CN109712704B - 方案的推荐方法及其装置 - Google Patents
方案的推荐方法及其装置 Download PDFInfo
- Publication number
- CN109712704B CN109712704B CN201811532754.6A CN201811532754A CN109712704B CN 109712704 B CN109712704 B CN 109712704B CN 201811532754 A CN201811532754 A CN 201811532754A CN 109712704 B CN109712704 B CN 109712704B
- Authority
- CN
- China
- Prior art keywords
- data
- scheme
- knowledge
- recommended
- user
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种方案的推荐方法及其装置。其中,方法包括:获取用户的症状信息和疾病信息,根据知识图谱,对用户的症状信息和疾病信息进行知识推理,以获取待推荐方案的适用率。根据适用率,确定推荐的方案。由此,本发明实施例实现了根据知识图谱进行知识推理,获取待推荐方案的适用率,进而确定推荐的方案,从而提高了方案推荐的准确度,解决了现有技术中方案推荐的准确度不高的技术问题。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种方案的推荐方法及其装置。
背景技术
随着互联网技术的发展,越来越多的患者开始在网上根据自身的疾病信息和症状信息,查询方案的推荐信息,传统的专家在线咨询方式已无法满足用户的需求,亟需一种根据疾病和症状信息自动进行方案推荐的技术方案。
相关技术中,采用相似度度量或者协同过滤等其他领域常用的推荐方法进行方案的推荐。但是,方案的推荐对于推荐准确度的要求很高,相似疾病和症状的方案不一定相同。因此,现有技术无法满足方案推荐的准确度要求。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种方案的推荐方法,以实现根据知识图谱进行知识推理,获取待推荐方案的适用率,进而确定推荐的方案,从而提高了方案推荐的准确度。
本发明的第二个目的在于提出一种方案的推荐装置。
本发明的第三个目的在于提出一种计算机程序产品。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本发明第一方面实施例提出了一种方案的推荐方法,包括:获取用户的症状信息和疾病信息;根据知识图谱,对所述用户的症状信息和疾病信息进行知识推理,以获取待推荐方案的适用率;根据所述适用率,确定推荐的方案。
和现有技术相比,本发明实施例根据知识图谱进行知识推理,获取待推荐方案的适用率,进而确定推荐的方案,从而提高了方案推荐的准确度。
另外,本发明实施例的方案的推荐方法,还具有如下附加的技术特征:
可选地,所述根据所述适用率,确定推荐的方案,包括:根据所述用户的症状信息和疾病信息,获取参考用户使用所述待推荐方案的分数;根据所述适用率和所述分数,确定推荐的方案。
可选地,在所述获取用户的症状信息和疾病信息之前,还包括:获取与所述知识图谱相关的医学网站数据和医学教材知识;对所述医学教材知识进行结构化解析,以获取医学教材数据;根据所述医学网站数据和所述医学教材数据,生成所述知识图谱。
可选地,所述根据所述医学网站数据和所述医学教材数据,生成所述知识图谱,包括:对所述医学网站数据和所述医学教材数据进行结构整合和内容消岐,以获取知识数据,其中,所述知识数据包括疾病数据、症状数据、方案数据;根据所述知识数据,确定所述疾病数据、所述症状数据、所述方案数据之间的对应关系;根据所述知识数据和所述对应关系,生成所述知识图谱。
可选地,在所述根据所述知识数据和所述对应关系,生成所述知识图谱之后,还包括:对所述知识图谱进行数据处理,以获取带概率权重的知识图谱。
可选地,所述根据知识图谱,对所述用户的症状信息和疾病信息进行知识推理,以获取待推荐方案的适用率,包括:对所述用户的症状信息和疾病信息进行结构化解析,以获取所述用户的症状数据和疾病数据;根据所述带概率权重的知识图谱,对所述用户的症状数据和疾病数据进行知识推理,以获取待推荐方案的适用率。
可选地,所述根据所述用户的症状信息和疾病信息,获取参考用户使用所述待推荐方案的分数,包括:根据所述用户的症状信息和疾病信息,确定与所述用户的症状信息和疾病信息相同的参考用户;获取所述参考用户使用所述待推荐方案的分数。
可选地,所述据所述适用率和所述分数,确定推荐的方案,包括:根据所述适用率和所述分数,确定所述待推荐方案的综合分数;获取多个所述待推荐方案的综合分数;根据所述综合分数从多个所述待推荐方案中确定所述推荐的方案。
可选地,所述方案包括:服用药物、服用食品、锻炼身体中的一种或者多种。
本发明第二方面实施例提出了一种方案的推荐装置,包括:第一获取模块,用于获取用户的症状信息和疾病信息;知识推理模块,用于根据知识图谱,对所述用户的症状信息和疾病信息进行知识推理,以获取待推荐方案的适用率;确定模块,用于根据所述适用率,确定推荐的方案。
另外,本发明实施例的方案的推荐装置,还具有如下附加的技术特征:
可选地,所述确定模块,包括:获取单元,用于根据所述用户的症状信息和疾病信息,获取参考用户使用所述待推荐方案的分数;第一确定单元,用于根据所述适用率和所述分数,确定推荐的方案。
可选地,所述装置还包括:第二获取模块,用于获取与所述知识图谱相关的医学网站数据和医学教材知识;解析模块,用于对所述医学教材知识进行结构化解析,以获取医学教材数据;生成模块,用于根据所述医学网站数据和所述医学教材数据,生成所述知识图谱。
可选地,所述生成模块,包括:整合单元,用于对所述医学网站数据和所述医学教材数据进行结构整合和内容消岐,以获取知识数据,其中,所述知识数据包括疾病数据、症状数据、方案数据;第二确定单元,用于根据所述知识数据,确定所述疾病数据、所述症状数据、所述方案数据之间的对应关系;生成单元,用于根据所述知识数据和所述对应关系,生成所述知识图谱。
可选地,所述生成模块,还包括:数据处理单元,用于对所述知识图谱进行数据处理,以获取带概率权重的知识图谱。
可选地,所述知识推理模块,包括:解析单元,用于对所述用户的症状信息和疾病信息进行结构化解析,以获取所述用户的症状数据和疾病数据;知识推理单元,用于根据所述带概率权重的知识图谱,对所述用户的症状数据和疾病数据进行知识推理,以获取待推荐方案的适用率。
可选地,所述获取单元,包括:确定子单元,用于根据所述用户的症状信息和疾病信息,确定与所述用户的症状信息和疾病信息相同的参考用户;获取子单元,用于获取所述参考用户使用所述待推荐方案的分数。
可选地,所述第一确定单元,包括:第一确定子单元,用于根据所述适用率和所述分数,确定所述待推荐方案的综合分数;获取子单元,用于获取多个所述待推荐方案的综合分数;第二确定子单元,用于根据所述综合分数从多个所述待推荐方案中确定所述推荐的方案。
本发明第三方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时实现如前述方法实施例所述的方案的推荐方法。
本发明第四方面实施例提出了一种非临时性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如前述方法实施例所述的方案的推荐方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1为本发明实施例所提供的一种方案的推荐方法的流程示意图;
图2为本发明实施例所提供的另一种方案的推荐方法的流程示意图;
图3为本发明实施例所提供的又一种方案的推荐方法的流程示意图;
图4为本发明实施例所提供的再一种方案的推荐方法的流程示意图;
图5为本发明实施例所提供的一种方案的推荐装置的结构示意图;
图6为本发明实施例所提供的另一种方案的推荐装置的结构示意图;
图7为本发明实施例所提供的又一种方案的推荐装置的结构示意图;以及
图8为本发明实施例所提供的再一种方案的推荐装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的方案的推荐方法及其装置。
基于上述现有技术的描述可以知道,相关技术中,采用相似度度量或者协同过滤等其他领域常用的推荐方法进行方案的推荐,无法满足方案推荐的准确度要求。
针对这一问题,本发明实施例提供了一种方案的推荐方法。根据知识图谱进行知识推理,获取待推荐方案的适用率,进而确定推荐的方案,从而提高了方案推荐的准确度。
图1为本发明实施例所提供的一种方案的推荐方法的流程示意图。如图1所示,该方法包括以下步骤:
S101,获取用户的症状信息和疾病信息。
其中,症状信息是对用户症状的描述信息,疾病信息是疾病的名称信息,包括专业名称、通用名称。
具体地,从用户输入的信息中获取用户的症状信息和疾病信息。
S102,根据知识图谱,对用户的症状信息和疾病信息进行知识推理,以获取待推荐方案的适用率。
其中,知识图谱记录了症状数据、疾病数据、方案数据等数据信息。
具体地,查询知识图谱中的数据信息,利用数据信息对用户的症状信息和疾病信息进行知识推理,获取待推荐方案的适用率。
需要说明的是,方案可以是服用药物、服用食品、锻炼身体中的一种或者多种。
S103,根据适用率,确定推荐的方案。
具体地,根据适用率,确定推荐的方案的方式有多种。
第一种可能的实现方式是,根据适用率对多个待推荐方案进行排序,选择适用率最高的N个方案作为推荐的方案,其中,N为预先设置的阈值。
第二种可能的实现方式是,从多个待推荐方案中选择适用率高于X的方案作为推荐的方案,其中,X为预先设置的适用率的阈值。
第三种可能的实现方式是,根据适用率与待推荐方案的使用率,确定推荐的方案。
需要特别说明的是,本发明实施例所提供的方案的推荐方法,通过接收用户在线输入的症状信息和疾病信息,确定推荐的方案,然后将推荐的方案展现给用户。
综上所述,本发明实施例的一种方案的推荐方法,获取用户的症状信息和疾病信息,根据知识图谱,对用户的症状信息和疾病信息进行知识推理,以获取待推荐方案的适用率。根据适用率,确定推荐的方案。由此,实现了提高方案推荐的准确度。
为了更加清楚地说明本发明实施例所提供的方案的推荐方法中的知识图谱,本发明实施例还提出了另一种方案的推荐方法,图2为本发明实施例所提供的另一种方案的推荐方法的流程示意图,基于图1所示的方法流程,如图2所示,在S101获取用户的症状信息和疾病信息之前,还包括:
S201,获取与知识图谱相关的医学网站数据和医学教材知识。
其中,医学网站数据可以通过数据挖掘的技术手段进行抓取,医学教材知识可以通过人工录入或者从电子版的医学教材中获取。
S202,对医学教材知识进行结构化解析,以获取医学教材数据。
其中,医学教材数据是从医学教材知识中提取的结构化数据。
可以理解,医学教材知识是通过自然语言对医学信息进行描述的,需要对其进行结构化解析,用来生成知识图谱。
S203,根据医学网站数据和医学教材数据,生成知识图谱。
具体地,对医学网站数据和医学教材数据中的数据进行整合,梳理,生成知识图谱。
可以理解,S201中获取的医学网站数据和S202获取的医学教材数据,不仅数据量庞大,而且数据来源繁多,不同数据来源的数据内容存在差异,需要进行数据整合。一种可能的实现方式是,对医学网站数据和医学教材数据进行结构整合和内容消岐,以获取知识数据,其中,知识数据包括疾病数据、症状数据、方案数据。根据知识数据,确定疾病数据、症状数据、方案数据之间的对应关系。根据知识数据和对应关系,生成知识图谱。
进一步地,为了更加便捷地使用知识图谱,在根据知识数据和对应关系,生成知识图谱之后,还包括:对知识图谱进行数据处理,以获取带概率权重的知识图谱。
需要特别说明的是,可以使用马尔科夫逻辑网和概率软逻辑对知识图谱进行数据处理。马尔可夫逻辑网是将概率图模型与一阶谓词逻辑相结合的一种统计关系学习模型,其核心思想是通过为规则绑定权重的方式将一阶谓词逻辑规则中的硬性约束进行软化。为此,马尔可夫逻辑网给每条规则都加上一个特定的权重来反映其约束强度。规则的权重越大,其约束能力越强,即对于满足和不满足该规则的两个世界而言,它们之间的差异将越大;当规则的权重设置为无穷大时,其退化为硬性规则。
概率软逻辑是马尔可夫逻辑网的一步延伸,其最大优点是允许原子事实的真值可以在连续的[0,1]区间内任意取值,而不像马尔可夫逻辑网那样只能取{0,1}中的离散值。马尔可夫逻辑网给一阶谓词逻辑加入了出色的不确定性处理能力,通过建模不确定性规则,能够容忍知识图谱中存在的不完整性和矛盾性等问题。而概率软逻辑进一步增强了马尔可夫逻辑网的不确定性处理能力,能够同时建模不确定性的规则和事实。并且连续真值的引入使得推理从原本的离散优化问题简化为连续优化问题,大大提升了推理效率对知识图谱进行建模后,当规则及其权重已知时,我们就可以推断知识图谱中任意未知事实成立的概率,这是一个马尔可夫随机场的推断问题。
从而,实现了根据医学网站数据和医学教材知识,生成知识图谱。
为了更加清楚地说明如何使用带概率权重的知识图谱,以获取待推荐方案的适用率,本发明实施例还提出了又一种方案的推荐方法,图3为本发明实施例所提供的又一种方案的推荐方法的流程示意图,基于图2所示的方法流程,如图3所示,S102,根据知识图谱,对用户的症状信息和疾病信息进行知识推理,以获取待推荐方案的适用率,包括:
S301,对用户的症状信息和疾病信息进行结构化解析,以获取用户的症状数据和疾病数据。
S302,根据带概率权重的知识图谱,对用户的症状数据和疾病数据进行知识推理,以获取待推荐方案的适用率。
可以理解,用户输入的症状信息和疾病信息是自然语言,需要对其进行结构化解析,以便于用来进行知识推理,获取待推荐方案的适用率。
具体地,带概率权重的知识图谱中不仅记载了症状数据、疾病数据和方案数据以及对应关系,而且记载了不同对应关系的概率权重。通过查询带概率权重的知识图谱,就可获取待推荐方案的适用率。
从而,实现了通过带概率权重的知识图谱,获取待推荐方案的适用率。
为了更加清楚地说明S103,根据适用率,确定推荐的方案中的第三种可能的实现方式,根据适用率与待推荐方案的使用率,确定推荐的方案。本发明实施例还提出了再一种方案的推荐方法,图4为本发明实施例所提供的再一种方案的推荐方法的流程示意图,基于图1所示的方法流程,如图4所示,S103,根据适用率,确定推荐的方案,包括:
S401,根据用户的症状信息和疾病信息,获取参考用户使用待推荐方案的分数。
其中,参考用户是与用户具有相同症状信息和疾病信息的其他用户。参考用户使用待推荐方案的分数反映了待推荐方案的使用率。
为了获取参考用户使用待推荐方案的分数,一种可能的实现方案是,根据用户的症状信息和疾病信息,确定与用户的症状信息和疾病信息相同的参考用户,获取参考用户使用待推荐方案的分数。一种优选的实现方式是,使用协同过滤算法计算参考用户使用待推荐方案的分数。
S402,根据适用率和分数,确定推荐的方案。
具体地,根据适用率和分数,确定推荐的方案的方式有多种。一种可能的实现方式是,根据适用率和分数,确定待推荐方案的综合分数。获取多个待推荐方案的综合分数,根据综合分数从多个待推荐方案中确定推荐的方案。其中,确定待推荐方案的综合分数可以通过公式score=αP0+(1-α)P1计算获得,score为综合分数,0≤α≤1为预设权值,P0为适用率,P1为分数。
一种优选的实现方式是,根据综合分数,对多个待推荐方案进行排序,选择综合分数最高的M个待推荐方案作为推荐的方案,M为预设阈值。
从而,实现了根据适用率与待推荐方案的使用率,确定推荐的方案。
为了实现上述实施例,本发明实施例还提出一种方案的推荐装置,图5为本发明实施例所提供的一种方案的推荐装置的结构示意图,如图5所示,该装置包括:第一获取模块510,知识推理模块520,确定模块530。
第一获取模块510,用于获取用户的症状信息和疾病信息。
知识推理模块520,用于根据知识图谱,对用户的症状信息和疾病信息进行知识推理,以获取待推荐方案的适用率。
确定模块530,用于根据适用率,确定推荐的方案。
需要说明的是,前述对方案的推荐方法实施例的解释说明也适用于该实施例的方案的推荐装置,此处不再赘述。
综上所述,本发明实施例的一种方案的推荐装置,获取用户的症状信息和疾病信息,根据知识图谱,对用户的症状信息和疾病信息进行知识推理,以获取待推荐方案的适用率。根据适用率,确定推荐的方案。由此,实现了提高方案推荐的准确度。
为了实现上述实施例,本发明实施例还提出另一种方案的推荐装置,图6为本发明实施例所提供的另一种方案的推荐装置的结构示意图,如图6所示,该装置还包括:第二获取模块610,解析模块620,生成模块630。
第二获取模块610,用于获取与知识图谱相关的医学网站数据和医学教材知识。
解析模块620,用于对医学教材知识进行结构化解析,以获取医学教材数据。
生成模块630,用于根据医学网站数据和医学教材数据,生成知识图谱。
进一步地,为了对多个数据来源的数据内容进行数据整合。一种可能的实现方式是,生成模块630包括:整合单元631,用于对医学网站数据和医学教材数据进行结构整合和内容消岐,以获取知识数据,其中,知识数据包括疾病数据、症状数据、方案数据。第二确定单元632,用于根据知识数据,确定疾病数据、症状数据、方案数据之间的对应关系。生成单元633,用于根据知识数据和对应关系,生成知识图谱。
进一步地,为了更加便捷地使用知识图谱,一种可能的实现方式是,生成模块630,还包括:数据处理单元634,用于对知识图谱进行数据处理,以获取带概率权重的知识图谱。
需要说明的是,前述对方案的推荐方法实施例的解释说明也适用于该实施例的方案的推荐装置,此处不再赘述。
从而,实现了根据医学网站数据和医学教材知识,生成知识图谱。
为了实现上述实施例,本发明实施例还提出又一种方案的推荐装置,图7为本发明实施例所提供的又一种方案的推荐装置的结构示意图,如图7所示,基于图6所示的装置结构,知识推理模块520,包括:解析单元521,知识推理单元522。
解析单元521,用于对用户的症状信息和疾病信息进行结构化解析,以获取用户的症状数据和疾病数据。
知识推理单元522,用于根据带概率权重的知识图谱,对用户的症状数据和疾病数据进行知识推理,以获取待推荐方案的适用率。
需要说明的是,前述对方案的推荐方法实施例的解释说明也适用于该实施例的方案的推荐装置,此处不再赘述。
从而,实现了通过带概率权重的知识图谱,获取待推荐方案的适用率。
为了实现上述实施例,本发明实施例还提出再一种方案的推荐装置,图8为本发明实施例所提供的再一种方案的推荐装置的结构示意图,如图8所示,基于图5所示的装置结构,确定模块530,包括:获取单元531,第一确定单元532。
获取单元531,用于根据用户的症状信息和疾病信息,获取参考用户使用待推荐方案的分数。
第一确定单元532,用于根据适用率和分数,确定推荐的方案。
进一步地,为了获取参考用户使用待推荐方案的分数,一种可能的实现方式是,获取单元531,包括:确定子单元5311,用于根据用户的症状信息和疾病信息,确定与用户的症状信息和疾病信息相同的参考用户。获取子单元5312,用于获取参考用户使用待推荐方案的分数。
进一步地,为了确定推荐的方案,一种可能的实现方式是,第一确定单元532,包括:第一确定子单元5321,用于根据适用率和分数,确定待推荐方案的综合分数。获取子单元5322,用于获取多个待推荐方案的综合分数。第二确定子单元5323,用于根据综合分数从多个待推荐方案中确定推荐的方案。
需要说明的是,前述对方案的推荐方法实施例的解释说明也适用于该实施例的方案的推荐装置,此处不再赘述。
从而,实现了根据适用率与待推荐方案的使用率,确定推荐的方案。
为了实现上述实施例,本发明实施例还提出一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时实现如前述方法实施例所述的方案的推荐方法。
为了实现上述实施例,实施例还提出一种非临时性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如前述方法实施例所述的方案的推荐方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (17)
1.一种方案的推荐方法,其特征在于,包括:
获取用户的症状信息和疾病信息;
根据知识图谱,对所述用户的症状信息和疾病信息进行知识推理,以获取待推荐方案的适用率,其中,对所述用户的症状信息和疾病信息进行结构化解析,以获取所述用户的症状数据和疾病数据,根据带概率权重的知识图谱,对所述用户的症状数据和疾病数据进行知识推理,以获取待推荐方案的适用率,所述带概率权重的知识图谱包括症状数据、疾病数据和方案数据的对应关系,以及不同对应关系的概率权重;
根据所述适用率,确定推荐的方案。
2.如权利要求1所述的方法,其特征在于,所述根据所述适用率,确定推荐的方案,包括:
根据所述用户的症状信息和疾病信息,获取参考用户使用所述待推荐方案的分数;
根据所述适用率和所述分数,确定推荐的方案。
3.如权利要求2所述的方法,其特征在于,在所述获取用户的症状信息和疾病信息之前,还包括:
获取与所述知识图谱相关的医学网站数据和医学教材知识;
对所述医学教材知识进行结构化解析,以获取医学教材数据;
根据所述医学网站数据和所述医学教材数据,生成所述知识图谱。
4.如权利要求3所述的方法,其特征在于,所述根据所述医学网站数据和所述医学教材数据,生成所述知识图谱,包括:
对所述医学网站数据和所述医学教材数据进行结构整合和内容消岐,以获取知识数据,其中,所述知识数据包括疾病数据、症状数据、方案数据;
根据所述知识数据,确定所述疾病数据、所述症状数据、所述方案数据之间的对应关系;
根据所述知识数据和所述对应关系,生成所述知识图谱。
5.如权利要求4所述的方法,其特征在于,在所述根据所述知识数据和所述对应关系,生成所述知识图谱之后,还包括:
对所述知识图谱进行数据处理,以获取带概率权重的知识图谱。
6.如权利要求2所述的方法,其特征在于,所述根据所述用户的症状信息和疾病信息,获取参考用户使用所述待推荐方案的分数,包括:
根据所述用户的症状信息和疾病信息,确定与所述用户的症状信息和疾病信息相同的参考用户;
获取所述参考用户使用所述待推荐方案的分数。
7.如权利要求2-6中任一项所述的方法,其特征在于,所述据所述适用率和所述分数,确定推荐的方案,包括:
根据所述适用率和所述分数,确定所述待推荐方案的综合分数;
获取多个所述待推荐方案的综合分数;
根据所述综合分数从多个所述待推荐方案中确定所述推荐的方案。
8.如权利要求7所述的方法,其特征在于,所述方案包括:服用药物、服用食品、锻炼身体中的一种或者多种。
9.一种方案的推荐装置,其特征在于,所述装置包括:
第一获取模块,用于获取用户的症状信息和疾病信息;
知识推理模块,用于根据知识图谱,对所述用户的症状信息和疾病信息进行知识推理,以获取待推荐方案的适用率,其中,所述知识推理模块包括解析单元和知识推理单元,所述解析单元用于对所述用户的症状信息和疾病信息进行结构化解析,以获取所述用户的症状数据和疾病数据,所述知识推理单元,用于根据带概率权重的知识图谱,对所述用户的症状数据和疾病数据进行知识推理,以获取待推荐方案的适用率,所述带概率权重的知识图谱包括症状数据、疾病数据和方案数据的对应关系,以及不同对应关系的概率权重;
确定模块,用于根据所述适用率,确定推荐的方案。
10.如权利要求9所述的装置,其特征在于,所述确定模块,包括:
获取单元,用于根据所述用户的症状信息和疾病信息,获取参考用户使用所述待推荐方案的分数;
第一确定单元,用于根据所述适用率和所述分数,确定推荐的方案。
11.如权利要求10所述的装置,其特征在于,所述装置还包括:
第二获取模块,用于获取与所述知识图谱相关的医学网站数据和医学教材知识;
解析模块,用于对所述医学教材知识进行结构化解析,以获取医学教材数据;
生成模块,用于根据所述医学网站数据和所述医学教材数据,生成所述知识图谱。
12.如权利要求11所述的装置,其特征在于,所述生成模块,包括:
整合单元,用于对所述医学网站数据和所述医学教材数据进行结构整合和内容消岐,以获取知识数据,其中,所述知识数据包括疾病数据、症状数据、方案数据;
第二确定单元,用于根据所述知识数据,确定所述疾病数据、所述症状数据、所述方案数据之间的对应关系;
生成单元,用于根据所述知识数据和所述对应关系,生成所述知识图谱。
13.如权利要求12所述的装置,其特征在于,所述生成模块,还包括:
数据处理单元,用于对所述知识图谱进行数据处理,以获取带概率权重的知识图谱。
14.如权利要求10所述的装置,其特征在于,所述获取单元,包括:
确定子单元,用于根据所述用户的症状信息和疾病信息,确定与所述用户的症状信息和疾病信息相同的参考用户;
获取子单元,用于获取所述参考用户使用所述待推荐方案的分数。
15.如权利要求10-14中任一项所述的装置,其特征在于,所述第一确定单元,包括:
第一确定子单元,用于根据所述适用率和所述分数,确定所述待推荐方案的综合分数;
获取子单元,用于获取多个所述待推荐方案的综合分数;
第二确定子单元,用于根据所述综合分数从多个所述待推荐方案中确定所述推荐的方案。
16.一种计算机程序产品,其特征在于,当所述计算机程序产品中的指令处理器执行时实现如权利要求1-8中任一项所述的方案的推荐方法。
17.一种非临时性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如权利要求1-8中任一项所述的方案的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532754.6A CN109712704B (zh) | 2018-12-14 | 2018-12-14 | 方案的推荐方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532754.6A CN109712704B (zh) | 2018-12-14 | 2018-12-14 | 方案的推荐方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109712704A CN109712704A (zh) | 2019-05-03 |
CN109712704B true CN109712704B (zh) | 2021-08-13 |
Family
ID=66255905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811532754.6A Active CN109712704B (zh) | 2018-12-14 | 2018-12-14 | 方案的推荐方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109712704B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111145909B (zh) * | 2019-11-29 | 2023-07-14 | 泰康保险集团股份有限公司 | 诊疗数据处理方法与装置、存储介质、电子设备 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7730063B2 (en) * | 2002-12-10 | 2010-06-01 | Asset Trust, Inc. | Personalized medicine service |
CN104036445A (zh) * | 2014-06-17 | 2014-09-10 | 南京邮电大学 | 一种智慧医疗个性化推荐系统及其实现方法 |
US20160328443A1 (en) * | 2015-05-06 | 2016-11-10 | Vero Analytics, Inc. | Knowledge Graph Based Query Generation |
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 |
CN107247868B (zh) * | 2017-05-18 | 2020-05-12 | 深思考人工智能机器人科技(北京)有限公司 | 一种人工智能辅助问诊系统 |
CN107591201A (zh) * | 2017-09-13 | 2018-01-16 | 中国科学院重庆绿色智能技术研究院 | 一种诊疗决策支持系统 |
CN107609163B (zh) * | 2017-09-15 | 2021-08-24 | 南京深数信息科技有限公司 | 医学知识图谱的生成方法、存储介质及服务器 |
CN108492887B (zh) * | 2018-04-13 | 2020-09-22 | 合肥工业大学 | 医疗知识图谱构建方法及装置 |
CN108836285A (zh) * | 2018-05-09 | 2018-11-20 | 陕西数字人信息科技有限公司 | 人体疾病自主诊断模型和人工智能体检方法及系统和健康评估直观演示方法 |
CN108776684B (zh) * | 2018-05-25 | 2021-01-01 | 华东师范大学 | 知识图谱中边权重的优化方法、装置、介质、设备及系统 |
-
2018
- 2018-12-14 CN CN201811532754.6A patent/CN109712704B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109712704A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112015917A (zh) | 基于知识图谱的数据处理方法、装置及计算机设备 | |
CN111128391B (zh) | 一种信息处理设备、方法和存储介质 | |
CN106469169A (zh) | 信息处理方法及装置 | |
CN113656558B (zh) | 基于机器学习对关联规则进行评估的方法及装置 | |
CN109712704B (zh) | 方案的推荐方法及其装置 | |
CN114330267A (zh) | 一种基于语义学关联的结构化报告模板的设计方法 | |
CN111986793A (zh) | 基于人工智能的导诊处理方法、装置、计算机设备及介质 | |
EP4131279A1 (en) | Experience engine-method and apparatus of learning from similar patients | |
CN112883736A (zh) | 医疗实体关系抽取方法和装置 | |
CN110245242B (zh) | 医学知识图谱构建方法、装置以及终端 | |
Quinlan et al. | A formal deductive problem-solving system | |
CN113160914A (zh) | 在线问诊方法、装置、电子设备及存储介质 | |
EP3499386A1 (en) | Apparatus, program, and method for storing and processing graph data | |
CN113779266A (zh) | 基于知识图谱的信息处理方法及其装置 | |
CN109192306A (zh) | 一种糖尿病的判断装置、设备及计算机可读存储介质 | |
CN110473636B (zh) | 基于深度学习的智能医嘱推荐方法及系统 | |
Dondofema et al. | A methodology for case study research to analyse innovation platforms in South African healthcare sector | |
CN115719640A (zh) | 中医主次症状识别系统、装置、电子设备及其存储介质 | |
CN112541069A (zh) | 一种结合关键词的文本匹配方法、系统、终端及存储介质 | |
WO2021072776A1 (zh) | 数据合并方法、装置、电子设备及存储介质 | |
Wasielewska et al. | Multicriteria analysis of ontologically represented information | |
CN116759079B (zh) | 基于多特征融合的出血转化判定方法、装置、介质及终端 | |
CN116992861B (zh) | 基于数据处理的医疗服务智慧处理方法及系统 | |
CN113221578B (zh) | 疾病实体检索方法、装置、设备及介质 | |
CN114579762B (zh) | 知识图谱对齐方法、装置、设备、存储介质及程序产品 |
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 |