法、电子设备及存储介质能够优化医疗文本的查询项。

Description

医疗文本的检索方法、电子设备及存储介质
技术领域
本发明涉及计算机信息处理技术领域，尤其涉及一种医疗文本的检索方法、电子设备及存储介质。
背景技术
对于医疗文本检索中，输入的医疗数据也就是查询项的质量，很大程度影响着查询结果的好坏。而查询结果是为了辅助医生做出更好的诊断，不相关的结果并没有任何意义。
对于传统的查询处理方法来说，更多的关注查询项的扩展，而对于原有噪声数据的扩展反倒会进一步降低查询的相关度。在这个过程中，查询缩减这个步骤不可或缺。因此，需要提出一种新型的基于医疗文本的查询优化方法，不仅仅关注于查询扩展，而是在缩减的基础上再进行扩展，对查询项做出更好的处理，从而得到更相关的查询结果。
发明内容
本发明为了克服上述现有技术存在的缺陷，提供一种医疗文本的检索方法、电子设备及存储介质，以优化医疗文本的查询项。
根据本发明的一个方面，提供一种医疗文本的检索方法，包括如下步骤：
S110：获取包含病症描述的文本，将所述文本作为初始查询项；
S120：利用朴素贝叶斯模型对初始查询项进行分类，分类结果包括查询项缩减和查询项扩展；
S130：保留分类结果为查询项扩展的初始查询项，并作为中间查询项；
S140：利用伪相关反馈对所述中间查询项进行查询扩展，将扩展后的中间查询项作为优化查询项；
S150：利用所述优化查询项在医疗文本数据库中进行文本检索。
可选地，所述步骤S120包括：
S121：对所述初始查询项进行向量化获得所述初始查询项的词向量；
S122：将初始查询项的词向量作为所述朴素贝叶斯模型的输入。
可选地，所述步骤S121基于共现矩阵的词向量模型对所述初始查询项进行向量化获得所述初始查询项的词向量。
可选地，所述朴素贝叶斯模型采用如下步骤进行训练：
将基于医疗文本的情感词典作为所述朴素贝叶斯模型的语料库；
获取语料库中的语料及语料标注；
对所述语料库中的语料进行向量化获得所述语料库中的语料的词向量；
将所述词向量作为所述朴素贝叶斯模型的输入；
根据将所述语料库中的语料对应的语料标注确定分类结果，并将所述分类结果作为所述朴素贝叶斯模型的输出；
训练所述朴素贝叶斯模型。
可选地，基于共现矩阵的词向量模型对所述语料库中的语料进行向量化获得所述语料库中的语料的词向量。
可选地，所述语料标注包括正面词和否定词，若所述语料标注为正面词，则所述分类结果为查询项扩展；若所述语料标注为否定词，则所述分类结果为查询项缩减。
可选地，所述S140包括：
将所述中间查询项与一扩展词库中的候选词进行相似度匹配；
将相似度最高的n个候选词作为所述中间查询项的扩展。
可选地，利用Bm25算法计算所述中间查询项与一扩展词库中的候选词的相似度。
根据本发明的又一方面，还提供一种电子设备，所述电子设备包括：处理器；存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如上所述的步骤。
根据本发明的又一方面，还提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上所述的步骤。
相比现有技术，本发明的优势在于：本发明利用朴素贝叶斯模型对初始查询项进行分类，以对初始查询项进行缩减获得中间查询项，并对中间查询项进行扩展以获得优化查询项。由此，本发明增加了对数据本身的分析，提高最终的检索效果。在检索过程中，查询词不再仅仅基于查询扩展，而有了缩减和扩展的结果优化，有效地提升了检索结果的相关性。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1示出了根据本发明实施例的医疗文本的检索方法的流程图。
图2示出了根据本发明实施例的朴素贝叶斯分类的流程图。
图3示出了根据本发明实施例的训练朴素贝叶斯分类器的流程图。
图4示意性示出本公开示例性实施例中一种计算机可读存储介质示意图。
图5示意性示出本公开示例性实施例中一种电子设备示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的结构，因而将省略对它们的重复描述。
所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本发明的实施方式的充分理解。然而，本领域技术人员应意识到，没有所述特定细节中的一个或更多，或者采用其它的方法、组元、材料等，也可以实践本发明的技术方案。在其它情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本发明。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
为了解决现有技术的缺陷，本发明提供一种医疗文本的检索方法、电子设备及存储介质，以优化医疗文本的查询项。
参见图1，本发明提供一种医疗文本的检索方法。图1共示出5个步骤：
S110：获取包含病症描述的文本，将所述文本作为初始查询项。
具体而言，步骤S110还包括对文本进行分词形成初始查询项，在英文分词中采用空格区分，在中文分词中采用结巴(jieba)分词。
S120：利用朴素贝叶斯模型对初始查询项进行分类，分类结果包括查询项缩减和查询项扩展。
具体而言，所述步骤S120的具体实现可以参见图2，图2共示出2个步骤：
S121：对所述初始查询项进行向量化获得所述初始查询项的词向量。
在一个优选例中，所述步骤S121基于共现矩阵的词向量模型对所述初始查询项进行向量化获得所述初始查询项的词向量。
具体而言，查询文本是以句子形式存在，每个句子包含n个查询词，如以下公式所示：(W1,W2,…Wi…Wn)∈S1,每个查询词都通过向量word2vec的方法训练把每一段落取出来，每个词都通过哈夫曼树对应的路径和编码。编码是(0和1)，作为神经网络的输出，每个路径初始化一个给定维数的向量，跟自己段落中的每个词作为输入，进行反向的迭代，最终获得50维的矩阵，调用过程如下：每个词都对应哈夫曼树的一个叶节点，根据W1属于哈夫曼树的层次确定节点对应的编码，最终化为50维的矩阵。
S122：将初始查询项的词向量作为所述朴素贝叶斯模型的输入。
具体而言，朴素贝叶斯模型是监督模型，其具有训练过程和测试过程，利用语义映射工具打好标签，采用以下公式进行训练：计算特征词wi属于每个类别Cj的概率其中，|D|表示类的文档数，|V|表示特征词表中的总单词数，表示特征词wi出现在类文档中的次数，表示类文档中出现的所有特征词的总次数。
训练完毕后：计算测试查询文本属于类的概率，将其分到概率最大的类别中，总共为两个概率，一个为查询扩展，一个为查询缩减，由此分类完成。
其中的，P(Ci)为类Ci的先验概率，m为特征项数目。而最后类C属于查询缩减和查询扩展。
进一步地，所述朴素贝叶斯模型采用如下如图3所示的步骤进行训练：
S210：将基于医疗文本的情感词典作为所述朴素贝叶斯模型的语料库。
S220：获取语料库中的语料及语料标注。
S230：对所述语料库中的语料进行向量化获得所述语料库中的语料的词向量。
在一个优选例中，所述步骤S230基于共现矩阵的词向量模型对所述语料库中的语料进行向量化获得所述语料库中的语料的词向量。
S240：将所述词向量作为所述朴素贝叶斯模型的输入。
S250：根据将所述语料库中的语料对应的语料标注确定分类结果，并将所述分类结果作为所述朴素贝叶斯模型的输出。
可选地，所述语料标注包括正面词和否定词，若所述语料标注为正面词，则所述分类结果为查询项扩展；若所述语料标注为否定词，则所述分类结果为查询项缩减。
S260：训练所述朴素贝叶斯模型。
S130：保留分类结果为查询项扩展的初始查询项，并作为中间查询项。
S140：利用伪相关反馈对所述中间查询项进行查询扩展，将扩展后的中间查询项作为优化查询项。
利用伪相关反馈执行查询扩展，将这些词语加入到查询中，然后再去匹配查询所返回的文档，最终返回最相关的文档。
具体而言，所述S140包括：将所述中间查询项与一扩展词库中的候选词进行相似度匹配；将相似度最高的n个候选词作为所述中间查询项的扩展。可选地，利用Bm25算法计算所述中间查询项与一扩展词库中的候选词的相似度。
进一步地，伪相关反馈时一种自动局部分析方法，在检索过程中，使用Termfrequency-inverse document frequency(TF-IDF)算法调用过程如下wij＝tfij×idfj＝tfij×log(N/nj)，tj是特征项,tfij指的是tj在文档di中出现的次数；idfj表示逆文档频率,N表示总文档数,nj表示tj的文档数目。在本文中利用该算法思想来提取每个类别下每条故障描述中的关键词。根据每个词对应的特征项tj来计算在文档中出现的次数tfij和逆文档频率idfj，最后计算TF-IDF值wij。从这些文档中选择wij值最高的前30名(示意性地，本发明并非以此为限)个的词语。
S150：利用所述优化查询项在医疗文本数据库中进行文本检索。
本发明在Trec16数据集上，基于相对于传统查询扩展和对查询项不做处理取得非常好的技术效果，有效提升了查询的相关性，NDCG(Normalized Discounted CumulativeGain，NDCG是文档的检索累积获得，用来衡量排序质量的指标)；指标取得最高为0.1628(不做任何处理，其NDCG值为0.1349；采用Mesh进行查询扩展，其NDCG值为0.1518；采用Knowledge进行查询缩减，其NDCG值为0.1477；采用Knowledge+逻辑回归进行查询缩减，其NDCG值为0.1508)。
以上各个实施例的描述仅仅是示意性地，本领域技术人员还可以实现更多的变化例，在不背离本发明构思的前提下，步骤、模块的增加和省略都落入本发明的保护范围之内，在此不予赘述。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述电子处方流转处理方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。
参考图4所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
在本公开的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述电子处方流转处理方法的步骤。
所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图5来描述根据本发明的这种实施方式的电子设备600。图5显示的电子设备600仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述电子处方流转处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。
所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(ROM)6203。
所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得租户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且，电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本公开实施方式的上述电子处方流转处理方法。
相比现有技术，本发明的优势在于：本发明利用朴素贝叶斯模型对初始查询项进行分类，以对初始查询项进行缩减获得中间查询项，并对中间查询项进行扩展以获得优化查询项。由此，本发明增加了对数据本身的分析，提高最终的检索效果。在检索过程中，查询词不再仅仅基于查询扩展，而有了缩减和扩展的结果优化，有效地提升了检索结果的相关性。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由所附的权利要求指出。

Claims (10)

1.一种医疗文本的检索方法，其特征在于，包括如下步骤：
S110：获取包含病症描述的文本，将所述文本作为初始查询项；
S120：利用朴素贝叶斯模型对初始查询项进行分类，分类结果包括查询项缩减和查询项扩展；
S130：保留分类结果为查询项扩展的初始查询项，并作为中间查询项；
S140：对所述中间查询项进行查询扩展，将扩展后的中间查询项作为优化查询项；
S150：利用所述优化查询项在医疗文本数据库中进行文本检索。
2.如权利要求1所述的医疗文本的检索方法，其特征在于，所述步骤S120包括：
S121：对所述初始查询项进行向量化获得所述初始查询项的词向量；
S122：将初始查询项的词向量作为所述朴素贝叶斯模型的输入。
3.如权利要求2所述的医疗文本的检索方法，其特征在于，所述步骤S121基于共现矩阵的词向量模型对所述初始查询项进行向量化获得所述初始查询项的词向量。
4.如权利要求2所述的医疗文本的检索方法，其特征在于，所述朴素贝叶斯模型采用如下步骤进行训练：
将基于医疗文本的情感词典作为所述朴素贝叶斯模型的语料库；
获取语料库中的语料及语料标注；
对所述语料库中的语料进行向量化获得所述语料库中的语料的词向量；
将所述词向量作为所述朴素贝叶斯模型的输入；
根据将所述语料库中的语料对应的语料标注确定分类结果，并将所述分类结果作为所述朴素贝叶斯模型的输出；
训练所述朴素贝叶斯模型。
5.如权利要求4所述的医疗文本的检索方法，其特征在于，基于共现矩阵的词向量模型对所述语料库中的语料进行向量化获得所述语料库中的语料的词向量。
6.如权利要求4所述的医疗文本的检索方法，其特征在于，所述语料标注包括正面词和否定词，若所述语料标注为正面词，则所述分类结果为查询项扩展；若所述语料标注为否定词，则所述分类结果为查询项缩减。
7.如权利要求1所述的医疗文本的检索方法，其特征在于，所述S140包括：
将所述中间查询项与一扩展词库中的候选词进行相似度匹配；
将相似度最高的n个候选词作为所述中间查询项的扩展。
8.如权利要求7所述的医疗文本的检索方法，其特征在于，利用Bm25算法计算所述中间查询项与一扩展词库中的候选词的相似度。
9.一种电子设备，其特征在于，所述电子设备包括：
处理器；
存储介质，其上存储有计算机程序，所述计算机程序被所述处理器运行时执行如权利要求1至8任一项所述的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至8任一项所述的步骤。
CN201810039291.3A 2018-01-16 2018-01-16 医疗文本的检索方法、电子设备及存储介质 Pending CN108256061A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810039291.3A CN108256061A (zh) 2018-01-16 2018-01-16 医疗文本的检索方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810039291.3A CN108256061A (zh) 2018-01-16 2018-01-16 医疗文本的检索方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN108256061A true CN108256061A (zh) 2018-07-06

Family

ID=62740869

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810039291.3A Pending CN108256061A (zh) 2018-01-16 2018-01-16 医疗文本的检索方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN108256061A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255126A (zh) * 2018-09-10 2019-01-22 百度在线网络技术（北京）有限公司 文章推荐方法及装置
CN109840280A (zh) * 2019-03-05 2019-06-04 百度在线网络技术（北京）有限公司 一种文本分类方法、装置及计算机可读存储介质
CN113076411A (zh) * 2021-04-26 2021-07-06 同济大学 一种基于知识图谱的医疗查询扩展方法
CN113569009A (zh) * 2021-07-23 2021-10-29 北京智慧星光信息技术有限公司 基于文本相关性的文本匹配方法、系统和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050210023A1 (en) * 2004-03-18 2005-09-22 Renato Barrera Query optimizer using implied predicates
CN102067125A (zh) * 2008-06-20 2011-05-18 诺基亚公司 用于搜索信息的方法和装置
CN103608812A (zh) * 2011-06-15 2014-02-26 微软公司 业务智能系统的查询优化技术

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050210023A1 (en) * 2004-03-18 2005-09-22 Renato Barrera Query optimizer using implied predicates
CN102067125A (zh) * 2008-06-20 2011-05-18 诺基亚公司 用于搜索信息的方法和装置
CN103608812A (zh) * 2011-06-15 2014-02-26 微软公司 业务智能系统的查询优化技术

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YUEYAO WANG等: "Potentiality of Healthcare Big data: Improving Search by Automatic Query Reformulatio", 《2017 IEEE INTERNATIONAL CONFERENCE ON BIG DATA (BIGDATA)》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109255126A (zh) * 2018-09-10 2019-01-22 百度在线网络技术（北京）有限公司 文章推荐方法及装置
CN109840280A (zh) * 2019-03-05 2019-06-04 百度在线网络技术（北京）有限公司 一种文本分类方法、装置及计算机可读存储介质
CN113076411A (zh) * 2021-04-26 2021-07-06 同济大学 一种基于知识图谱的医疗查询扩展方法
CN113569009A (zh) * 2021-07-23 2021-10-29 北京智慧星光信息技术有限公司 基于文本相关性的文本匹配方法、系统和电子设备
CN113569009B (zh) * 2021-07-23 2024-01-30 北京智慧星光信息技术有限公司 基于文本相关性的文本匹配方法、系统和电子设备

Similar Documents

Publication Publication Date Title
Chaudhari et al. An attentive survey of attention models
De Cao et al. Multilingual autoregressive entity linking
Cho et al. Biomedical named entity recognition using deep neural networks with contextual information
Li et al. Mining opinion summarizations using convolutional neural networks in Chinese microblogging systems
CN112256860A (zh) 客服对话内容的语义检索方法、系统、设备及存储介质
CN110457708B (zh) 基于人工智能的词汇挖掘方法、装置、服务器及存储介质
CN108256061A (zh) 医疗文本的检索方法、电子设备及存储介质
WO2021051517A1 (zh) 基于卷积神经网络的信息检索方法、及其相关设备
Yadav et al. Feature selection for entity extraction from multiple biomedical corpora: A PSO-based approach
CN113688631B (zh) 一种嵌套命名实体识别方法、系统、计算机和存储介质
CN116775847A (zh) 一种基于知识图谱和大语言模型的问答方法和系统
Coin et al. Enhanced protein domain discovery by using language modeling techniques from speech recognition
CN109948140B (zh) 一种词向量嵌入方法及装置
Choi et al. Identifying disease-gene associations using a convolutional neural network-based model by embedding a biological knowledge graph with entity descriptions
Yuan et al. Graph attention network with memory fusion for aspect-level sentiment analysis
CN111368555B (zh) 一种数据识别方法、装置、存储介质和电子设备
CN111460117B (zh) 对话机器人意图语料生成方法、装置、介质及电子设备
CN112818091A (zh) 基于关键词提取的对象查询方法、装置、介质与设备
CN112307190A (zh) 医学文献排序方法、装置、电子设备及存储介质
Chen et al. Explicitly capturing relations between entity mentions via graph neural networks for domain-specific named entity recognition
CN115879508A (zh) 一种数据处理方法及相关装置
CN113807089A (zh) 文本数据的处理方法、神经网络的训练方法以及相关设备
US11922515B1 (en) Methods and apparatuses for AI digital assistants
Huang et al. Analyzing multiple medical corpora using word embedding
US11880664B2 (en) Identifying and transforming text difficult to understand by user

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180706