CN110245217B - 一种药品推荐方法、装置及电子设备 - Google Patents

一种药品推荐方法、装置及电子设备 Download PDF

Info

Publication number
CN110245217B
CN110245217B CN201910521202.3A CN201910521202A CN110245217B CN 110245217 B CN110245217 B CN 110245217B CN 201910521202 A CN201910521202 A CN 201910521202A CN 110245217 B CN110245217 B CN 110245217B
Authority
CN
China
Prior art keywords
information
medicine
efficacy
similarity
drug
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
Application number
CN201910521202.3A
Other languages
English (en)
Other versions
CN110245217A (zh
Inventor
代亚菲
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.)
BOE Technology Group Co Ltd
Original Assignee
BOE Technology Group Co Ltd
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 BOE Technology Group Co Ltd filed Critical BOE Technology Group Co Ltd
Priority to CN201910521202.3A priority Critical patent/CN110245217B/zh
Publication of CN110245217A publication Critical patent/CN110245217A/zh
Priority to PCT/CN2020/096583 priority patent/WO2020253725A1/zh
Priority to US17/255,002 priority patent/US20210398693A1/en
Application granted granted Critical
Publication of CN110245217B publication Critical patent/CN110245217B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert 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
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G16H20/10—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to drugs or medications, e.g. for ensuring correct administration to patients
    • 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
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • 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
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Toxicology (AREA)
  • Artificial Intelligence (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Accounting & Taxation (AREA)
  • Pathology (AREA)
  • Finance (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供了一种药品推荐方法、装置及电子设备。所述方法包括：接收用户输入的指定病症，及与所述指定病症对应的第一药品名称；在预先建立的药品数据库中，获取所述第一药品名称对应的第一药品信息，及与所述指定病症关联的多种第二药品信息；确定所述第一药品信息与各所述第二药品信息之间的文本语义相似度；基于各所述文本语义相似度，从各所述第二药品信息中确定待推荐药品信息；输出所述待推荐药品信息。本发明通过结合用户的病症及常用药，获取治疗该病症的常用药与其他药品之间的文本语义相似度，可以根据患者之前的用药状况得到推荐的最佳替换药品，让患者科学地进行选择购买，从而使患者避免盲目用药，以达到最佳的用药治疗效果。

Description

一种药品推荐方法、装置及电子设备
技术领域
本发明涉及药品推荐技术领域，特别是涉及一种药品推荐方法、装置及电子设备。
背景技术
通常情况下，用户去药店购买药品均会选择常用的几款，例如，感冒时通常会买新康泰克、感康等等，这样会出现一个问题，耐药性，抗药性的产生使正常剂量的药物不再发挥应用的杀菌效果，甚至使药物完全无效，从而给疾病的治疗造成困难，并容易使疾病蔓延，对全民健康是一个比较大的威胁。
发明内容
本发明提供一种药品推荐方法、装置及电子设备，以解决现有方案中给用户推荐经常使用药，导致正常剂量的药物不再发挥应用的杀菌效果，甚至使药物完全无效，从而给疾病的治疗造成困难，并容易使疾病蔓延的问题。
为了解决上述问题，本发明公开了一种药品推荐方法，包括：
接收用户输入的指定病症，及与所述指定病症对应的第一药品名称；
在预先建立的药品数据库中，获取所述第一药品名称对应的第一药品信息，及与所述指定病症关联的多种第二药品信息；
确定所述第一药品信息与各所述第二药品信息之间的文本语义相似度；
基于各所述文本语义相似度，从各所述第二药品信息中确定待推荐药品信息；
输出所述待推荐药品信息。
可选地，在所述接收用户输入的指定病症，及与所述指定病症对应的第一药品名称的步骤之前，还包括：
从药品信息来源端获取多种病症及与所述病症对应的药品信息；
提取所述药品信息的药品名称、功效信息和化学成分信息；
依据所述病症、所述药品名称、所述功效信息和所述化学成分信息，及互相之间的关联关系，建立所述药品数据库。
可选地，所述依据所述病症、所述药品名称、所述功效信息和所述化学成分信息，及互相之间的关联关系，建立所述药品数据库的步骤，包括：
设置与所述病症对应的病症标识，及与每种所述药品名称对应的药品标识；
建立所述病症标识与每种所述药品标识之间的关联关系；
将所述关联关系，及各所述功效信息和各所述化学成分信息以词典形式进行存储，建立所述药品数据库。
可选地，所述在预先建立的药品数据库中，获取所述第一药品名称对应的第一药品信息，及与所述指定病症关联的多种第二药品信息的步骤，包括：
在预先建立的药品数据库中，查找所述第一药品名称对应的第一药品标识，获得所述第一药品标识对应的第一功效信息和第一化学成分信息；
查找与所述指定病症对应的第一病症标识，确定与所述第一病症标识关联的多个第二药品标识，获得所述多个第二药品标识分别对应第二药品名称、第二功效信息和第二化学成分信息。
可选地，所述确定所述第一药品信息与各所述第二药品信息之间的文本语义相似度的步骤，包括：
计算所述第一功效信息和各所述第二功效信息之间的功效相似度；
计算所述第一化学成分信息和各所述第二化学成分信息之间的成分相似度；
依据各所述功效相似度和各所述成分相似度，计算得到各所述第一药品信息与各所述第二药品信息之间的文本语义相似度。
可选地，所述计算所述第一功效信息和各所述第二功效信息之间的功效相似度的步骤，包括：
对所述第一功效信息包含的文本进行分词及关键词识别处理，生成所述第一功效信息对应的第一关键词的第一词向量序列；
针对各所述第二功效信息，依次对所述第二功效信息包含的文本进行分词及关键词识别处理，生成所述第二功效信息对应的第二关键词的第二词向量序列；
将所述第一词向量序列和所述第二词向量序列输入第一神经网络模型，计算得到所述功效相似度；其中，所述功效相似度与功效信息的相似程度成正比。
可选地，所述计算所述第一化学成分信息和各所述第二化学成分信息之间的成分相似度的步骤，包括：
所述第一化学成分信息包含的文本进行分词及关键词识别处理，生成所述第一化学成分信息对应的第三关键词的第三词向量序列；
针对各所述第二化学成分信息，依次对所述第二化学成分信息包含的文本进行分词及关键词识别处理，生成所述第二化学成分信息对应的第四关键词的第四词向量序列；
将所述第三词向量序列和所述第四词向量序列输入第二神经网络模型，计算得到所述成分相似度；其中，所述成分相似度与化学成分信息的相似程度成反比。
可选地，所述依据各所述功效相似度和各所述成分相似度，计算得到各所述第一药品信息与各所述第二药品信息之间的文本语义相似度的步骤，包括：
计算每个所述第二药品信息的所述功效相似度和所述成分相似度的平均值；
将各所述第二药品信息的平均值作为各所述第二药品信息的所述文本语义相似度。
可选地，所述基于各所述文本语义相似度，从各所述第二药品信息中确定待推荐药品信息的步骤，包括：
获取各所述文本语义相似度中相似度值最高的目标文本语义相似度对应的第二目标药品信息，并将所述第二目标药品信息作为所述待推荐药品信息。
为了解决上述问题，本发明公开了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行上述任一项所述的药品推荐方法。
与现有技术相比，本发明包括以下优点：
本发明实施例提供了一种药品推荐方法及装置，通过接收用户输入的指定病症及与指定病症对应的第一药品名称，在预先建立的药品数据库中，获取第一药品名称对应的第一药品信息，及与指定病症关联的多种第二药品信息，并确定第一药品信息与各第二药品信息之间的文本语义相似度，进而，基于各文本语义相似度，从各第二药品信息中确定待推荐药品信息，并输出待推荐药品信息。本发明实施例通过结合用户的病症及常用药，获取治疗该病症的常用药与其他药品之间的文本语义相似度，可以根据患者之前的用药状况得到推荐的最佳替换药品，让患者科学地进行选择购买，从而使患者避免盲目用药，以达到最佳的用药治疗效果。
附图说明
图1示出了本发明实施例提供的一种药品推荐方法的步骤流程图；
图2示出了本发明实施例提供的一种药品推荐方法的步骤流程图；
图3示出了本发明实施例提供的一种药品推荐装置的结构示意图；
图4示出了本发明实施例提供的一种药品推荐装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
参照图1，示出了本发明实施例提供的一种药品推荐方法的步骤流程图，具体可以包括如下步骤：
步骤101：接收用户输入的指定病症，及与所述指定病症对应的第一药品名称。
本发明实施例旨在提供一种药品推荐系统，在用户需要由药品推荐系统推荐一款药品时，可以点击药品推荐系统对应的APP(Application，应用程序)，或输入药品推荐系统对应的网址，以网页形式登录药品推荐系统。
指定病症是指用户输入于药品推荐系统中，用于查询治疗指定病症的药品的病症，指定病症可以为感冒、发烧等病症。
可以理解地，指定病症可以为用户当前所得的病症，也可以为用户输入的其他用户所得的病症等，具体地，可以根据实际情况而定，本发明实施例对此不加以限制。
第一药品名称是指在用户或其他用户之前治疗指定病症时的常用药品的名称，例如，在治疗感冒时，用户之前常用药品为xx感冒胶囊、xx感康片等等，则用户可以将xx感冒胶囊、xx感康片输入药品推荐系统，以作为第一药品名称。
当然，用户输入的与指定病症对应的第一药品名称可以是一种药品的名称，也可以是两种或两种以上药品的名称，具体地，可以根据实际情况而定，本发明实施例对此也不加以限制。
在药品推荐系统的指定界面可以由用户输入指定病症和与指定病症对应的第一药品名称，进而，在后续过程中，药品推荐系统可以根据用户输入的指定病症和与指定病症对应的第一药品名称进行药品推荐，具体地，将在下述步骤中进行详细描述，本发明实施例在此不再加以赘述。
在接收到用户输入的指定病症，及与指定病症对应的第一药品名称之后，执行步骤102。
步骤102：在预先建立的药品数据库中，获取所述第一药品名称对应的第一药品信息，及与所述指定病症关联的多种第二药品信息。
第一药品信息是指第一药品名称对应的药品信息，第一药品信息可以是第一药品名称对应的功效信息、化学成分信息、保质期信息等等，具体地，可以根据业务需求而定，本发明实施例对此不加以限制。
第二药品信息是指可以治疗指定病症的除第一药品信息之外的其它药品信息，例如，化学成分信息包括a和b，均可以治疗指定病症A，而在第一药品信息中包含a时，可以将b作为第二药品信息。
药品数据库是指预先建立的与药品推荐系统关联的药品数据库，药品数据库的建立过程可以为从指定药品网站或药品介绍网页中爬去的药品及药品信息数据，进而，构建得到药品数据库。
对于建立药品数据库的详细过程，将在下述实施例二中进行详细描述，本发明实施例在此不再加以详细描述。
在药品推荐系统接收到用户输入的指定病症，及与指定病症对应的第一药品名称之后，可以在预先建立的药品数据库中，获取第一药品名称对应的第一药品信息，及与指定病症关联的多种第二药品信息。
对于第一药品信息和第二药品信息的详细获取方案，也将在下述实施例二中进行详细描述，本发明实施例对此不加以限制。
在预先建立的药品数据库中，获取第一药品名称对应的第一药品信息，及与指定病症关联的多种第二药品信息之后，执行步骤103。
步骤103：确定所述第一药品信息与各所述第二药品信息之间的文本语义相似度。
文本语义相似度是指第一药品信息与各第二药品信息之间的文本语义相似程度，文本语义相似度重点包括功效相似度和成分相似度，功效相似度是指第一药品信息中包含的功效信息与第二药品信息中包含的功效信息的相似度，成分相似度是指第一药品信息中包含的化学成分信息与第二药品信息中包含的化学成分信息的相似度。
而对于文本语义相似度的获取过程可以是：根据功效信息的文本分词及关键词识别处理，进而根据识别得到的关键词得到功效信息词向量，结合第一药品信息中的功效信息对应的词向量和第二药品信息中的功效信息对应的词向量，可以计算得到功效相似度；而对于成分相似度的计算过程与上述计算功效相似度的过程相似。
在得到功效相似度和成分相似度之后，可以结合功效相似度和成分相似度计算得到文本语义相似度。
而对于功效相似度、成分相似度和文本语义相似度的计算方式，将在下述实施例二中进行详细描述，本发明实施例在此不再加以赘述。
在确定第一药品信息与各第二药品信息之间的文本语义相似度之后，执行步骤104。
步骤104：基于各所述文本语义相似度，从各所述第二药品信息中确定待推荐药品信息。
待推荐药品信息是指用于向用户推荐的药品信息，待推荐药品信息可以包括待推荐药品名称、待推荐药品功效信息和待推荐药品化学成分信息等，具体地，可以根据业务需求而定，本发明实施例对于待推荐药品信息的具体信息内容不加以限制。
在确定第一药品信息和各第二药品信息的文本语义相似度之后，可以从各第二药品信息中获取待推荐药品信息，而对于如何从各第二药品信息中获取待推荐药品信息的详细过程，将在下述实施例二中进行详细描述，本发明实施例对此不加以限制。
在基于各文本语义相似度，从各第二药品信息中确定待推荐药品信息之后，执行步骤105。
步骤105：输出所述待推荐药品信息。
在药品推荐系统确定待推荐药品信息之后，可以输出待推荐药品信息，具体地，可以在药品推荐系统对应的APP的指定界面以弹窗形式输出待推荐药品信息，例如，弹出一个窗口，在窗口中显示推荐药品的名称、推荐药品的功效信息、推荐药品的化学成分信息等等。
输出待推荐药品信息的方式也可以是按照语音播报的形式输出待推荐药品信息，即通过语音播报推荐药品的名称、推荐药品的功效信息、推荐药品的化学成分信息等等。
当然，在具体实现中，还可以参照其它方式输出待推荐药品信息，例如，上述两种输出方式结合的形式输出待推荐药品信息等，具体地，可以根据业务需求而定，本发明实施例对此不加以限制。
本发明实施例过结合用户的病症及常用药，获取治疗该病症的常用药与其他药品之间的文本语义相似度，可以根据患者之前的用药状况得到推荐的最佳替换药品。
本发明实施例提供的药品推荐方法，通过接收用户输入的指定病症及与指定病症对应的第一药品名称，在预先建立的药品数据库中，获取第一药品名称对应的第一药品信息，及与指定病症关联的多种第二药品信息，并确定第一药品信息与各第二药品信息之间的文本语义相似度，进而，基于各文本语义相似度，从各第二药品信息中确定待推荐药品信息，并输出待推荐药品信息。本发明实施例通过结合用户的病症及常用药，获取治疗该病症的常用药与其他药品之间的文本语义相似度，可以根据患者之前的用药状况得到推荐的最佳替换药品，让患者科学地进行选择购买，从而使患者避免盲目用药，以达到最佳的用药治疗效果。
实施例二
参照图2，示出了本发明实施例提供的一种药品推荐方法的步骤流程图，具体可以包括如下步骤：
步骤201：从药品信息来源端获取多种病症及与所述病症对应的药品信息。
药品信息来源端是指可以获取各病症及治疗各病症的药品信息的来源端，药品信息来源端可以是各大药品网站等等。
在药品信息来源端记载着多种病症，如感冒、发烧、痢疾等病症。与病症对应的药品信息是指治疗病症的药品信息，如感冒对应的药品信息包括xx感冒胶囊、xx感冒颗粒等名称信息。
在本发明中，可以通过网络爬虫的方式从药品信息来源端获取多种病症及与各病症对应的药品信息，如从各大药品网站进行药品相关数据的爬取，该步骤尽量使知识库覆盖全面，因此药品数据来源尽可能的多。
在药品信息来源端获取多种病症及与病症对应的药品信息之后，执行步骤202。
步骤202：提取所述药品信息的药品名称、功效信息和化学成分信息。
在从药品信息来源端获取多种病症及与多种病症分别对应的药品信息之后，可以从各病症对应的药品信息中提取药品名称、功效信息和化学成分信息，例如，药品名称：xxx感冒颗粒，功效信息：清热解毒、风热感冒、发热、咽痛、口干，化学成分信息：乙酰氨基酚、盐酸伪麻黄碱等。
而对于提取过程可以是利用Python中的requests框架得到每个药品网页的全部数据信息，再利用lxml模块解析网页，针对性的提取有用的信息，即每个药品功效主治与化学成分，存储为疾病文件夹下以药品名为txt名称的相应药品信息。
当然，在具体实现中，还可以按照其它方式提取药品信息中的药品名称、功效信息和化学成分信息等等，具体地，可以根据业务需求而定，本发明实施例对此不加以限制。
在提取药品信息的药品名称、功效信息和化学成分信息之后，执行步骤203。
步骤203：依据所述病症、所述药品名称、所述功效信息和所述化学成分信息，及互相之间的关联关系，建立所述药品数据库。
在提取药品信息的药品名称、功效信息和化学成分信息之后，可以依据病症、药品名称、功效信息和化学成分，以及相互之间的关联关系，建立药品数据库，例如，如下述表1所示：
病症 药品名称 功效信息 化学成分信息
M A a、b、c 1、2、3
N B b、d 2、4
如上述表1所示，治疗病症M的药品名称为A，药品A的功效信息为a、b和c，药品A的化学成分信息为1、2、3；治疗病症B的药品名称为B，药品B的功效信息为b、d，药品b的化学成分信息为2和4。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
在依据病症、药品名称、功效信息和化学成分信息，及互相之间的关联关系，建立药品数据库之后，执行步骤204。
步骤204：接收用户输入的指定病症，及与所述指定病症对应的第一药品名称。
本发明实施例旨在提供一种药品推荐系统，在用户需要由药品推荐系统推荐一款药品时，可以点击药品推荐系统对应的APP(Application，应用程序)，或输入药品推荐系统对应的网址，以网页形式登录药品推荐系统。
指定病症是指用户输入于药品推荐系统中，用于查询治疗指定病症的药品的病症，指定病症可以为感冒、发烧等病症。
可以理解地，指定病症可以为用户当前所得的病症，也可以为用户输入的其他用户所得的病症等，具体地，可以根据实际情况而定，本发明实施例对此不加以限制。
第一药品名称是指在用户或其他用户之前治疗指定病症时的常用药品的名称，例如，在治疗感冒时，用户之前常用药品为xx感冒胶囊、xx感康片等等，则用户可以将xx感冒胶囊、xx感康片输入药品推荐系统，以作为第一药品名称。
当然，用户输入的与指定病症对应的第一药品名称可以是一种药品的名称，也可以是两种或两种以上药品的名称，具体地，可以根据实际情况而定，本发明实施例对此也不加以限制。
在药品推荐系统的指定界面可以由用户输入指定病症和与指定病症对应的第一药品名称，进而，在后续过程中，药品推荐系统可以根据用户输入的指定病症和与指定病症对应的第一药品名称进行药品推荐，具体地，将在下述步骤中进行详细描述，本发明实施例在此不再加以赘述。
当然，对于上述药品数据库的建立过程，还可以结合每种病症对应的病症标识，及每种药品名称对应的药品标识建立药品数据库，具体地，以下述具体实现方式进行详细描述。
在本发明实施例的一种具体实现中，上述步骤204可以包括：
子步骤A1：设置与所述病症对应的病症标识，及与每种所述药品名称对应的药品标识。
本发明实施例中，可以预先设置不同病症对应于不同的病症标识，例如，病症A对应的病症标识为a，病症B对应的病症标识为b等。
还可以预先设置每种药品名称对应于不同的药品标识，例如，药品A对应的药品标识为1，药品B对应的药品标识为2等。
可以理解地，病症标识和药品标识可以为数字标识，也可以为英文字符标识，还可以为其它形式的标识等，具体地，可以根据业务需求而定。
当然，在本发明中，为了加以区分药品和病症，在设置过程中，可以病症标识和药品标识为不同的表现形式，例如，病症标识可以为数字标识的表现形式时，药品标识可以为英文字符标识的表现形式；而在病症标识为英文字符标识的表现形式时，药品标识可以为数字标识的表现形式。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
在设置与病症对应的病症标识，及与每种药品名称对应的药品标识之后，执行子步骤A2。
子步骤A2：建立所述病症标识与每种所述药品标识之间的关联关系。
在设置与病症对应的病症标识，及与每种药品名称对应的药品名称标识之后，可以建立病症标识与每种药品标识之间的关联关系，例如，病症A对应的病症标识为1，治疗病症A的药品的药品名称为a、b和c，药品a的药品标识为I，药品b的药品标识为II，药品c的药品标识为III，则可以建立病症标识1与药品标识I、II和III之间的关联关系。
在建立病症标识与每种药品标识之间的关联关系之后，执行子步骤A3。
子步骤A3：将所述关联关系，及各所述功效信息和各所述化学成分信息以词典形式进行存储，建立所述药品数据库。
在建立病症标识与每种药品标识之间的关联关系之后，可以将关联关系，及各药品信息中包含的功效信息和各化学成分信息以词典形式(如CSV文件等形式，CSV(Comma-Separated Values，逗号分隔值)文件是指以纯文本的形式存储数据)进行存储，从而建立药品数据库。
本发明实施例提供的上述保存方式，可以进行数据清洗，避免冗余，对于药品数据库中未包含的数据进行添加，而同一药品重复部分选择说明更详细的说明书进行存储。最后整理为词典形式的CSV文件，即每种疾病对应一种ID编号，药品也是如此，一是避免冗余，二是提高查询效率。编号的查询要比文字效率高很多，最终再映射到文字进行输出即可。
在接收到用户输入的指定病症，及与指定病症对应的第一药品名称之后，执行步骤205。
步骤205：在预先建立的药品数据库中，查找所述第一药品名称对应的第一药品标识，获得所述第一药品标识对应的第一功效信息和第一化学成分信息。
在药品数据库中，各药品具有相应的药品标识，每种药品的药品标识均是唯一的，药品标识可以是数字标识，如药品A的药品标识为1，药品B的药品标识为2等，也可以是英文字母标识，如药品C的药品标识为a，药品D的药品标识为b，具体地，可以根据实际情况而定，本发明实施例对此不加以限制。
当然，可以理解地，所有药品的药品标识的表现形式是一致的，例如，所有药品的药品标识均为数字标识，或所有药品的药品标识均为英文字母标识等等。
第一药品标识是指第一药品名称对应的药品标识。
第一功效信息是指第一药品名称对应的功效信息。
第一化学成分信息是指第一药品名称对应的化学成分信息。
由于药品数据库中预先保存有第一药品名称对应的第一药品标识，进而可以在预先建立的药品数据库中，查找第一药品名称对应的第一药品标识，并根据第一药品标识与第一药品名称对应的功效信息和化学成分信息的关联关系，从药品数据库中获取第一药品标识对应的第一功效信息和第一化学成分信息。
在预先建立的药品数据库中，查找第一药品名称对应的第一药品标识，并获得第一药品标识对应的第一功效信息和第一化学成分信息之后，执行步骤206。
步骤206：查找与所述指定病症对应的第一病症标识，确定与所述第一病症标识关联的多个第二药品标识，获得所述多个第二药品标识分别对应第二药品名称、第二功效信息和第二化学成分信息。
第一病症标识是指指定病症所对应的病症标识。
第二药品标识是指处第一药品标识对应的药品外，可以治疗指定病症的药品所对应的药品标识。
在确定第一病症标识之后，可以根据药品数据库中病症标识与药品标识之间的关联关系，确定出除第一药品标识之外的第二药品标识。
第二药品名称是指第二药品标识对应的药品的名称。
第二功效信息是指第二药品标识对应的药品的功效信息。
第二化学成分能信息是指第二药品标识对应的药品的化学成分信息。
进而，根据第二药品标识与第二药品名称对应的功效信息和化学成分信息的关联关系，从药品数据库中获取第二药品标识对应的第二功效信息和第二化学成分信息。
在查找与指定病症对应的第一病症标识，确定与第一病症标识关联的多个第二药品标识，获得多个第二药品标识分别对应第二药品名称、第二功效信息和第二化学成分信息之后，执行步骤207。
步骤207：计算所述第一功效信息和各所述第二功效信息之间的功效相似度。
功效相似度是指第一药品标识对应的第一功效信息与第二药品标识对应的第二功效信息之间的相似度。
在获取第一功效信息和各第二功效信息之后，可以计算第一功效信息和各第二功效信息之间的功效相似度，具体地，以下述具体实现方式进行详细描述。
在本发明实施例的一种具体实现中，上述步骤207：
子步骤B1：对所述第一功效信息包含的文本进行分词及关键词识别处理，生成所述第一功效信息对应的第一关键词的第一词向量序列。
在本发明实施例中，在获取第一功效信息之后，可以对第一功效信息包含的文本进行分词处理，例如，发烧用药xx感冒片的功效主治进行分词处理后，可以得到各分词：清热解毒、风热感冒、发热、咽痛、口干。
在本发明中，分词处理方式可以为jieba分词分词方式，当然，在具体实现中，还可以采用其它分词方式，具体地，可以根据业务需求而定，本发明实施例对此不加以限制。
第一关键词是指对第一功效信息包含的文本进行分词及关键词识别处理后，从中提取出的关键词。
在对第一功效信息包含的文本进行分词之后，可以对各分词进行关键词识别处理，如采用CRF(Conditional Random Field Algorithm，条件随机场算法)算法进行关键词识别，如对于发烧用药xx感冒片的功效信息包含的文本进行关键词提取后，提取的关键词为清热解毒、用于风热感冒、发热、咽痛、口干。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
在对第一功效信息包含的文本进行分词及关键词识别处理，提取出一个或多个第一关键词，可以根据一个或多个第一关键词生成相应的第一词向量序列，具体地，对于根据关键词生成词向量序列的方案为本领域一种较为成熟的技术，本发明实施例在此不再加以详细描述。
子步骤B2：针对各所述第二功效信息，依次对所述第二功效信息包含的文本进行分词及关键词识别处理，生成所述第二功效信息对应的第二关键词的第二词向量序列。
在获取第二功效信息之后，可以对第二功效信息包含的文本进行分词处理，例如，发烧用药xx感冒片的功效主治进行分词处理后，可以得到各分词：清热解毒、风热感冒、发热、咽痛、口干。
在本发明中，分词处理方式可以为jieba分词分词方式，当然，在具体实现中，还可以采用其它分词方式，具体地，可以根据业务需求而定，本发明实施例对此不加以限制。
第二关键词是指对第二功效信息包含的文本进行分词及关键词识别处理后，从中提取出的关键词。
在对第二功效信息包含的文本进行分词之后，可以对各分词进行关键词识别处理，如采用CRF(Conditional Random Field Algorithm，条件随机场算法)算法进行关键词识别，如对于发烧用药xx感冒片的功效信息包含的文本进行关键词提取后，提取的关键词为清热解毒、用于风热感冒、发热、咽痛、口干。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
在对第二功效信息包含的文本进行分词及关键词识别处理，提取出一个或多个第二关键词，可以根据一个或多个第二关键词生成相应的二词向量序列，具体地，对于根据关键词生成词向量序列的方案为本领域一种较为成熟的技术，本发明实施例在此不再加以详细描述。
子步骤B3：将所述第一词向量序列和所述第二词向量序列输入第一神经网络模型，计算得到所述功效相似度；其中，所述功效相似度与功效信息的相似程度成正比。
第一神经网络模型是指用于根据功效信息对应的词向量序列，计算得到功效相似度的神经网络模型。
第一神经网络模型是根据功效信息对应的词向量序列样本训练得到的，而对于第一神经网络模型的训练过程，可以参照现有技术中大部分神经网络模型的训练过程，本发明实施例在此不再加以详细描述。
在获得第一功效信息对应的第一词向量序列，及各第二功效信息对应的第二词向量序列之后，可以将第一词向量序列和各第二词向量序列输入第一神经网络模型。
进而，可以由第一神经网络模型输出第一功效信息与各第二功效信息之间的功效相似度。
当然，由第一神经网络模型输出的功效相似度是与功效信息的相似程度成正比的，即第一功效信息与第二功效信息的相似程度越高，则第一神经网络模型输出的功效相似度的值越高；反之，第一功效信息与第二功效信息的相似程度越低，则第一神经网络模型输出的功效相似度的值越低。可以理解地，上述具体实现方式仅是为了更好地理解本发明实施例的技术方案而列举的一种计算功效相似度的方案，在实际应用中，本领域技术人员还可以采用其它方式计算得到第一功效信息与各第二功效信息之间的功效相似度。
步骤208：计算所述第一化学成分信息和各所述第二化学成分信息之间的成分相似度。
成分相似度是指第一药品标识对应的第一化学成分信息与第二药品标识对应的第二化学成分信息之间的相似度。
在获取第一化学成分信息和各第二化学成分信息之后，可以计算第一化学成分信息和各第二化学成分信息之间的功效相似度，具体地，以下述具体实现方式进行详细描述。
在本发明实施例的一种具体实现方式中，上述步骤208可以包括：
子步骤C1：所述第一化学成分信息包含的文本进行分词及关键词识别处理，生成所述第一化学成分信息对应的第三关键词的第三词向量序列。
在本发明实施例中，在获取第一化学成分信息之后，可以对第一化学成分信息包含的文本进行分词处理，例如，发烧用药xx感冒片的化学成分信息进行分词处理后，可以得到各分词：乙酰氨基酚、盐酸伪麻黄碱。
在本发明中，分词处理方式可以为Python中的split切词，即直接按照化学成分的标点符号进行切词，当然，在具体实现中，还可以采用其它分词方式，具体地，可以根据业务需求而定，本发明实施例对此不加以限制。
第三关键词是指对第一化学成分信息包含的文本进行分词及关键词识别处理后，从中提取出的关键词。
在对第一化学成分信息包含的文本进行分词之后，可以对各分词进行关键词识别处理，如采用CRF(Conditional Random Field Algorithm，条件随机场算法)算法进行关键词识别。
在对第一化学成分信息包含的文本进行分词及关键词识别处理，提取出一个或多个第三关键词，可以根据一个或多个第三关键词生成相应的第三词向量序列，如利用word2vec将这些第三关键词的词元素转换为词向量的格式，具体地，对于根据关键词生成词向量序列的方案为本领域一种较为成熟的技术，本发明实施例在此不再加以详细描述。
子步骤C2：针对各所述第二化学成分信息，依次对所述第二化学成分信息包含的文本进行分词及关键词识别处理，生成所述第二化学成分信息对应的第四关键词的第四词向量序列。
在获取第一化学成分信息之后，可以对第二化学成分信息包含的文本进行分词处理，例如，发烧用药xx感冒片的化学成分信息进行分词处理后，可以得到各分词：乙酰氨基酚、盐酸伪麻黄碱。
在本发明中，分词处理方式可以为Python中的split切词，即直接按照化学成分的标点符号进行切词，当然，在具体实现中，还可以采用其它分词方式，具体地，可以根据业务需求而定，本发明实施例对此不加以限制。
第四关键词是指对第二化学成分信息包含的文本进行分词及关键词识别处理后，从中提取出的关键词。
在对第二化学成分信息包含的文本进行分词之后，可以对各分词进行关键词识别处理，如采用CRF(Conditional Random Field Algorithm，条件随机场算法)算法进行关键词识别。
在对第二化学成分信息包含的文本进行分词及关键词识别处理，提取出一个或多个第四关键词，可以根据一个或多个第四关键词生成相应的第四词向量序列，如利用word2vec将这些第四关键词的词元素转换为词向量的格式，具体地，对于根据关键词生成词向量序列的方案为本领域一种较为成熟的技术，本发明实施例在此不再加以详细描述。
子步骤C3：将所述第三词向量序列和所述第四词向量序列输入第二神经网络模型，计算得到所述成分相似度；其中，所述成分相似度与化学成分信息的相似程度成反比。
第二神经网络模型是指用于根据化学成分信息对应的词向量序列，计算得到成分相似度的神经网络模型。
第二神经网络模型是根据化学成分信息对应的词向量序列样本训练得到的，而对于第二神经网络模型的训练过程，可以参照现有技术中大部分神经网络模型的训练过程，本发明实施例在此不再加以详细描述。
在获得第一化学成分信息对应的第三词向量序列，及各第二化学成分信息对应的第四词向量序列之后，可以将第三词向量序列和各第四词向量序列输入第二神经网络模型。
进而，可以由第二神经网络模型输出第一化学成分信息与各第二化学成分信息之间的成分相似度。
当然，由第二神经网络模型输出的成分相似度是与化学成分信息的相似程度成反比的，即第一化学成分信息与第二化学成分信息的相似程度越高，则第二神经网络模型输出的成分相似度的值越低；反之，第一化学成分信息与第二化学成分信息的相似程度越低，则第二神经网络模型输出的成分相似度的值越高。
可以理解地，上述具体实现方式仅是为了更好地理解本发明实施例的技术方案而列举的一种计算成分相似度的方案，在实际应用中，本领域技术人员还可以采用其它方式计算得到第一化学成分信息与各第二化学成分信息之间的成分相似度。
在计算得到功效相似度和成分相似度之后，执行步骤209。
步骤209：依据各所述功效相似度和各所述成分相似度，计算得到各所述第一药品信息与各所述第二药品信息之间的文本语义相似度。
在计算得到第一功效信息和各第二功效信息之间的功效相似度，及第一化学成分信息和各第二化学成分信息之间的成分相似度，可以依据各功效相似度和各成分相似度，计算得到各第一药品信息与各第二药品信息之间的文本语义相似度。
对于文本语义相似度的具体计算过程，可以参照下述具体实现方式进行详细描述。
在本发明实施例的一种具体实现中，上述步骤209可以包括：
子步骤D1：计算每个所述第二药品信息的所述功效相似度和所述成分相似度的平均值。
在本发明实施例中，平均值是指每个第二药品信息的功效相似度和成分相似度的平均值，例如，第二药品信息包括A和B，A的功效相似度为0.8，成分相似度为0.6，则A的相似度的平均值即为(0.8+0.6)/2＝0.7；B的功效相似度为0.7，成分相似度为0.5，则B的相似度的平均值为(0.7+0.5)/2＝0.6。
可以理解地，上述示例仅是为了更好地理解本发明实施例的技术方案而列举的示例，不作为对本发明实施例的唯一限制。
在计算得到每个第二药品信息的功效相似度和成分相似度的平均值之后，执行子步骤D2。
子步骤D2：将各所述第二药品信息的平均值作为各所述第二药品信息的所述文本语义相似度。
在计算得到每个第二药品信息的功效相似度和成分相似度的平均值之后，可以将该平均值作为每个第二药品信息对应的文本语义相似度。
在上述过程中，由于功效相似度与功效信息的相似程度成正比，而成分相似度与化学成分信息成反比，那么二者得到的平均值越高，则表示与指定病症的功效主治相似程度越高，而化学成分相似程度越低。
本发明实施例通过计算每个第二药品信息的功效相似度和成分相似度的平均值的方式，可以将平均值由大到小的顺序进行排序，排序越靠前的平均值对应的第二药品信息与指定病症的功效主治相似程度越高，而化学成分相似程度越低。
功效主治相似程度越高表示治疗指定病症的药品的效果越好，而化学成分相似程度越低表示患有指定病症的用户对药品的抗药性越低，即本发明实施例旨在挑选出对用户来说，抗药性较低，且治疗效果较好的药品作为待推荐药品，能够避免向用户推荐药品的抗药性较高导致效果差的问题，并且，能够为用户提供疗效较好的推荐药，提高治疗效果。
步骤210：获取各所述文本语义相似度中相似度值最高的目标文本语义相似度。
目标文本语义相似度是指各第二药品信息对应的文本语义相似度中相似度值最高的文本语义相似度，而相似度值最高的目标文本语义相似度对应的第二药品信息即为第二药品信息中，与指定病症对应的第一药品信息功效主治相似程度最高，而化学成分相似程度最低的药品信息。
在获取各文本语义相似度中相似度值最高的目标文本语义相似度之后，执行步骤211。
步骤211：获取与所述目标文本语义相似度对应的第二目标药品信息，并将所述第二目标药品信息作为所述待推荐药品信息。
第二目标药品信息是指各第二药品信息中与目标文本语义相似度对应的第二药品信息。
在获取各文本语义相似度中相似度值最高的目标文本语义相似度之后，可以根据各第二药品信息对应的文本语义相似度，从各第二药品信息中获取与目标文本语义相似度对应的第二目标药品信息，并将第二目标药品信息作为待推荐药品信息。
在获取与目标文本语义相似度对应的第二目标药品信息，并将第二目标药品信息作为待推荐药品信息之后，执行步骤212。
步骤212：输出所述待推荐药品信息。
在药品推荐系统确定待推荐药品信息之后，可以输出待推荐药品信息，具体地，可以在药品推荐系统对应的APP的指定界面以弹窗形式输出待推荐药品信息，例如，弹出一个窗口，在窗口中显示推荐药品的名称、推荐药品的功效信息、推荐药品的化学成分信息等等。
输出待推荐药品信息的方式也可以是按照语音播报的形式输出待推荐药品信息，即通过语音播报推荐药品的名称、推荐药品的功效信息、推荐药品的化学成分信息等等。
当然，在具体实现中，还可以参照其它方式输出待推荐药品信息，例如，上述两种输出方式结合的形式输出待推荐药品信息等，具体地，可以根据业务需求而定，本发明实施例对此不加以限制。
本发明实施例过结合用户的病症及常用药，获取治疗该病症的常用药与其他药品之间的文本语义相似度，可以根据患者之前的用药状况得到推荐的最佳替换药品。
本发明实施例提供的药品推荐方法，通过接收用户输入的指定病症及与指定病症对应的第一药品名称，在预先建立的药品数据库中，获取第一药品名称对应的第一药品信息，及与指定病症关联的多种第二药品信息，并确定第一药品信息与各第二药品信息之间的文本语义相似度，进而，基于各文本语义相似度，从各第二药品信息中确定待推荐药品信息，并输出待推荐药品信息。本发明实施例通过结合用户的病症及常用药，获取治疗该病症的常用药与其他药品之间的文本语义相似度，可以根据患者之前的用药状况得到推荐的最佳替换药品，让患者科学地进行选择购买，从而使患者避免盲目用药，以达到最佳的用药治疗效果。
实施例三
参照图3，示出了本发明实施例提供的一种药品推荐装置的结构示意图，该药品推荐装置具体可以包括如下模块：
病症药品接收模块310，用于接收用户输入的指定病症，及与所述指定病症对应的第一药品名称；
第一二药品获取模块320，用于在预先建立的药品数据库中，获取所述第一药品名称对应的第一药品信息，及与所述指定病症关联的多种第二药品信息；
相似度确定模块330，用于确定所述第一药品信息与各所述第二药品信息之间的文本语义相似度；
待推荐药品确定模块340，用于基于各所述文本语义相似度，从各所述第二药品信息中确定待推荐药品信息；
待推荐药品输出模块350，用于输出所述待推荐药品信息。
本发明实施例提供的药品推荐装置，通过接收用户输入的指定病症及与指定病症对应的第一药品名称，在预先建立的药品数据库中，获取第一药品名称对应的第一药品信息，及与指定病症关联的多种第二药品信息，并确定第一药品信息与各第二药品信息之间的文本语义相似度，进而，基于各文本语义相似度，从各第二药品信息中确定待推荐药品信息，并输出待推荐药品信息。本发明实施例通过结合用户的病症及常用药，获取治疗该病症的常用药与其他药品之间的文本语义相似度，可以根据患者之前的用药状况得到推荐的最佳替换药品，让患者科学地进行选择购买，从而使患者避免盲目用药，以达到最佳的用药治疗效果。
实施例四
参照图4，示出了本发明实施例提供的一种药品推荐装置的结构示意图，该药品推荐装置具体可以包括如下模块：
药品信息获取模块410，用于从药品信息来源端获取多种病症及与所述病症对应的药品信息；
药品信息提取模块420，用于提取所述药品信息的药品名称、功效信息和化学成分信息；
药品数据库建立模块430，用于依据所述病症、所述药品名称、所述功效信息和所述化学成分信息，及互相之间的关联关系，建立所述药品数据库；
病症药品接收模块440，用于接收用户输入的指定病症，及与所述指定病症对应的第一药品名称；
第一二药品获取模块450，用于在预先建立的药品数据库中，获取所述第一药品名称对应的第一药品信息，及与所述指定病症关联的多种第二药品信息；
相似度确定模块460，用于确定所述第一药品信息与各所述第二药品信息之间的文本语义相似度；
待推荐药品确定模块470，用于基于各所述文本语义相似度，从各所述第二药品信息中确定待推荐药品信息；
待推荐药品输出模块480，用于输出所述待推荐药品信息。
可选地，所述药品数据库建立模块430包括：
标识设置子模块，用于设置与所述病症对应的病症标识，及与每种所述药品名称对应的药品标识；
关联关系建立子模块，用于建立所述病症标识与每种所述药品标识之间的关联关系；
药品数据库建立子模块，用于将所述关联关系，及各所述功效信息和各所述化学成分信息以词典形式进行存储，建立所述药品数据库。
可选地，所述第一二药品获取模块450包括：
第一信息查找子模块4501，用于在预先建立的药品数据库中，查找所述第一药品名称对应的第一药品标识，获得所述第一药品标识对应的第一功效信息和第一化学成分信息；
第二信息查找子模块4502，用于查找与所述指定病症对应的第一病症标识，确定与所述第一病症标识关联的多个第二药品标识，获得所述多个第二药品标识分别对应第二药品名称、第二功效信息和第二化学成分信息。
可选地，所述相似度确定模块460包括：
功效相似度计算子模块4601，用于计算所述第一功效信息和各所述第二功效信息之间的功效相似度；
成分相似度计算子模块4602，用于计算所述第一化学成分信息和各所述第二化学成分信息之间的成分相似度；
相似度计算子模块4603，用于依据各所述功效相似度和各所述成分相似度，计算得到各所述第一药品信息与各所述第二药品信息之间的文本语义相似度。
可选地，所述功效相似度计算子模块4601包括：
第一词向量序列生成子模块，用于对所述第一功效信息包含的文本进行分词及关键词识别处理，生成所述第一功效信息对应的第一关键词的第一词向量序列；
第二词向量序列生成子模块，用于针对各所述第二功效信息，依次对所述第二功效信息包含的文本进行分词及关键词识别处理，生成所述第二功效信息对应的第二关键词的第二词向量序列；
功效相似度获取子模块，用于将所述第一词向量序列和所述第二词向量序列输入第一神经网络模型，计算得到所述功效相似度；其中，所述功效相似度与功效信息的相似程度成正比。
可选地，所述成分相似度计算子模块4602包括：
第三词向量序列生成子模块，用于所述第一化学成分信息包含的文本进行分词及关键词识别处理，生成所述第一化学成分信息对应的第三关键词的第三词向量序列；
第四词向量序列生成子模块，用于针对各所述第二化学成分信息，依次对所述第二化学成分信息包含的文本进行分词及关键词识别处理，生成所述第二化学成分信息对应的第四关键词的第四词向量序列；
成分相似度获取子模块，用于将所述第三词向量序列和所述第四词向量序列输入第二神经网络模型，计算得到所述成分相似度；其中，所述成分相似度与化学成分信息的相似程度成反比。
可选地，所述相似度计算子模块4603包括：
平均值计算子模块，用于计算每个所述第二药品信息的所述功效相似度和所述成分相似度的平均值；
语义相似度获取子模块，用于将各所述第二药品信息的平均值作为各所述第二药品信息的所述文本语义相似度。
可选地，所述待推荐药品确定模块470包括：
目标相似度获取子模块4701，用于获取各所述文本语义相似度中相似度值最高的目标文本语义相似度；
待推荐药品获取子模块4702，用于获取与所述目标文本语义相似度对应的第二目标药品信息，并将所述第二目标药品信息作为所述待推荐药品信息。
本发明实施例提供的药品推荐装置，通过接收用户输入的指定病症及与指定病症对应的第一药品名称，在预先建立的药品数据库中，获取第一药品名称对应的第一药品信息，及与指定病症关联的多种第二药品信息，并确定第一药品信息与各第二药品信息之间的文本语义相似度，进而，基于各文本语义相似度，从各第二药品信息中确定待推荐药品信息，并输出待推荐药品信息。本发明实施例通过结合用户的病症及常用药，获取治疗该病症的常用药与其他药品之间的文本语义相似度，可以根据患者之前的用药状况得到推荐的最佳替换药品，让患者科学地进行选择购买，从而使患者避免盲目用药，以达到最佳的用药治疗效果。
另外地，本发明实施例还提供了一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行上述实施例中任一项的药品推荐方法。
对于前述的各装置实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。各个实施例之间可以进行组合。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种药品推荐方法、一种药品推荐装置和一种电子设备，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种药品推荐方法，其特征在于，包括：
接收用户输入的指定病症，及与所述指定病症对应的第一药品名称；
在预先建立的药品数据库中，获取所述第一药品名称对应的第一药品信息，及与所述指定病症关联的多种第二药品信息；
确定所述第一药品信息与各所述第二药品信息之间的文本语义相似度；
基于各所述文本语义相似度，从各所述第二药品信息中确定待推荐药品信息；
输出所述待推荐药品信息；
所述第一药品名称是所述用户治疗所述指定病症所用过的药品的名称；
所述第二药品信息是除所述第一药品信息之外治疗所述指定病症的药品信息；
所述在预先建立的药品数据库中，获取所述第一药品名称对应的第一药品信息，及与所述指定病症关联的多种第二药品信息的步骤，包括：
在预先建立的药品数据库中，查找所述第一药品名称对应的第一药品标识，获得所述第一药品标识对应的第一功效信息和第一化学成分信息；
查找与所述指定病症对应的第一病症标识，确定与所述第一病症标识关联的多个第二药品标识，获得所述多个第二药品标识分别对应第二药品名称、第二功效信息和第二化学成分信息；
所述确定所述第一药品信息与各所述第二药品信息之间的文本语义相似度的步骤，包括：
计算所述第一功效信息和各所述第二功效信息之间的功效相似度；
计算所述第一化学成分信息和各所述第二化学成分信息之间的成分相似度；
依据各所述功效相似度和各所述成分相似度，计算得到各所述第一药品信息与各所述第二药品信息之间的文本语义相似度；其中，所述成分相似度与化学成分信息的相似程度成反比。
2.根据权利要求1所述的方法，其特征在于，在所述接收用户输入的指定病症，及与所述指定病症对应的第一药品名称的步骤之前，还包括：
从药品信息来源端获取多种病症及与所述病症对应的药品信息；
提取所述药品信息的药品名称、功效信息和化学成分信息；
依据所述病症、所述药品名称、所述功效信息和所述化学成分信息，及互相之间的关联关系，建立所述药品数据库。
3.根据权利要求2所述的方法，其特征在于，所述依据所述病症、所述药品名称、所述功效信息和所述化学成分信息，及互相之间的关联关系，建立所述药品数据库的步骤，包括：
设置与所述病症对应的病症标识，及与每种所述药品名称对应的药品标识；
建立所述病症标识与每种所述药品标识之间的关联关系；
将所述关联关系，及各所述功效信息和各所述化学成分信息以词典形式进行存储，建立所述药品数据库。
4.根据权利要求1所述的方法，其特征在于，所述计算所述第一功效信息和各所述第二功效信息之间的功效相似度的步骤，包括：
对所述第一功效信息包含的文本进行分词及关键词识别处理，生成所述第一功效信息对应的第一关键词的第一词向量序列；
针对各所述第二功效信息，依次对所述第二功效信息包含的文本进行分词及关键词识别处理，生成所述第二功效信息对应的第二关键词的第二词向量序列；
将所述第一词向量序列和所述第二词向量序列输入第一神经网络模型，计算得到所述功效相似度；其中，所述功效相似度与功效信息的相似程度成正比。
5.根据权利要求1所述的方法，其特征在于，所述计算所述第一化学成分信息和各所述第二化学成分信息之间的成分相似度的步骤，包括：
所述第一化学成分信息包含的文本进行分词及关键词识别处理，生成所述第一化学成分信息对应的第三关键词的第三词向量序列；
针对各所述第二化学成分信息，依次对所述第二化学成分信息包含的文本进行分词及关键词识别处理，生成所述第二化学成分信息对应的第四关键词的第四词向量序列；
将所述第三词向量序列和所述第四词向量序列输入第二神经网络模型，计算得到所述成分相似度。
6.根据权利要求1所述的方法，其特征在于，所述依据各所述功效相似度和各所述成分相似度，计算得到各所述第一药品信息与各所述第二药品信息之间的文本语义相似度的步骤，包括：
计算每个所述第二药品信息的所述功效相似度和所述成分相似度的平均值；
将各所述第二药品信息的平均值作为各所述第二药品信息的所述文本语义相似度。
7.根据权利要求1所述的方法，其特征在于，所述基于各所述文本语义相似度，从各所述第二药品信息中确定待推荐药品信息的步骤，包括：
获取各所述文本语义相似度中相似度值最高的目标文本语义相似度对应的第二目标药品信息，并将所述第二目标药品信息作为所述待推荐药品信息。
8.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1至7中任一项所述的药品推荐方法。
CN201910521202.3A 2019-06-17 2019-06-17 一种药品推荐方法、装置及电子设备 Active CN110245217B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910521202.3A CN110245217B (zh) 2019-06-17 2019-06-17 一种药品推荐方法、装置及电子设备
PCT/CN2020/096583 WO2020253725A1 (zh) 2019-06-17 2020-06-17 一种药品推荐方法、电子设备和计算机可读存储介质
US17/255,002 US20210398693A1 (en) 2019-06-17 2020-06-17 Method for drug recommendation, electronic device and computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910521202.3A CN110245217B (zh) 2019-06-17 2019-06-17 一种药品推荐方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN110245217A CN110245217A (zh) 2019-09-17
CN110245217B true CN110245217B (zh) 2022-07-22

Family

ID=67887456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910521202.3A Active CN110245217B (zh) 2019-06-17 2019-06-17 一种药品推荐方法、装置及电子设备

Country Status (3)

Country Link
US (1) US20210398693A1 (zh)
CN (1) CN110245217B (zh)
WO (1) WO2020253725A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110245217B (zh) * 2019-06-17 2022-07-22 京东方科技集团股份有限公司 一种药品推荐方法、装置及电子设备
CN110781298B (zh) * 2019-09-18 2023-06-20 平安科技（深圳）有限公司 药品分类方法、装置、计算机设备及存储介质
CN110880361B (zh) * 2019-10-16 2023-02-28 平安科技（深圳）有限公司 一种个性化精准用药推荐方法及装置
CN111145861A (zh) * 2019-12-30 2020-05-12 广州享药户联优选科技有限公司 获取药品溯源的方法及用于获取药品溯源的装置
CN111402070A (zh) * 2020-03-23 2020-07-10 平安医疗健康管理股份有限公司 医疗信息识别方法、装置、计算机设备及存储介质
CN111414554B (zh) * 2020-03-26 2023-08-22 透明生活(武汉)信息科技有限公司 一种商品推荐方法、系统，服务器及存储介质
US10915697B1 (en) 2020-07-31 2021-02-09 Grammarly, Inc. Computer-implemented presentation of synonyms based on syntactic dependency
CN112133416A (zh) * 2020-09-14 2020-12-25 微医云(杭州)控股有限公司 确定替换药剂的方法、装置、电子设备及存储介质
CN112463895A (zh) * 2020-12-01 2021-03-09 零氪科技（北京）有限公司 基于药物名称挖掘自动发现药物成分的方法和装置
TWI782608B (zh) * 2021-06-02 2022-11-01 美商醫守科技股份有限公司 提供建議診斷的電子裝置和方法
CN113688329A (zh) * 2021-08-25 2021-11-23 平安国际智慧城市科技股份有限公司 基于医疗服务的信息推送方法、装置、设备及存储介质
CN114937484A (zh) * 2022-04-25 2022-08-23 广州方舟信息科技有限公司 药品组合推送方法、装置、服务器及计算机可读存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933324A (zh) * 2015-07-10 2015-09-23 庞健 处方用药识别方法及系统
CN108231153A (zh) * 2018-02-08 2018-06-29 康美药业股份有限公司 一种药品推荐方法、电子设备和存储介质
CN108389608A (zh) * 2018-02-08 2018-08-10 康美药业股份有限公司 药品推荐方法、电子设备和存储介质
CN109841268A (zh) * 2019-01-18 2019-06-04 杭州逸曜信息技术有限公司 一种过敏信息的处理方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5299121A (en) * 1992-06-04 1994-03-29 Medscreen, Inc. Non-prescription drug medication screening system
US8352283B2 (en) * 2007-10-03 2013-01-08 Cardinal Health Pharmacy Services Methods and systems for minimizing costs of drug purchases
CN103177087B (zh) * 2013-03-08 2016-05-18 浙江大学 一种基于概率主题模型的相似中药检索方法
CN103678435B (zh) * 2013-07-08 2017-02-08 重庆药品交易所股份有限公司 一种药品规格数据相似度匹配方法
CN104584021B (zh) * 2014-11-07 2018-08-28 曹庆恒 一种智能选药的方法、系统和设备
GB2537925A (en) * 2015-04-30 2016-11-02 Fujitsu Ltd A similarity-computation apparatus, a side effect determining apparatus and a system for calculating similarities between drugs and using the similarities
CN105068994B (zh) * 2015-08-13 2018-04-17 易保互联医疗信息科技（北京）有限公司 一种药品信息的自然语言处理方法及系统
JP6521528B2 (ja) * 2016-04-18 2019-05-29 富士フイルム株式会社 代替医薬品検索装置及び代替医薬品検索方法
CN106202893B (zh) * 2016-06-30 2019-05-14 山东诺安诺泰信息系统有限公司 一种药品推荐方法
US20180330808A1 (en) * 2017-05-10 2018-11-15 Petuum Inc. Machine learning system for disease, patient, and drug co-embedding, and multi-drug recommendation
JP7068106B2 (ja) * 2018-08-28 2022-05-16 株式会社日立製作所 試験計画策定支援装置、試験計画策定支援方法及びプログラム
US11721441B2 (en) * 2019-01-15 2023-08-08 Merative Us L.P. Determining drug effectiveness ranking for a patient using machine learning
KR102035658B1 (ko) * 2019-04-01 2019-10-23 한국과학기술정보연구원 신약 재창출 후보 추천 시스템 및 이 시스템의 각 기능을 실행시키기 위해 매체에 저장된 컴퓨터 프로그램
CN110245217B (zh) * 2019-06-17 2022-07-22 京东方科技集团股份有限公司 一种药品推荐方法、装置及电子设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933324A (zh) * 2015-07-10 2015-09-23 庞健 处方用药识别方法及系统
CN108231153A (zh) * 2018-02-08 2018-06-29 康美药业股份有限公司 一种药品推荐方法、电子设备和存储介质
CN108389608A (zh) * 2018-02-08 2018-08-10 康美药业股份有限公司 药品推荐方法、电子设备和存储介质
CN109841268A (zh) * 2019-01-18 2019-06-04 杭州逸曜信息技术有限公司 一种过敏信息的处理方法

Also Published As

Publication number Publication date
US20210398693A1 (en) 2021-12-23
CN110245217A (zh) 2019-09-17
WO2020253725A1 (zh) 2020-12-24

Similar Documents

Publication Publication Date Title
CN110245217B (zh) 一种药品推荐方法、装置及电子设备
CN105359144B (zh) 用于意图查询的自然语言搜索结果
TWI522828B (zh) 建立詞素重要性分析模型的方法及裝置
Alzahrani et al. Fuzzy semantic-based string similarity for extrinsic plagiarism detection
Hao et al. Discovering patterns to extract protein–protein interactions from the literature: Part II
Dalvi et al. Websets: Extracting sets of entities from the web using unsupervised information extraction
Jomsri et al. A framework for tag-based research paper recommender system: an IR approach
US20120321202A1 (en) Identifying information related to a particular entity from electronic sources, using dimensional reduction and quantum clustering
Basu et al. Identifying post-disaster resource needs and availabilities from microblogs
Hawashin et al. An efficient semantic recommender method forarabic text
WO2015196906A1 (zh) 一种基于搜索获取疾病咨询信息的方法和装置
WO2023029513A1 (zh) 基于人工智能的搜索意图识别方法、装置、设备及介质
CN103294681A (zh) 一种搜索结果的生成方法和装置
US20140101193A1 (en) Generating snippets for prominent users for information retrieval queries
WO2023226262A1 (zh) 基于智能联想的疾病内容推送方法、装置、设备及介质
Lu et al. A dataset search engine for the research document corpus
CN108280081B (zh) 生成网页的方法和装置
JP6719365B2 (ja) 情報処理装置、情報処理方法、およびプログラム
Balog et al. The first joint international workshop on entity-oriented and semantic search (JIWES)
Ho et al. Fingerprint-based near-duplicate document detection with applications to SNS spam detection
Gebremeskel et al. Cumulative citation recommendation: A feature-aware comparison of approaches
Bernard et al. Tracking news stories in short messages in the era of infodemic
CN113032436A (zh) 基于文章内容和标题的搜索方法和装置
Kamath et al. Similarity analysis of service descriptions for efficient Web service discovery
Doshi et al. SemAcSearch: A semantically modeled academic search engine

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