CN109063094A - 一种建立中医药知识图谱的方法 - Google Patents
一种建立中医药知识图谱的方法 Download PDFInfo
- Publication number
- CN109063094A CN109063094A CN201810841115.1A CN201810841115A CN109063094A CN 109063094 A CN109063094 A CN 109063094A CN 201810841115 A CN201810841115 A CN 201810841115A CN 109063094 A CN109063094 A CN 109063094A
- Authority
- CN
- China
- Prior art keywords
- data
- knowledge
- module
- retrieval
- tuple
- 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
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Alternative & Traditional Medicine (AREA)
- Pharmacology & Pharmacy (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明属于中医知识处理技术领域，公开了一种建立中医药知识图谱的方法，所述建立中医药知识图谱的系统包括：数据采集模块、数据挖掘模块、数据处理模块、知识图谱输出模块、检索模块。本发明通过数据挖掘模块将处理所得到的数据采用结构网络的方式输出，更易于可视化操作，可以准确地表达出中医药处方和药剂之间的特殊关联，从而解决了现有技术无法对其进行准确分析的难题。通过改进现有的Gibbs采样方法，令推导过程得以简化，求解效果良好，并减少了数据处理的时间；同时，通过检索模块对用户提供的一组关键词进行分析和处理，推测用户的检索意图，并依据推测结果恰当地组织检索结果，更好地满足用户的检索期望，提高检索结果的准确度。
Description
技术领域
本发明属于中医知识处理技术领域，尤其涉及一种建立中医药知识图谱的方法。
背景技术
中医药也叫汉族医药，它是中华民族的宝贵财富，为中华民族的繁衍昌盛作出了巨大贡献。传统医学的治疗理念正逐渐被世界所接受，传统医药受到国际社会越来越多的关注，世界范围内对中医药的需求日益增长，这为中医药的发展提供了广阔的空间。中医基础理论是对人体生命活动和疾病变化规律的理论概括，它主要包括阴阳、五行、运气、脏象、经络等学说，以及病因、病机、诊法、辨证、治则治法、预防、养生等内容。然而，现有中医药处方/药物成分记录不完全符合BOW模型，对现有的中药处方进行信息检索无法准确地得到中药处方/药物数据；同时用户获取医药信息时很难推测用户的意图，不能满足用户检索的期望，检索结果准确性差。
综上所述，现有技术存在的问题是：
(1)现有中医药处方/药物成分记录不完全符合BOW模型，对现有的中药处方进行信息检索无法准确地得到中药处方/药物数据；同时用户获取医药信息时很难推测用户的意图，不能满足用户检索的期望，检索结果准确性差。
(2)数据处理中的分类准确率不高，建模时间长。
(3)数据处理中的数据切换光滑比较大、凹凸性会改变、还原误差会变大。
(4)目前，知识图谱在反馈结果图像中考虑图像单一，干扰因子容易使权重陷入局部最优。
发明内容
针对现有技术存在的问题，本发明提供了一种建立中医药知识图谱的方法。
本发明是这样实现的，一种建立中医药知识图谱的系统包括：
数据采集模块、数据挖掘模块、数据处理模块、知识图谱输出模块、检索模块；
数据采集模块，与数据挖掘模块连接，用于从传统中医药文献以及临床规范化病案、名中医验案中挖掘提取知识元、样本关系，获取中医药数据库中的原始数据；
数据挖掘模块，与数据采集模块、数据处理模块连接，用于通过数据挖掘构建中医药主题模型网络图；
数据处理模块，与知识图谱输出模块、数据挖掘模块连接，用于通过深度学习器建立复杂网络结构，根据知识元和样本关系构建知识元节点集合及边集合，将关系数据转换成有向权值网络数据；
知识图谱输出模块，与数据处理模块、检索模块连接，用于将知识图谱模型进行可视化地输出；
检索模块，与知识图谱输出模块连接，用于通过关键词检索相应中医药知识信息内容。
一种建立中医药知识图谱的方法包括以下步骤：
步骤一，通过数据采集模块从传统中医药文献以及临床规范化病案、名中医验案中挖掘提取知识元、样本关系，获取中医药数据库中的原始数据；
步骤二，通过数据挖掘模块进行数据挖掘构建中医药主题模型网络图；
步骤三，通过数据处理模块采用深度学习器建立复杂网络结构，根据知识元和样本关系构建知识元节点集合及边集合，将关系数据转换成有向权值网络数据；
步骤四，通过知识图谱输出模块将知识图谱模型进行可视化地输出；
步骤五，通过检索模块输入关键词检索相应中医药知识信息内容。
进一步，所述数据挖掘模块挖掘方法如下：
(1)先在LDA模型中确定处方-主题和主题-药剂两组先验，处方-主题和主题-药剂分别由超参数α和β确定，使用AS方式对两组先验进行先验假设，所述AS方式为：处方-主题分布采用非对称的先验，主题-药剂分布采用对称的先验；
(2)确定LDA模型中的主题数目；
(3)采用Gibbs采样方法对上述LDA模型进行求解；
(4)生成LDA模型的语义RDF文档，所述语义RDF文档包括一个四元组集合，所述四元组包括主体，谓词，客体，权重，将LDA模型的结果映射至四元组，并用语义RDF文档进行表示；
(5)将药剂和处方进行关联，建立处方-主题-药剂的可视化结构网络G，该结构网络G由顶点集合V和边集合E组成，即G＝(V,E)，顶点集合V是包含处方、主题和药剂的本体的集合，边集合E是主题和药剂之间的关系的集合，其中，建立可视化结构网络G的步骤包括：
对于语义RDF文档中的四元组集合中的每一个四元组，如果该四元组的权重高于预设的概率阈值p，则将该四元组加入所述可视化结构网络G中，将该四元组的主体和客体并入顶点集合V，将该四元组的谓词并入边集合E，当全部四元组均加入所述可视化结构网络G后，即得到最终的中医药主题模型网络图。
进一步，所述检索模块检索方法如下：
首先，在关键词属性表中，查询用户提供的一组检索词中每一个检索词的属性类型，其中，所述关键词属性表中的每条结构化信息包括关键词及其对应的属性类别，所述属性类型包括本草、方剂、病症和症状；
然后，按照属性类型对该组检索词进行聚类，将属性类型相同的检索词归为一类，根据该组检索词中占比最大的检索词类别确定用户的检索意图；
最后，根据该组检索词查询索引表和知识单元数据库，得到匹配结果集，并将所述匹配结果集按照属性类别进行分类，根据用户的检索意图向用户返回相应属性类别的匹配结果，其中，所述知识单元数据库用于存储知识单元，所述知识单元包含信息内容和信息所属类别，所述索引表是对所述知识单元数据库内的每一个知识单元进行切词后建立的倒排索引。
本发明的优点及积极效果为：
(1)本发明通过数据挖掘模块采用药剂重量而非普通文档中的词频进行数据处理，并相应地改进了Gibbs-LDA算法来适应上述对数据处理手段的变更，达到准确地求解中医药处方数据的LDA模型参数的目的，以及，将处理所得到的数据采用结构网络的方式输出，更易于可视化操作，可以准确地表达出中医药处方和药剂之间的特殊关联，从而解决了现有技术无法对其进行准确分析的难题。进一步地，通过改进现有的Gibbs采样方法，令推导过程得以简化，求解效果良好，并减少了数据处理的时间；同时，通过检索模块对用户提供的一组关键词进行分析和处理，推测用户的检索意图，并依据推测结果恰当地组织检索结果，更好地满足用户的检索期望，提高检索结果的准确度。
(2)数据分类模块采用贝叶斯算法，可以提高分类准确率，减少建模时间。
(3)采用f(x(k))＝clnx(k)+d具有一些优良的特性，满足光滑比较小、级比压缩、保凹凸性、还原误差不会增大。
(4)通过采用动态权重调整算法反馈结果图像中不单考虑正例图像还要考虑反比例图像及干扰因子避免权重陷入局部最优。
附图说明
图1是本发明实施提供的建立中医药知识图谱的方法流程图。
图2是本发明实施提供的建立中医药知识图谱的系统结构框图。
图2中：1、数据采集模块；2、数据挖掘模块；3、数据处理模块；4、知识图谱输出模块；5、检索模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示，本发明提供的一种建立中医药知识图谱的方法包括以下步骤：
步骤S101，通过数据采集模块从传统中医药文献以及临床规范化病案、名中医验案中挖掘提取知识元、样本关系，获取中医药数据库中的原始数据；
步骤S102，通过数据挖掘模块进行数据挖掘构建中医药主题模型网络图；
步骤S103，通过数据处理模块采用深度学习器建立复杂网络结构，根据知识元和样本关系构建知识元节点集合及边集合，将关系数据转换成有向权值网络数据；
步骤S104，通过知识图谱输出模块将知识图谱模型进行可视化地输出；
步骤S105，通过检索模块输入关键词检索相应中医药知识信息内容。
如图2所示，本发明提供的建立中医药知识图谱的系统包括：数据采集模块1、数据挖掘模块2、数据处理模块3、知识图谱输出模块4、检索模块5。
数据采集模块1，与数据挖掘模块2连接，用于从传统中医药文献以及临床规范化病案、名中医验案中挖掘提取知识元、样本关系，获取中医药数据库中的原始数据；
数据挖掘模块2，与数据采集模块1、数据处理模块3连接，用于通过数据挖掘构建中医药主题模型网络图；
数据处理模块3，与知识图谱输出模块4、数据挖掘模块2连接，用于通过深度学习器建立复杂网络结构，根据知识元和样本关系构建知识元节点集合及边集合，将关系数据转换成有向权值网络数据；
知识图谱输出模块4，与数据处理模块3、检索模块5连接，用于将知识图谱模型进行可视化地输出；
检索模块5，与知识图谱输出模块4连接，用于通过关键词检索相应中医药知识信息内容。
本发明提供的数据挖掘模块2挖掘方法如下：
(1)先在LDA模型中确定处方-主题和主题-药剂两组先验，处方-主题和主题-药剂分别由超参数α和β确定，使用AS方式对两组先验进行先验假设，所述AS方式为：处方-主题分布采用非对称的先验，主题-药剂分布采用对称的先验；
(2)确定LDA模型中的主题数目；
(3)采用Gibbs采样方法对上述LDA模型进行求解；
(4)生成LDA模型的语义RDF文档，所述语义RDF文档包括一个四元组集合，所述四元组包括主体，谓词，客体，权重，将LDA模型的结果映射至四元组，并用语义RDF文档进行表示；
(5)将药剂和处方进行关联，建立处方-主题-药剂的可视化结构网络G，该结构网络G由顶点集合V和边集合E组成，即G＝(V,E)，顶点集合V是包含处方、主题和药剂的本体的集合，边集合E是主题和药剂之间的关系的集合，其中，建立可视化结构网络G的步骤包括：
对于语义RDF文档中的四元组集合中的每一个四元组，如果该四元组的权重高于预设的概率阈值p，则将该四元组加入所述可视化结构网络G中，将该四元组的主体和客体并入顶点集合V，将该四元组的谓词并入边集合E，当全部四元组均加入所述可视化结构网络G后，即得到最终的中医药主题模型网络图。
本发明提供的检索模块5检索方法如下：
首先，在关键词属性表中，查询用户提供的一组检索词中每一个检索词的属性类型，其中，所述关键词属性表中的每条结构化信息包括关键词及其对应的属性类别，所述属性类型包括本草、方剂、病症和症状；
然后，按照属性类型对该组检索词进行聚类，将属性类型相同的检索词归为一类，根据该组检索词中占比最大的检索词类别确定用户的检索意图；
最后，根据该组检索词查询索引表和知识单元数据库，得到匹配结果集，并将所述匹配结果集按照属性类别进行分类，根据用户的检索意图向用户返回相应属性类别的匹配结果，其中，所述知识单元数据库用于存储知识单元，所述知识单元包含信息内容和信息所属类别，所述索引表是对所述知识单元数据库内的每一个知识单元进行切词后建立的倒排索引。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种建立中医药知识图谱的系统，其特征在于，所述建立中医药知识图谱的系统包括：
数据采集模块、数据挖掘模块、数据处理模块、知识图谱输出模块、检索模块；
数据采集模块，与数据挖掘模块连接，用于从传统中医药文献以及临床规范化病案、名中医验案中挖掘提取知识元、样本关系，获取中医药数据库中的原始数据；
数据挖掘模块，与数据采集模块、数据处理模块连接，用于通过数据挖掘构建中医药主题模型网络图；
数据处理模块，与知识图谱输出模块、数据挖掘模块连接，用于通过深度学习器建立复杂网络结构，根据知识元和样本关系构建知识元节点集合及边集合，将关系数据转换成有向权值网络数据；
知识图谱输出模块，与数据处理模块、检索模块连接，用于将知识图谱模型进行可视化地输出；
检索模块，与知识图谱输出模块连接，用于通过关键词检索相应中医药知识信息内容。
2.一种如权利要求1所述的建立中医药知识图谱的方法，其特征在于，所述建立中医药知识图谱的方法包括以下步骤：
步骤一，通过数据采集模块从传统中医药文献以及临床规范化病案、名中医验案中挖掘提取知识元、样本关系，获取中医药数据库中的原始数据；
步骤二，通过数据挖掘模块进行数据挖掘构建中医药主题模型网络图；
步骤三，通过数据处理模块采用深度学习器建立复杂网络结构，根据知识元和样本关系构建知识元节点集合及边集合，将关系数据转换成有向权值网络数据；
步骤四，通过知识图谱输出模块将知识图谱模型进行可视化地输出；
步骤五，通过检索模块输入关键词检索相应中医药知识信息内容。
所述数据采集模块包括数据分类模块，数据分类模块采用贝叶斯算法为：
每个数据元组用一个n维属性向量X＝{x1，x2，……，xn}表示；
(2)假定有m个类C1，C2，……，Cm，给定某未知类标号的数据元组X，在满足下式公式，贝叶斯分类法将未知的样本X分配给类Ci；
P(Ci|X)＞P(Cj|X)1≤j≤m，j≠i；
(3)由于P(X)对于所有类为常数，最大化P(Ci|X)，即将先验概率P(X|Ci)P(Ci)最大化；
(4)如果给定一个具体很多属性和元组的训练数据集，计算P(X|Ci)的开销就会非常大，一般假定各属性值有条件地相互独立，这样先验概率可以通过下式从训练数据集求得：P(X1|Ci)，P(X2|Ci)，……，P(Xn|Ci)；
(5)对某个未知样本X，可以计算出样本X属于每一个类别Ci的概率P(X|Ci)P(Ci)，并把其分配给其中最大概率的类别。
所述数据处理包括数据切换模块，数据切换模块采用如下模型：
f(x(k))＝clnx(k)+d；
式中：
x(k)：系统原始行为数据序列；
f(x(k))：为非负变换；
C：c≥max{x(k)k＝1，2，…，n}，x(k)＞e。
d：为一常数。
所述知识图谱采用动态权重调整算法的具体过程如下：
对于每一个训练样例，首先从本文中提取样例中的实体词集合V′＝(υ1，υ2，...，υm)，对于某个实体词vi，通过如下公式计算vi的权重；
其中，υi代表V’中的某个实体词，υi代表V’中除υi外其他的任意实体词。α为调整系数，用来控制权重调整的比率，每个实体词的初始权重initial weight为1。
3.如权利要求1所述的建立中医药知识图谱的方法，其特征在于，所述数据挖掘模块挖掘方法如下：
(1)先在LDA模型中确定处方-主题和主题-药剂两组先验，处方-主题和主题-药剂分别由超参数α和β确定，使用AS方式对两组先验进行先验假设，所述AS方式为：处方-主题分布采用非对称的先验，主题-药剂分布采用对称的先验；
(2)确定LDA模型中的主题数目；
(3)采用Gibbs采样方法对上述LDA模型进行求解；
(4)生成LDA模型的语义RDF文档，所述语义RDF文档包括一个四元组集合，所述四元组包括主体，谓词，客体，权重，将LDA模型的结果映射至四元组，并用语义RDF文档进行表示；
(5)将药剂和处方进行关联，建立处方-主题-药剂的可视化结构网络G，该结构网络G由顶点集合V和边集合E组成，即G＝(V，E)，顶点集合V是包含处方、主题和药剂的本体的集合，边集合E是主题和药剂之间的关系的集合，其中，建立可视化结构网络G的步骤包括：
对于语义RDF文档中的四元组集合中的每一个四元组，如果该四元组的权重高于预设的概率阈值p，则将该四元组加入所述可视化结构网络G中，将该四元组的主体和客体并入顶点集合V，将该四元组的谓词并入边集合E，当全部四元组均加入所述可视化结构网络G后，即得到最终的中医药主题模型网络图。
4.如权利要求1所述的建立中医药知识图谱的方法，其特征在于，所述检索模块检索方法如下：
首先，在关键词属性表中，查询用户提供的一组检索词中每一个检索词的属性类型，其中，所述关键词属性表中的每条结构化信息包括关键词及其对应的属性类别，所述属性类型包括本草、方剂、病症和症状；
然后，按照属性类型对该组检索词进行聚类，将属性类型相同的检索词归为一类，根据该组检索词中占比最大的检索词类别确定用户的检索意图；
最后，根据该组检索词查询索引表和知识单元数据库，得到匹配结果集，并将所述匹配结果集按照属性类别进行分类，根据用户的检索意图向用户返回相应属性类别的匹配结果，其中，所述知识单元数据库用于存储知识单元，所述知识单元包含信息内容和信息所属类别，所述索引表是对所述知识单元数据库内的每一个知识单元进行切词后建立的倒排索引。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810841115.1A CN109063094A (zh) | 2018-07-27 | 2018-07-27 | 一种建立中医药知识图谱的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810841115.1A CN109063094A (zh) | 2018-07-27 | 2018-07-27 | 一种建立中医药知识图谱的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109063094A true CN109063094A (zh) | 2018-12-21 |
Family
ID=64836595
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810841115.1A Pending CN109063094A (zh) | 2018-07-27 | 2018-07-27 | 一种建立中医药知识图谱的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063094A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110085325A (zh) * | 2019-04-30 | 2019-08-02 | 王小岗 | 关于中医经验数据的知识图谱的构建方法及装置 |
| CN111241164A (zh) * | 2020-01-18 | 2020-06-05 | 湖北理工学院 | 一种中药系统药理学分析平台及分析方法 |
| CN111984694A (zh) * | 2020-07-17 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种骨科搜索引擎系统 |
| CN112015919A (zh) * | 2020-09-15 | 2020-12-01 | 重庆广播电视大学重庆工商职业学院 | 一种基于学习辅助知识图谱的对话管理方法 |
| CN112463973A (zh) * | 2019-09-06 | 2021-03-09 | 医渡云（北京）技术有限公司 | 医学知识图谱的构建方法、装置、介质及电子设备 |
| CN112948570A (zh) * | 2019-12-11 | 2021-06-11 | 复旦大学 | 无监督的领域知识图谱自动化构建系统 |
| CN113254673A (zh) * | 2021-06-28 | 2021-08-13 | 明品云(北京)数据科技有限公司 | 一种基于知识图谱的数据管理方法、系统、设备和介质 |
| WO2022001846A1 (zh) * | 2020-07-02 | 2022-01-06 | 北京字节跳动网络技术有限公司 | 意图识别方法、装置、可读介质及电子设备 |
| CN114882985A (zh) * | 2022-07-11 | 2022-08-09 | 北京泽桥医疗科技股份有限公司 | 基于数据库和ai算法识别的医药多媒体管理系统及方法 |
| WO2022226880A1 (zh) * | 2021-04-29 | 2022-11-03 | 京东方科技集团股份有限公司 | 药物特性判定方法、装置、系统、设备及存储介质 |
| CN116578677A (zh) * | 2023-07-14 | 2023-08-11 | 高密市中医院 | 一种针对医疗检验信息的检索系统和方法 |
| CN117807176A (zh) * | 2023-12-29 | 2024-04-02 | 中国地质调查局油气资源调查中心 | 一种基于二维网格化的知识库索引构建方法、装置及设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103365978A (zh) * | 2013-07-01 | 2013-10-23 | 浙江大学 | 基于lda主题模型的中医药数据挖掘方法 |
| CN104199855A (zh) * | 2014-08-13 | 2014-12-10 | 王和平 | 一种针对中医药学信息的检索系统和方法 |
| US20150127657A1 (en) * | 2012-09-18 | 2015-05-07 | Jiun Hung | Method and Computer for Indexing and Searching Structures |
| CN106250934A (zh) * | 2016-08-12 | 2016-12-21 | 南方电网科学研究院有限责任公司 | 一种缺陷数据的分类方法及装置 |
| CN106933983A (zh) * | 2017-02-20 | 2017-07-07 | 广东省中医院 | 一种中医药知识图谱的构建方法 |
-
2018
- 2018-07-27 CN CN201810841115.1A patent/CN109063094A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150127657A1 (en) * | 2012-09-18 | 2015-05-07 | Jiun Hung | Method and Computer for Indexing and Searching Structures |
| CN103365978A (zh) * | 2013-07-01 | 2013-10-23 | 浙江大学 | 基于lda主题模型的中医药数据挖掘方法 |
| CN104199855A (zh) * | 2014-08-13 | 2014-12-10 | 王和平 | 一种针对中医药学信息的检索系统和方法 |
| CN106250934A (zh) * | 2016-08-12 | 2016-12-21 | 南方电网科学研究院有限责任公司 | 一种缺陷数据的分类方法及装置 |
| CN106933983A (zh) * | 2017-02-20 | 2017-07-07 | 广东省中医院 | 一种中医药知识图谱的构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 刘艺: "基于知识图谱的海量数据错误标签的纠正", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 崔立志 等: "基于数据变换技术的灰色预测模型", 《系统工程》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110085325A (zh) * | 2019-04-30 | 2019-08-02 | 王小岗 | 关于中医经验数据的知识图谱的构建方法及装置 |
| CN112463973A (zh) * | 2019-09-06 | 2021-03-09 | 医渡云（北京）技术有限公司 | 医学知识图谱的构建方法、装置、介质及电子设备 |
| CN112463973B (zh) * | 2019-09-06 | 2024-07-26 | 医渡云（北京）技术有限公司 | 医学知识图谱的构建方法、装置、介质及电子设备 |
| CN112948570A (zh) * | 2019-12-11 | 2021-06-11 | 复旦大学 | 无监督的领域知识图谱自动化构建系统 |
| CN111241164A (zh) * | 2020-01-18 | 2020-06-05 | 湖北理工学院 | 一种中药系统药理学分析平台及分析方法 |
| WO2022001846A1 (zh) * | 2020-07-02 | 2022-01-06 | 北京字节跳动网络技术有限公司 | 意图识别方法、装置、可读介质及电子设备 |
| CN111984694A (zh) * | 2020-07-17 | 2020-11-24 | 北京欧应信息技术有限公司 | 一种骨科搜索引擎系统 |
| CN112015919A (zh) * | 2020-09-15 | 2020-12-01 | 重庆广播电视大学重庆工商职业学院 | 一种基于学习辅助知识图谱的对话管理方法 |
| WO2022226880A1 (zh) * | 2021-04-29 | 2022-11-03 | 京东方科技集团股份有限公司 | 药物特性判定方法、装置、系统、设备及存储介质 |
| CN113254673A (zh) * | 2021-06-28 | 2021-08-13 | 明品云(北京)数据科技有限公司 | 一种基于知识图谱的数据管理方法、系统、设备和介质 |
| CN113254673B (zh) * | 2021-06-28 | 2021-11-19 | 明品云(北京)数据科技有限公司 | 一种基于知识图谱的数据管理方法、系统、设备和介质 |
| CN114882985A (zh) * | 2022-07-11 | 2022-08-09 | 北京泽桥医疗科技股份有限公司 | 基于数据库和ai算法识别的医药多媒体管理系统及方法 |
| CN116578677A (zh) * | 2023-07-14 | 2023-08-11 | 高密市中医院 | 一种针对医疗检验信息的检索系统和方法 |
| CN116578677B (zh) * | 2023-07-14 | 2023-09-15 | 高密市中医院 | 一种针对医疗检验信息的检索系统和方法 |
| CN117807176A (zh) * | 2023-12-29 | 2024-04-02 | 中国地质调查局油气资源调查中心 | 一种基于二维网格化的知识库索引构建方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063094A (zh) | 一种建立中医药知识图谱的方法 | |
| Zhou et al. | A simplex method-based social spider optimization algorithm for clustering analysis | |
| Boyack et al. | Mapping the backbone of science | |
| Sun et al. | Mining heterogeneous information networks: principles and methodologies | |
| Kunjir et al. | Data mining and visualization for prediction of multiple diseases in healthcare | |
| EP3731239A1 (en) | Polypharmacy side effect prediction with relational representation learning | |
| Liu et al. | Mining biomedical ontologies and data using RDF hypergraphs | |
| CN116340544B (zh) | 一种基于知识图谱的中医药古籍可视分析方法与系统 | |
| Pezzotti et al. | Multiscale visualization and exploration of large bipartite graphs | |
| Ma et al. | A visual analytical approach for transfer learning in classification | |
| Zhang et al. | Line graph contrastive learning for link prediction | |
| Amato et al. | Intelligent medical record management: a diagnosis support system | |
| Niazmand et al. | Efficient semantic summary graphs for querying large knowledge graphs | |
| CN114722887A (zh) | 网络模型训练方法、样本关系类别获取方法、电子设备 | |
| Guan et al. | Feature space learning model | |
| Vijayalakshmi et al. | An approach for prediction of diabetic disease by using b-colouring technique in clustering analysis | |
| Şerban et al. | Hierarchical adaptive clustering | |
| Kang et al. | STUN: Querying spatio-temporal uncertain (social) networks | |
| Pike et al. | Constructing semantically scalable cognitive spaces | |
| Riesen et al. | A novel data set for information retrieval on the basis of subgraph matching | |
| Guo et al. | Developing a clustering structure with consideration of cross-domain text classification based on deep sparse auto-encoder | |
| Jiménez et al. | A coral-reef approach to extract information from HTML tables | |
| Abidi et al. | Symbolic exposition of medical data-sets: A data mining workbench to inductively derive data-defining symbolic rules | |
| Elkin et al. | Community and topic modeling for infectious disease clinical trial recommendation | |
| Kang et al. | STUN: spatio-temporal uncertain (social) networks |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |
|
| RJ01 | Rejection of invention patent application after publication |