CN109710738A - 药物问询方法、装置、系统、计算机设备和存储介质 - Google Patents
药物问询方法、装置、系统、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN109710738A CN109710738A CN201811581924.XA CN201811581924A CN109710738A CN 109710738 A CN109710738 A CN 109710738A CN 201811581924 A CN201811581924 A CN 201811581924A CN 109710738 A CN109710738 A CN 109710738A
- Authority
- CN
- China
- Prior art keywords
- inquiry
- drug
- sentence
- entity
- language
- 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
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及一种药物问询方法、装置、系统、计算机设备和存储介质。所述方法包括:接收用户端的药物问询语句;提取所述药物问询语句的问询关键词;在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;根据所述问询限定词和所述问询目标,获取问询答语;返回所述问询答语至所述用户端。采用本方法能够利用药物知识图谱中的图谱实体及实体关系,对药物领域的问题进行准确的回答。
Description
技术领域
本申请涉及药物数据处理技术领域,特别是涉及一种基于药物知识图谱的药物问询方法、装置、系统、计算机设备和存储介质。
背景技术
问答系统越来越受到用户的欢迎。通常,用户可以通过问答系统,询问一些当前的热点问题或者常识性问题。问答系统通常会识别用户所问询的关键字,根据关键字在数据库中匹配出答案,并反馈给用户。
实际应用中,用户可能会通过问答系统询问一些药物的问题。目前的问答系统仅能识别出问题中的药物名称,然后搜索出所有的与该药物名称相关的信息,作为答案反馈给用户。然而,问答系统的答案包含有大量的与用户的问题无关的内容,从而存在一种答非所问的情况。
因此,目前的问答系统存在着无法对药物领域的问题进行准确回答的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种基于药物知识图谱的药物问询方法、装置、计算机设备和存储介质。
一种基于药物知识图谱的药物问询方法,包括:
接收用户端的药物问询语句;
提取所述药物问询语句的问询关键词;
在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;
根据所述问询限定词和所述问询目标,获取问询答语;
返回所述问询答语至所述用户端,供所述用户端显示所述问询答语。
在一个实施例中,所述提取所述药物询问语句的询问关键词,包括:
将所述药物询问语句进行分词,得到语句分词;
对所述语句分词进行词性标注,得到所述语句分词的分词词性;
根据所述语句分词的分词词性,确定所述语句分词为所述询问关键词。
在一个实施例中,所述药物知识图谱包括图谱实体,所述图谱实体之间具有实体关系,所述在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标,包括:
获取与所述问询关键词匹配的匹配图谱实体;
根据所述匹配图谱实体之间的实体关系,获取匹配实体关系;
将所述匹配图谱实体作为所述问询限定词,以及,将所述匹配实体关系作为所述问询目标。
在一个实施例中,在所述提取所述药物问询语句的问询关键词之后,还包括:
根据所述问询关键词,预测所述药物问询语句的问询类别;
所述根据所述匹配图谱实体之间的实体关系,获取匹配实体关系,包括:
在所述匹配图谱实体之间的实体关系中,提取出与所述问询类别对应的实体关系,作为所述匹配实体关系。
在一个实施例中,所述根据所述问询限定词和所述问询目标,获取问询答语,包括:
将所述问询限定词作为查询条件,以及,将所述问询目标作为查询目标;
采用所述查询条件和所述查询目标,构建语义查询语句;
根据所述语义查询语句获取语义查询的结果,作为所述问询答语。
在一个实施例中,所述问询类别包括药物用法、药物用量、适应症、不良反应中的至少一种。
一种药物问询装置,包括:
语句接收模块,用于接收用户端的药物问询语句;
关键词提取模块,用于提取所述药物问询语句的问询关键词;
问询信息获取模块,用于在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;
问询答语获取模块,用于根据所述问询限定词和所述问询目标,获取问询答语;
问询答语返回模块,用于返回所述问询答语至所述用户端,供所述用户端显示所述问询答语。
一种药物问询系统,包括:
用户端和药物问询服务器;
所述用户端,用于发送药物问询语句至所述药物问询服务器;
所述药物问询服务器,用于接收所述用户端的药物问询语句;提取所述药物问询语句的问询关键词;在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;根据所述问询限定词和所述问询目标,获取问询答语;返回所述问询答语至所述用户端,供所述用户端显示所述问询答语。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
接收用户端的药物问询语句;
提取所述药物问询语句的问询关键词;
在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;
根据所述问询限定词和所述问询目标,获取问询答语;
返回所述问询答语至所述用户端,供所述用户端显示所述问询答语。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
接收用户端的药物问询语句;
提取所述药物问询语句的问询关键词;
在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;
根据所述问询限定词和所述问询目标,获取问询答语;
返回所述问询答语至所述用户端,供所述用户端显示所述问询答语。
上述基于药物知识图谱的药物问询方法、装置、计算机设备和存储介质,通过针对用户端的药物问询语句提取问询关键词,然后在药物知识图谱中获取与问询关键词匹配的问询限定词和问询目标,并根据问询限定词和问询目标,反馈问询答语至用户端,从而,利用药物知识图谱中的图谱实体及实体关系,对药物领域的问题进行准确的回答。
附图说明
图1是一个实施例的一种药物问询方法的流程示意图;
图2是一个实施例的一种药物问询方法的应用环境图;
图3是一个实施例的一种药物知识图谱的示意图;
图4是一个实施例的一种药物问询装置的结构框图;
图5是一个实施例的一种药物问询系统的结构框图;
图6是一个实施例的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1是一个实施例的一种药物问询方法的流程示意图。本申请实施例提供的药物问询方法,可以应用于如图2所示的应用环境中。其中,用户端201通过网络与药物问询服务器202进行通信。其中,用户端201可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,药物问询服务器202可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图1所示,提供了一种基于药物知识图谱的药物问询方法,以该方法应用于图2中的问询服务器202为例进行说明,包括以下步骤:
步骤S110,接收用户端的药物问询语句。
其中,药物问询语句可以为问询药物的用法用量、适应症、不良反应、禁忌等的问题。例如,药物问询语句可以为“孩子今年2岁,最近消化不良,是否可以用可乐必妥这种药?”。
具体实现中,用户可以通过用户端201输入药物问询语句,用户端201可以将该药物问询语句发送至问询服务器202,由此,问询服务器202可以接收到用户端201发送的药物问询语句。
步骤S120,提取所述药物问询语句的问询关键词。
其中,问询关键词可以为药物问询语句中的主语、谓语、宾语等较为关键的词语。
具体实现中,问询服务器202可以首先将药物询问语句进行分词,将分词得到的词语,作为语句分词,然后对各个语句分词进行词性标注。例如,标注某个词语为主语、谓语、宾语、语气词、助词等的词性。最后,根据语句分词所标注的词性,在多个语句分词中筛选出问询关键词。
例如,针对“孩子今年2岁,最近消化不良,是否可以用可乐必妥这种药?”的药物询问语句,可以提取出“2岁”、“消化不良”、“可乐必妥”、“是否可以用”等的问询关键词。
步骤S130,在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标。
其中,药物知识图谱可以为用于记录药物的药物通用名、药物俗称、年龄段划分、症状、适用人体部位、用法用量、适应症、不良反应、禁忌等信息的知识图谱。知识图谱(Knowledge Graph)是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
具体实现中,药物知识图谱可以包括多个图谱实体以及图谱实体之间的实体关系。图谱实体可以包括某种药物通用名、药物俗称、年龄段划分、症状、适用人体部位等的内容。实体关系可以包括用法用量、适应症、不良反应、禁忌等的内容。
可以将问询关键词与药物知识图谱中的图谱实体进行匹配,将与问询关键词匹配的图谱实体,作为匹配图谱实体。然后,将匹配图谱实体之间的实体关系,与问询关键词进行匹配,将匹配的实体关系,作为匹配实体关系。
例如,确定与问询关键词匹配的“0-2岁”、“消化不良”、“可乐必妥”作为匹配图谱实体,匹配实体关系之间具有适应症、不良反应、禁忌等的实体关系,与“是否可以用”匹配的实体关系为适应症,将适应症作为的匹配实体关系。
最后,将匹配图谱实体作为问询限定词,将匹配实体关系作为问询目标。
实际应用中,可以将图谱实体和实体关系的数据,录入至Neo4j(一种图形数据库)图数据库,以建立起药物知识图谱。其中,Neo4j是一个高性能的NoSQL(Not Only SQL,非关系型数据库)图形数据库,它将结构化数据存储在网络上而不是表中。其中,药物知识图谱的图谱实体、实体关系的具体内容可以来源于药物说明书。由于药物说明书中的数据为非结构化数据,可以通过命名实体识别技术,对数据进行结构化处理,得到结构化数据,作为图谱实体、实体关系的具体内容。
图3是一个实施例的一种药物知识图谱的示意图。如图所示,药物知识图谱中,可以包括有多个图谱实体,每个图谱实体可以为记录药物通用名、药物俗称、年龄段划分、症状、适用人体部位的实体,也称为实体节点。图谱实体之间可以具有关联关系,该关联关系可以作为实体关系。实体关系可以包括药物用法、药物用量、适应症、不良反应等内容。
步骤S140,根据所述问询限定词和所述问询目标,获取问询答语。
具体实现中,可以将问询限定词作为查询条件,以及将问询目标作为查询目标,采用查询条件和查询目标构建语义查询语句,并根据语义查询语句获取语义查询的结果,作为问询答语。
实际应用中,可以通过CQL(Common Query Language,通用查询语言)进行语义查询。具体地,可以将问询限定词作为CQL的查询条件,将问询目标作为CQL的查询目标,构建对应的CQL语言查询语句,以进行语义查询。
例如,在药物知识图谱中,“2岁”、“消化不良”、“可乐必妥”为图谱实体,该多个图谱实体之间的实体关系可以包括药物用法、药物用量、适应症、不良反应和禁忌。由于问询目标是查询适应症,因此,获取适应症的实体关系的属性,作为问询答语。
步骤S150,返回所述问询答语至所述用户端,供所述用户端显示所述问询答语。
具体实现中,可以将问询答语发送至用户端201,供用户端201向用户显示该问询答语,由此,用户得到了准确回答其药物问询语句的回答。
根据本申请实施例的技术方案,通过针对用户端的药物问询语句提取问询关键词,然后在药物知识图谱中获取与问询关键词匹配的问询限定词和问询目标,并根据问询限定词和问询目标,反馈问询答语至用户端,从而,利用药物知识图谱中的图谱实体及实体关系,对药物领域的问题进行准确的回答。
在另一个实施例中,所述提取所述药物询问语句的询问关键词,包括:
将所述药物询问语句进行分词,得到语句分词;对所述语句分词进行词性标注,得到所述语句分词的分词词性;根据所述语句分词的分词词性,确定所述语句分词为所述询问关键词。
具体实现中,问询服务器202可以首先将药物询问语句进行分词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。
将分词得到的词语,作为语句分词,然后对各个语句分词进行词性标注。词性标注(part-of-speech tagging),又称为词类标注或者简称标注,是指为语句分词中的每个单词标注一个正确的词性的程序,也即确定每个词是名词、动词、形容词或者其他词性的过程。例如,标注某个词语为主语、谓语、宾语、语气词、助词等的词性。
最后,对句子进行句法分析,根据语句分词所标注的词性,在多个语句分词中筛选出问询关键词。
根据本申请实施例的技术方案,通过分词和词性标注,确定药物询问语句中各个分词的分词词性,并根据分词词性确定询问关键词,从而可以准确地确定询问关键词,提升了对药物领域的问题进行回答的准确性。
在另一个实施例中,所述药物知识图谱包括图谱实体,所述图谱实体之间具有实体关系,所述在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标,包括:
获取与所述问询关键词匹配的匹配图谱实体;将所述匹配图谱实体之间的实体关系与所述问询关键词匹配,得到匹配实体关系;将所述匹配图谱实体作为所述问询限定词,以及,将所述匹配实体关系作为所述问询目标。
具体实现中,可以将问询关键词与药物知识图谱中的图谱实体进行匹配,将与问询关键词匹配的图谱实体,作为匹配图谱实体。然后,将匹配图谱实体之间的实体关系,与问询关键词进行匹配,将匹配的实体关系,作为匹配实体关系。最后,可以将匹配出的匹配图谱实体,作为药物问询语句的问询限定词,将匹配出的匹配实体关系,作为药物问询语句的问询目标。
在另一个实施例中,在所述提取所述药物问询语句的问询关键词之后,还包括:根据所述问询关键词,预测所述药物问询语句的问询类别;所述根据所述匹配图谱实体之间的实体关系,获取匹配实体关系,包括:在所述匹配图谱实体之间的实体关系中,提取出与所述问询类别对应的实体关系,作为所述匹配实体关系。
其中,问询类别可以包括药物用法、药物用量、适应症、不良反应中的至少一种。
例如,问询关键词为“是否可以用”,可以预测出问询类别是“适应症”,因此,在“适用症”、“不良反应”、“药物用法”、“药物用量”等的实体关系中,提取出“适应症”的实体关系,作为匹配实体关系。
实际应用中,可以通过贝叶斯分类器(Bayesian Classifier)预测药物问询语句的问询类别。当然,本领域技术人员也可以通过多种分类器进行问询类别的预测。
在另一个实施例中,所述根据所述问询限定词和所述问询目标,获取问询答语,包括:
将所述问询限定词作为查询条件,以及,将所述问询目标作为查询目标;采用所述查询条件和所述查询目标,构建语义查询语句;根据所述语义查询语句获取语义查询的结果,作为所述问询答语。
例如,可以将问询限定词作为CQL的查询条件,将问询目标作为CQL的查询目标,构建对应的CQL语言查询语句,以进行语义查询。将语义查询的结果,即CQL的查询目标中的内容,作为问询答语。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种药物问询装置,包括:语句接收模块410、关键词提取模块420、问询信息获取模块430、问询答语获取模块440和问询答语返回模块450,其中:
语句接收模块410,用于接收用户端的药物问询语句;
关键词提取模块420,用于提取所述药物问询语句的问询关键词;
问询信息获取模块430,用于在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;
问询答语获取模块440,用于根据所述问询限定词和所述问询目标,获取问询答语;
问询答语返回模块450,用于返回所述问询答语至所述用户端,供所述用户端显示所述问询答语。
根据本申请实施例的技术方案,通过针对用户端的药物问询语句提取问询关键词,然后在药物知识图谱中获取与问询关键词匹配的问询限定词和问询目标,并根据问询限定词和问询目标,反馈问询答语至用户端,从而,利用药物知识图谱中的图谱实体及实体关系,对药物领域的问题进行准确的回答。
在一个实施例中,所述关键词提取模块420,包括:
分词子模块,用于将所述药物询问语句进行分词,得到语句分词;
词性标注子模块,用于对所述语句分词进行词性标注,得到所述语句分词的分词词性;
关键词确定子模块,用于根据所述语句分词的分词词性,确定所述语句分词为所述询问关键词。
在一个实施例中,所述药物知识图谱包括图谱实体,所述图谱实体之间具有实体关系,所述问询信息获取模块430,包括:
图谱实体获取子模块,用于获取与所述问询关键词匹配的匹配图谱实体;
实体关系获取子模块,用于根据所述匹配图谱实体之间的实体关系,获取匹配实体关系;
问询信息获取子模块,用于将所述匹配图谱实体作为所述问询限定词,以及,将所述匹配实体关系作为所述问询目标。
在一个实施例中,还包括:
类别预测模块,用于根据所述问询关键词,预测所述药物问询语句的问询类别;
所述实体关系获取子模块,包括:
关系匹配单元,用于在所述匹配图谱实体之间的实体关系中,提取出与所述问询类别对应的实体关系,作为所述匹配实体关系。
在一个实施例中,所述问询答语获取模块440,包括:
查询信息确定子模块,用于将所述问询限定词作为查询条件,以及,将所述问询目标作为查询目标;
语句构建子模块,用于采用所述查询条件和所述查询目标,构建语义查询语句;
语义查询子模块,用于根据所述语义查询语句获取语义查询的结果,作为所述问询答语。
在一个实施例中,所述问询类别包括药物用法、药物用量、适应症、不良反应中的至少一种。
在一个实施例中,如图5所示,提供了一种药物问询系统,包括:用户端510和药物问询服务器520;
所述用户端510,用于发送药物问询语句至所述药物问询服务器520;
所述药物问询服务器520,用于接收所述用户端510的药物问询语句;提取所述药物问询语句的问询关键词;在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;根据所述问询限定词和所述问询目标,获取问询答语;返回所述问询答语至所述用户端510,供所述用户端510显示所述问询答语。
关于药物问询装置、药物问询系统的具体限定可以参见上文中对于药物问询方法的限定,在此不再赘述。上述药物问询装置、药物问询系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
上述提供的药物问询装置、药物问询系统可用于执行上述任意实施例提供的药物问询方法,具备相应的功能和有益效果。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种药物问询方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
接收用户端的药物问询语句;
提取所述药物问询语句的问询关键词;
在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;
根据所述问询限定词和所述问询目标,获取问询答语;
返回所述问询答语至所述用户端,供所述用户端显示所述问询答语。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述药物询问语句进行分词,得到语句分词;
对所述语句分词进行词性标注,得到所述语句分词的分词词性;
根据所述语句分词的分词词性,确定所述语句分词为所述询问关键词。
在一个实施例中,所述药物知识图谱包括图谱实体,所述图谱实体之间具有实体关系,处理器执行计算机程序时还实现以下步骤:
获取与所述问询关键词匹配的匹配图谱实体;
根据所述匹配图谱实体之间的实体关系,获取匹配实体关系;
将所述匹配图谱实体作为所述问询限定词,以及,将所述匹配实体关系作为所述问询目标。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据所述问询关键词,预测所述药物问询语句的问询类别;
所述根据所述匹配图谱实体之间的实体关系,获取匹配实体关系,包括:
在所述匹配图谱实体之间的实体关系中,提取出与所述问询类别对应的实体关系,作为所述匹配实体关系。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述问询限定词作为查询条件,以及,将所述问询目标作为查询目标;
采用所述查询条件和所述查询目标,构建语义查询语句;
根据所述语义查询语句获取语义查询的结果,作为所述问询答语。
在一个实施例中,所述问询类别包括药物用法、药物用量、适应症、不良反应中的至少一种。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收用户端的药物问询语句;
提取所述药物问询语句的问询关键词;
在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;
根据所述问询限定词和所述问询目标,获取问询答语;
返回所述问询答语至所述用户端,供所述用户端显示所述问询答语。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述药物询问语句进行分词,得到语句分词;
对所述语句分词进行词性标注,得到所述语句分词的分词词性;
根据所述语句分词的分词词性,确定所述语句分词为所述询问关键词。
在一个实施例中,所述药物知识图谱包括图谱实体,所述图谱实体之间具有实体关系,计算机程序被处理器执行时还实现以下步骤:
获取与所述问询关键词匹配的匹配图谱实体;
根据所述匹配图谱实体之间的实体关系,获取匹配实体关系;
将所述匹配图谱实体作为所述问询限定词,以及,将所述匹配实体关系作为所述问询目标。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据所述问询关键词,预测所述药物问询语句的问询类别;
所述根据所述匹配图谱实体之间的实体关系,获取匹配实体关系,包括:
在所述匹配图谱实体之间的实体关系中,提取出与所述问询类别对应的实体关系,作为所述匹配实体关系。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述问询限定词作为查询条件,以及,将所述问询目标作为查询目标;
采用所述查询条件和所述查询目标,构建语义查询语句;
根据所述语义查询语句获取语义查询的结果,作为所述问询答语。
在一个实施例中,所述问询类别包括药物用法、药物用量、适应症、不良反应中的至少一种。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于药物知识图谱的药物问询方法,其特征在于,包括:
接收用户端的药物问询语句;
提取所述药物问询语句的问询关键词;
在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;
根据所述问询限定词和所述问询目标,获取问询答语;
返回所述问询答语至所述用户端,供所述用户端显示所述问询答语。
2.根据权利要求1所述的方法,其特征在于,所述提取所述药物询问语句的询问关键词,包括:
将所述药物询问语句进行分词,得到语句分词;
对所述语句分词进行词性标注,得到所述语句分词的分词词性;
根据所述语句分词的分词词性,确定所述语句分词为所述询问关键词。
3.根据权利要求1所述的方法,其特征在于,所述药物知识图谱包括图谱实体,所述图谱实体之间具有实体关系,所述在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标,包括:
获取与所述问询关键词匹配的匹配图谱实体;
根据所述匹配图谱实体之间的实体关系,获取匹配实体关系;
将所述匹配图谱实体作为所述问询限定词,以及,将所述匹配实体关系作为所述问询目标。
4.根据权利要求3所述的方法,其特征在于,在所述提取所述药物问询语句的问询关键词之后,还包括:
根据所述问询关键词,预测所述药物问询语句的问询类别;
所述根据所述匹配图谱实体之间的实体关系,获取匹配实体关系,包括:
在所述匹配图谱实体之间的实体关系中,提取出与所述问询类别对应的实体关系,作为所述匹配实体关系。
5.根据权利要求1所述的方法,其特征在于,所述根据所述问询限定词和所述问询目标,获取问询答语,包括:
将所述问询限定词作为查询条件,以及,将所述问询目标作为查询目标;
采用所述查询条件和所述查询目标,构建语义查询语句;
根据所述语义查询语句获取语义查询的结果,作为所述问询答语。
6.根据权利要求4所述的方法,其特征在于,所述问询类别包括药物用法、药物用量、适应症、不良反应中的至少一种。
7.一种药物问询装置,其特征在于,包括:
语句接收模块,用于接收用户端的药物问询语句;
关键词提取模块,用于提取所述药物问询语句的问询关键词;
问询信息获取模块,用于在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;
问询答语获取模块,用于根据所述问询限定词和所述问询目标,获取问询答语;
问询答语返回模块,用于返回所述问询答语至所述用户端,供所述用户端显示所述问询答语。
8.一种药物问询系统,其特征在于,包括:
用户端和药物问询服务器;
所述用户端,用于发送药物问询语句至所述药物问询服务器;
所述药物问询服务器,用于接收所述用户端的药物问询语句;提取所述药物问询语句的问询关键词;在药物知识图谱中,获取与所述问询关键词匹配的问询限定词和问询目标;根据所述问询限定词和所述问询目标,获取问询答语;返回所述问询答语至所述用户端,供所述用户端显示所述问询答语。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811581924.XA CN109710738A (zh) | 2018-12-24 | 2018-12-24 | 药物问询方法、装置、系统、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811581924.XA CN109710738A (zh) | 2018-12-24 | 2018-12-24 | 药物问询方法、装置、系统、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109710738A true CN109710738A (zh) | 2019-05-03 |
Family
ID=66257313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811581924.XA Pending CN109710738A (zh) | 2018-12-24 | 2018-12-24 | 药物问询方法、装置、系统、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109710738A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263226A (zh) * | 2019-05-10 | 2019-09-20 | 平安科技(深圳)有限公司 | 针对药品的数据库更新方法、装置及电子装置 |
CN110377755A (zh) * | 2019-07-03 | 2019-10-25 | 江苏省人民医院(南京医科大学第一附属医院) | 基于药品说明书的合理用药知识图谱构建方法 |
CN110532360A (zh) * | 2019-07-19 | 2019-12-03 | 平安科技(深圳)有限公司 | 医疗领域知识图谱问答处理方法、装置、设备及存储介质 |
CN111460095A (zh) * | 2020-03-17 | 2020-07-28 | 北京百度网讯科技有限公司 | 问答处理方法、装置、电子设备及存储介质 |
CN112307215A (zh) * | 2020-04-20 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置及计算机可读存储介质 |
CN114582459A (zh) * | 2022-01-27 | 2022-06-03 | 中南大学湘雅三医院 | 基于诊疗数据的信息处理方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090070103A1 (en) * | 2007-09-07 | 2009-03-12 | Enhanced Medical Decisions, Inc. | Management and Processing of Information |
US9251143B2 (en) * | 2012-01-13 | 2016-02-02 | International Business Machines Corporation | Converting data into natural language form |
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 |
CN107748757A (zh) * | 2017-09-21 | 2018-03-02 | 北京航空航天大学 | 一种基于知识图谱的问答方法 |
CN108829858A (zh) * | 2018-06-22 | 2018-11-16 | 北京京东金融科技控股有限公司 | 数据查询方法、装置及计算机可读存储介质 |
-
2018
- 2018-12-24 CN CN201811581924.XA patent/CN109710738A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090070103A1 (en) * | 2007-09-07 | 2009-03-12 | Enhanced Medical Decisions, Inc. | Management and Processing of Information |
US9251143B2 (en) * | 2012-01-13 | 2016-02-02 | International Business Machines Corporation | Converting data into natural language form |
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 |
CN107748757A (zh) * | 2017-09-21 | 2018-03-02 | 北京航空航天大学 | 一种基于知识图谱的问答方法 |
CN108829858A (zh) * | 2018-06-22 | 2018-11-16 | 北京京东金融科技控股有限公司 | 数据查询方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
马晨浩: "基于甲状腺知识图谱的自动问答系统的设计与实现", 《智能计算机与应用》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263226A (zh) * | 2019-05-10 | 2019-09-20 | 平安科技(深圳)有限公司 | 针对药品的数据库更新方法、装置及电子装置 |
CN110263226B (zh) * | 2019-05-10 | 2024-08-20 | 平安科技(深圳)有限公司 | 针对药品的数据库更新方法、装置及电子装置 |
CN110377755A (zh) * | 2019-07-03 | 2019-10-25 | 江苏省人民医院(南京医科大学第一附属医院) | 基于药品说明书的合理用药知识图谱构建方法 |
CN110532360A (zh) * | 2019-07-19 | 2019-12-03 | 平安科技(深圳)有限公司 | 医疗领域知识图谱问答处理方法、装置、设备及存储介质 |
CN111460095A (zh) * | 2020-03-17 | 2020-07-28 | 北京百度网讯科技有限公司 | 问答处理方法、装置、电子设备及存储介质 |
CN112307215A (zh) * | 2020-04-20 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置及计算机可读存储介质 |
WO2021213314A1 (zh) * | 2020-04-20 | 2021-10-28 | 北京京东拓先科技有限公司 | 数据处理方法、装置及计算机可读存储介质 |
CN112307215B (zh) * | 2020-04-20 | 2024-07-19 | 北京京东拓先科技有限公司 | 数据处理方法、装置及计算机可读存储介质 |
CN114582459A (zh) * | 2022-01-27 | 2022-06-03 | 中南大学湘雅三医院 | 基于诊疗数据的信息处理方法、装置、设备及存储介质 |
CN114582459B (zh) * | 2022-01-27 | 2023-04-18 | 中南大学湘雅三医院 | 基于诊疗数据的信息处理方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109710738A (zh) | 药物问询方法、装置、系统、计算机设备和存储介质 | |
CN112328762B (zh) | 基于文本生成模型的问答语料生成方法和装置 | |
US11182562B2 (en) | Deep embedding for natural language content based on semantic dependencies | |
US11586987B2 (en) | Dynamically updated text classifier | |
US11948058B2 (en) | Utilizing recurrent neural networks to recognize and extract open intent from text inputs | |
JP7073576B2 (ja) | 関連付け推薦方法、装置、コンピュータ機器及び記憶媒体 | |
US10460028B1 (en) | Syntactic graph traversal for recognition of inferred clauses within natural language inputs | |
US10503830B2 (en) | Natural language processing with adaptable rules based on user inputs | |
CN111459977B (zh) | 自然语言查询的转换 | |
US20200192941A1 (en) | Search method, electronic device and storage medium | |
CA2853627C (en) | Automatic creation of clinical study reports | |
CN112015900A (zh) | 医学属性知识图谱构建方法、装置、设备及介质 | |
CN109829149A (zh) | 一种词向量模型的生成方法及装置、设备、存储介质 | |
Rodrigues et al. | Advanced applications of natural language processing for performing information extraction | |
RU61442U1 (ru) | Система автоматизированного упорядочения неструктурированного информационного потока входных данных | |
CN114860887A (zh) | 基于智能联想的疾病内容推送方法、装置、设备及介质 | |
CN114118072A (zh) | 文档结构化方法、装置、电子设备和计算机可读存储介质 | |
CN112948580B (zh) | 一种文本分类的方法和系统 | |
WO2019085118A1 (zh) | 基于主题模型的关联词分析方法、电子装置及存储介质 | |
CN109902309B (zh) | 翻译方法、装置、设备和存储介质 | |
CN113742452B (zh) | 基于文本分类的舆情监测方法、装置、设备及介质 | |
CN116975212A (zh) | 问题文本的答案查找方法、装置、计算机设备和存储介质 | |
Cabaleiro et al. | Grounding proposition stores for question answering over linked data | |
CN114372481A (zh) | 一种基于意群的翻译方法、装置、设备及介质 | |
CN113449094A (zh) | 语料获取方法、装置、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190503 |