CN110825862B - 基于药学知识图谱的智能问答方法及装置 - Google Patents

基于药学知识图谱的智能问答方法及装置 Download PDF

Info

Publication number
CN110825862B
CN110825862B CN201911076578.4A CN201911076578A CN110825862B CN 110825862 B CN110825862 B CN 110825862B CN 201911076578 A CN201911076578 A CN 201911076578A CN 110825862 B CN110825862 B CN 110825862B
Authority
CN
China
Prior art keywords
node
question
path
information
current
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
CN201911076578.4A
Other languages
English (en)
Other versions
CN110825862A (zh
Inventor
刘静
高飞
王则远
周永杰
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.)
Beijing Medicinovo Technology Co ltd
Original Assignee
Beijing Medicinovo Technology 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 Beijing Medicinovo Technology Co ltd filed Critical Beijing Medicinovo Technology Co ltd
Priority to CN201911076578.4A priority Critical patent/CN110825862B/zh
Publication of CN110825862A publication Critical patent/CN110825862A/zh
Application granted granted Critical
Publication of CN110825862B publication Critical patent/CN110825862B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medicinal Chemistry (AREA)
  • Pharmacology & Pharmacy (AREA)
  • Toxicology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)

Abstract

本发明实施例提供一种基于药学知识图谱的智能问答方法及装置。其中，方法包括：获取对当前问题的回答；若判断获知对当前问题的回答与当前待回答节点所表示的信息相匹配，则根据下一待回答节点输出问题；其中，当前问题，是根据当前待回答节点输出的；待回答节点，为所表示的信息不能根据初始输入信息获取的中间节点；中间节点为规则路径上的中间节点；规则路径是根据初始输入信息搜索药学知识图谱获得的，规则路径上的起始节点所表示的信息与初始输入信息中患者的疾病信息相匹配。本发明实施例提供的基于药学知识图谱的智能问答方法及装置，通过药学知识图谱进行智能问答，问答过程符合专业的用药规则，能提高智能问答的准确性和实用性。

Description

基于药学知识图谱的智能问答方法及装置
技术领域
本发明涉及计算机技术领域，更具体地，涉及一种基于药学知识图谱的智能问答方法及装置。
背景技术
智能问答装置逐渐成为实现人与机器相互交流的新趋势，是一种包含了自然语言处理、信息检索、数据挖掘等交叉领域的信息服务系统。智能问答装置首先对用户提出的问题进行理解，进而在互联网中进行相关数据的搜索，最后回答用户的问题。传统的问答装置工作原理为：将相关的问答语句利用爬虫技术从各搜索引擎、相关论坛或网页里进行爬取，并将其整合成文本信息作为语料库。当问答装置接收到用户的问题，即输入，系统使用模板匹配的方法寻找语料库中与用户输入的句子最相似的多个问题句子，然后比较这些问题句子在语料库中的回答句与问题的相关性，从而获得类似的结果，这个相关性较高的回答即作为系统的回答返还给用户。
基于药学知识图谱的智能问答装置，用于利用海量与医疗有关的数据信息实现自主问诊，并最终给出用药方案。基于药学知识图谱的智能问答装置可应用于医学专业的教学、医疗咨询等非疾病的诊断和治疗的场景。
问答装置有多种可能的数据来源。传统的数据来源包括网页文档、搜索引擎、百科描述、问答社区等。上述传统的数据来源都是非结构化的纯文本数据。对于纯文本数据，语义理解往往建立在问句与文本句子的相似度计算。然而语义理解和知识的本质在于关联，这种一对一的相似度计算忽视了数据关联。并且，纯文本中，由于同类知识容易在文本中多次提及，会导致数据不一致的现象，降低了其准确率。
发明内容
本发明实施例提供一种基于药学知识图谱的智能问答方法及装置，用以解决或者至少部分地解决现有技术存在的问答准确率低的缺陷。
第一方面，本发明实施例提供一种基于药学知识图谱的智能问答方法，包括：
获取对当前问题的回答；
若判断获知所述对当前问题的回答与当前待回答节点所表示的信息相匹配，则根据下一待回答节点输出问题；
其中，所述当前问题，是根据所述当前待回答节点输出的；所述待回答节点，为所表示的信息不能根据初始输入信息获取的中间节点；所述中间节点为规则路径上的中间节点；所述规则路径是根据所述初始输入信息搜索药学知识图谱获得的，所述规则路径上的起始节点所表示的信息与所述初始输入信息中患者的疾病信息相匹配；所述规则路径的结束节点为表示用药方案的节点。
优选地，所述获取对当前问题的回答之前，还包括：
根据所述患者的疾病信息搜索所述药学知识图谱，获取所述规则路径。
优选地，所述根据所述患者的疾病信息搜索药学知识图谱，获取所述规则路径的具体步骤包括：
根据所述患者的疾病信息搜索所述药学知识图谱，获取所表示的信息与所述患者的疾病信息相匹配的节点作为候选起始节点；
分别以每一所述候选起始节点作为候选的规则路径的起始节点，搜索所述药学知识图谱，获取候选的规则路径；
将所需问答轮次最少的候选的规则路径，作为所述规则路径。
优选地，所述获取所述规则路径与所述获取对当前问题的回答之间，还包括：
若判断获知根据所述初始输入信息不能获取所述规则路径上各中间节点所表示的信息，则将所述规则路径上不能根据所述输入信息获取所表示的信息的各中间节点作为待回答节点，根据所述待回答节点输出所述当前问题。
优选地，所述获取对当前问题的回答之后，还包括：
若判断获知所述对当前问题的回答与当前待回答节点所表示的信息不相匹配，则根据所述初始输入信息和对已输出的各问题的回答，搜索所述药学知识图谱，获取新的子规则路径；
根据所述新的子规则路径，更新所述规则路径；
其中，所述新的子规则路径以所述规则路径上所述当前待回答节点的上一节点为起点，以表示用药方案的节点为终点。
优选地，所述根据所述初始输入信息和对已输出的各问题的回答，搜索所述药学知识图谱，获取新的子规则路径的具体步骤包括：
以所述规则路径上所述当前待回答节点的上一节点为起点，根据所述初始输入信息和对已输出的各问题的回答，搜索所述药学知识图谱，获取候选的子规则路径；
将所需问答轮次最少的候选的子规则路径，作为所述新的子规则路径。
优选地，所述获取所述规则路径与所述获取对当前问题的回答之间，还包括：
若判断获知根据所述初始输入信息能够获取所述规则路径上各中间节点所表示的信息，则根据所述规则路径上的所述结束节点输出用药方案。
第二方面，本发明实施例提供一种基于药学知识图谱的智能问答装置，包括：
智能问答模块，用于获取对当前问题的回答；
推理引擎模块，用于若判断获知所述对当前问题的回答与当前待回答节点所表示的信息相匹配，则根据下一待回答节点输出问题；
其中，所述当前问题，是根据所述当前待回答节点输出的；所述待回答节点，为所表示的信息不能根据初始输入信息获取的中间节点；所述中间节点为规则路径上的中间节点；所述规则路径是根据所述初始输入信息搜索药学知识图谱获得的，所述规则路径上的起始节点所表示的信息与所述初始输入信息中患者的疾病信息相匹配；所述规则路径的结束节点为表示用药方案的节点。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，执行所述程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于药学知识图谱的智能问答方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的基于药学知识图谱的智能问答方法的步骤。
本发明实施例提供的基于药学知识图谱的智能问答方法及装置，通过基于药学知识和用药规则构建的药学知识图谱进行智能问答，问答过程符合专业的用药规则，能提高智能问答的准确性和实用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例提供的基于药学知识图谱的智能问答方法的流程示意图；
图2为根据本发明实施例提供的基于药学知识图谱的智能问答装置的结构示意图；
图3为根据本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了克服现有技术的上述问题，本发明实施例提供一种基于药学知识图谱的智能问答方法及装置，其发明构思是，基于根据专业的医学指南及大量的药品说明书构建的药学知识图谱进行问答，与传统方法相比更好地体现了数据之间的联系，且药学知识图谱以图的数据结构更加直观而形象地表现了现实世界的应用场景，从而能基于药学知识图谱中“节点-关系-节点”三元组形成的一条完整的推理用药规则进行智能问答，提高了智能问答的准确性和实用性。
图1为根据本发明实施例提供的基于药学知识图谱的智能问答方法的流程示意图。如图1所示，该方法包括：步骤S101、获取对当前问题的回答。
其中，当前问题，是根据当前待回答节点输出的；待回答节点，为所表示的信息不能根据初始输入信息获取的中间节点；中间节点为规则路径上的中间节点；规则路径是根据初始输入信息搜索药学知识图谱获得的，规则路径上的起始节点所表示的信息与初始输入信息中患者的疾病信息相匹配；规则路径的结束节点为表示用药方案的节点。
需要说明的是，步骤S101之前，可以根据专业的医学指南及大量的药品说明书构建药学知识图谱，也可以获取已构建好的药学知识图谱。
药学知识图谱中不仅包括根据专业的医学指南及大量的药品说明书提炼出的三元组知识，还包括从医学指南中提取出的用药规则。
可以从专业的医学指南及大量的药品说明书中抽取医学知识，将专业的医学指南及大量的药品说明书拆解为知识图谱的原料，即节点和关系。
用药规则，可以由专业医师药师从医学指南中提取，也可以由在专业医师药师参与下获得的机器学习模型从医学指南中提取。用药规则可以抽象成“节点-关系-节点”的三元组形式。因此，药学知识图谱中的用药规则符合临床给药逻辑。
例如：提取的用药规则为“第一次用药治疗的AECOPD(慢性阻塞性肺疾病急性加重期)患者应给出基础用药方案”，将其抽象成“节点-关系-节点”的三元组形式，表示为“AECOPD患者”(患者情况)“第一次用药治疗”(推荐用药方案)“AECOPD基础用药方案”，括号内为关系，双引号内为节点。
专业医师药师参与提取的用药规则，具有准确性、实用性、灵活性更高的特点。
节点代表疾病、症状、药物等临床医学实体，包括数值、病史、症状、用药方案、诊断、量表、药品名和药品类；连接线代表各实体间的关系，包括患者情况、推理条件、包括、对应药品、对应用药方案等关系。通过以节点和连接线表示的图的形式，可以实现知识以及数据的互联互通。
将根据专业的医学指南及大量的药品说明书提炼出的节点和关系，以及从医学指南中提取出的用药规则，都存入图数据库中，从而可以获得完整的药学知识图谱。图数据库以原生图的结构形式来存储数据，它所存储的就是关联数据本身，可以表现出数据之间的联系。
现实世界中联系才是数据的本质所在，传统的关系型数据库并不能很好地表现数据的联系，图数据库是以原生图的结构形式来存储数据的，它所存储的就是关联数据本身。图数据库有以下特点：(1)闪电般的读/写速度，无与伦比的高性能表现；(2)非结构化数据存储方式，在数据库设计上具有很大的灵活性；(3)图数据的结构特点可以提供更多更优秀的算法设计；(4)提供分布式高可用模式，可以支持大规模的数据增长；(5)数据库安全可靠，可以实时备份数据，很方便恢复数据；(6)图的数据结构直观而形象地表现了现实世界的应用场景。
知识图谱是以节点、连接线组成的知识网络。
以医学指南和药品说明书为基础的药学知识图谱，可以作为可查询、可推理、可拓展的智能药学大脑的核心。
利用药学知识图谱中存储的知识、规则以及给药逻辑，触发后续的逻辑推理和图推理，编译推理引擎，能满足知识图谱数据、知识表示的要求，并且易于扩展，能够非常方便的增加新的实体和关系的逻辑表达式。能实现根据疾病诊断和相关症状进行推理，给出用药方案。药学大脑通过可视化的语义图可以形象地表达领域概念之间的关联，用户可通过交互的方式来浏览领域概念，选择其中的某个概念开始构造查询或搜索。并且当新的患者数据进入时，药学大脑可以发挥查询扩展、知识推理、决策支持和用药指导等作用。
例如，完整药学知识图谱的一个子图中的节点包括“AECOPD患者”、“第一次用药治疗”、“AECOPD基础用药方案1”、“糖皮质激素”、“吸入用短效beta受体激动剂”五个实体概念；四条连接线表示各节点之间的关系。该子图的推理逻辑可以描述为：如果新来一个患者被诊断为AECOPD患者，并且该患者为第一次用药治疗，则为其推荐一个基础用药方案为AECOPD基础用药方案1，该方案中包括两类药：吸入用短效beta受体激动剂和糖皮质激素。
知识图谱中，将抽取的用药规则和抽取的药学知识相结合，可以形成一条完整的推理给药规则，智能问答就是基于这样的规则进行的。
知识图谱作为智能问答的底层基础，可以保证问答的有效进行。
可以理解的是，步骤S101之前还包括：获取用户输入的初始输入信息。
初始输入信息，为问答开始之前，用户通过键盘、触摸屏等输入设备或智能手机、个人计算机等终端输入的与患者及患者所患有的疾病有关的信息。
可以理解的是，步骤S101之前，可以根据输入信息搜索药学知识图谱，获取药学知识图谱中与输入信息相符的一条用药规则作为规则路径。
可以理解的是，规则路径是由药学知识图谱中的节点和连接线构成的路径，该路径用于表示一条用药规则，因而可以称作规则路径。
规则路径上的起始节点表示某种疾病的患者，中间节点表示条件，结束节点表示用药方案；节点之间的连接线，可以称为边，表示节点之间的关系。
起始节点所表示的信息与初始输入信息中患者的疾病信息相匹配，指从初始输入信息中患者的疾病信息中，可以获取该起始节点所表示的信息。
例如，在药学知识图谱中，起始节点表示的信息为“AECOPD患者”，如果初始输入信息中患者的疾病信息把包括患者患有AECOPD，则该起始节点所表示的信息与初始输入信息中患者的疾病信息相匹配；如果初始输入信息中患者的疾病信息包括患者患有心脏病和高血压，则该起始节点所表示的信息与初始输入信息中患者的疾病信息不相匹配。
用药方案包括两个层次，第一层次为基础用药方案，如存在感染的风险则给出第二层次抗感染用药方案。例如，抽取的用药规则可以为：如果AECOPD患者出现感染，则应除了基础用药方案外再增加抗菌用药方案。
将规则路径作为完整的智能问答中当前的推理给药规则，当前的推理给药规则中的部分信息可能根据输入信息无法获得，因而需要通过之后的问答过程进行获取。
可以根据规则路径中的中间节点进行提问，获得答案，提示用户患者应做的检查，以补全推理给药规则。
可以按照规则路径上各中间节点的顺序，根据全部或部分中间节点依次输出问题，进行提问。
获得补全的推理给药规则之后，即可根据该规则路径中的结束节点输出用药方案，结束问答过程。
智能问答方法作为人工智能的一种典型表现形式，可以为用户提供高效、直接并且准确的知识获取的方式。
相较于从搜索引擎获取答案的方法，智能问答方法允许用户用自然语言的模式提问，更符合人类自然语言交互的方式，为用户获取知识提供了新的便利。
需要说明的是，按照规则路径上从起始节点至结束节点方向的节点顺序，首先根据第一个待回答节点输出问题。
根据当前待回答节点输出的问题，为当前问题。
例如，当前待回答节点表示某项检查的结果，则当前问题可以为询问该项检查的结果；当前待回答节点表示用药的次数，则当前问题可以为询问当前是第几次用药治疗。
输出当前问题之后，可以获取用户通过键盘、触摸屏等输入设备或智能手机、个人计算机等终端输入的对当前问题的回答。
步骤S102、若判断获知对当前问题的回答与当前待回答节点所表示的信息相匹配，则根据下一待回答节点输出下一个问题
获得对当前问题的回答之后，判断对当前问题的回答与当前待回答节点所表示的信息是否匹配。
例如，待回答节点表示用药的次数为第二次用药治疗，而当前问题的回答为当前是第一次用药治疗，说明对当前问题的回答与当前待回答节点所表示的信息不相匹配；待回答节点表示某项检查的结果为肾结石，若当前问题的回答为右肾结石，说明对当前问题的回答与当前待回答节点所表示的信息相匹配。
若相匹配，则根据下一待回答节点输出下一个问题。
具体地，对当前问题的回答与当前待回答节点所表示的信息相匹配，说明已获取到当前待回答节点表示的信息，患者的情况与规则路径表示的用药规则相符，可以根据下一待回答节点输出下一个问题。
下一待回答节点，指规则路径上的各待回答节点中，按照从起始节点至结束节点方向的节点顺序，当前待回答节点的下一个待回答节点。
本发明实施例通过基于药学知识和用药规则构建的药学知识图谱进行智能问答，问答过程符合专业的用药规则，能提高智能问答的准确性和实用性。
基于上述各实施例的内容，获取对当前问题的回答之前，还包括：根据患者的疾病信息搜索药学知识图谱，获取规则路径。
具体地，根据患者的疾病信息搜索药学知识图谱，获取以所表示的信息与初始输入信息中患者的疾病信息相匹配的一个节点为起点，以表示用药信息的节点为终点的一条路径，作为规则路径。
本发明实施例通过根据患者的疾病信息搜索药学知识图谱，获取规则路径，能获取符合专业的用药规则的规则路径，从而能基于规则路径进行智能问答，能提高智能问答的准确性和实用性。
基于上述各实施例的内容，根据患者的疾病信息搜索药学知识图谱，获取规则路径的具体步骤包括：根据患者的疾病信息搜索药学知识图谱，获取所表示的信息与患者的疾病信息相匹配的节点作为候选起始节点。
具体地，患者的疾病信息，指输入信息中患者患有疾病的信息。例如，患者的疾病信息为患者患有AECOPD。
根据患者信息搜索药学知识图谱，可以获取候选起始节点。
候选起始节点，为所表示的信息与患者的疾病信息相匹配的节点。由于患者可能患有多种疾病，候选起始节点，可以为一个或多个。
例如，如果患者信息为患者患有AECOPD，则可以将药学知识图谱中表示“AECOPD患者”的节点作为候选起始节点；如果患者信息为患者患有心脏病和高血压，则可以将药学知识图谱中表示“心脏病患者”的节点和“高血压患者”的节点均作为候选起始节点。
分别以每一候选起始节点作为候选的规则路径的起始节点，搜索药学知识图谱，获取候选的规则路径。
具体地，分别将每一候选起始节点作为候选的规则路径的起始节点，通过搜索药学知识图谱，获取药学知识图谱中以该候选起始节点为起点的各条用药规则，作为候选的规则路径。
将所需问答轮次最少的候选的规则路径，作为规则路径。
具体地，计算每一条候选的规则路径所需问答轮次的数目。
由于初始输入信息除了包括患者的疾病信息之外，还可能包括其他信息，其他信息可能为中间节点所表示的信息，因此，所需问答轮次的数目等于候选的规则路径包括的中间节点的数量减去可以从输入信息获取所表示的信息的中间节点的数量，即不能从输入信息获取所表示的信息的中间节点的数量。
将所需问答轮次最少的候选的规则路径，作为规则路径，能够实现不重复询问已经获取到的信息。
本发明实施例通过搜索药学知识图谱，将所需问答轮次最少的候选的规则路径，作为规则路径，能遵循不重复询问已经获取到的信息的原则，能提高问答效率。
基于上述各实施例的内容，获取规则路径与获取对当前问题的回答之间，还包括：若判断获知根据初始输入信息不能获取规则路径上各中间节点所表示的信息，则将规则路径上不能根据输入信息获取所表示的信息的各中间节点作为待回答节点，根据待回答节点输出当前问题。
具体地，判断是否可以从初始输入信息中获取规则路径上各中间节点所表示的信息，即判断所需问答轮次是否大于0。
若否，则将规则路径上不能根据初始输入信息获取所表示的信息的各中间节点作为待回答节点，根据待回答节点输出当前问题。
所需问答轮次大于0，说明存在不能从输入信息获取该中间节点所表示的信息的中间节点，上述不能从输入信息获取所表示的信息的中间节点为待回答节点，需要通过问答获取各待回答节点所表示的信息。
可以依次将每一待回答节点作为当前待回答节点，根据当前待回答节点输出当前问题。
本发明实施例根据待回答节点输出问题，以获取推理给药规则中缺失的信息，不用重复询问已经获取到的信息，能提高智能问答的准确性、实用性和效率。
基于上述各实施例的内容，获取规则路径与获取对当前问题的回答之间，还包括：若判断获知根据初始输入信息能够获取规则路径上各中间节点所表示的信息，则根据规则路径上的结束节点输出用药方案。
具体地，所需问答轮次等于0，说明不存在不能从初始输入信息获取该中间节点所表示的信息的中间节点，各中间节点所表示的信息都能从初始输入信息中获取，推理给药规则是完整的。因此，可以根据规则路径中的结束节点输出用药方案，结束问答过程。
本发明实施例通过在根据初始输入信息能够获取规则路径上各中间节点的信息时，根据规则路径上的结束节点输出用药方案，不用重复询问已经获取到的信息，能提高智能问答的准确性、实用性和效率。
基于上述各实施例的内容，获取对当前问题的回答之后，还包括：若判断获知对当前问题的回答与当前待回答节点所表示的信息不相匹配，则根据初始输入信息和对已输出的各问题的回答，搜索药学知识图谱，获取新的子规则路径。
其中，新的子规则路径以规则路径上当前待回答节点的上一节点为起点，以表示用药方案的节点为终点。
具体地，对当前问题的回答与当前待回答节点所表示的信息不匹配，说明未能根据对当前问题的回答获取到当前待回答节点所表示的信息，患者的情况与规则路径表示的用药规则不相符，可以对该规则路径未经过问答的部分进行更新，重新确定规则路径。
该规则路径未经过问答的部分，为子规则路径。该子规则路径之前的部分表示的用药规则，与患者的情况相符，可以保留；该子规则路径表示的用药规则，与患者的情况不相符，需要进行更新。
根据初始输入信息和已获取的各次回答，重新搜索药学知识图谱，可以获取新的子规则路径。
各次回答，指对各次输出的问题的回答。
根据新的子规则路径，更新规则路径。
具体地，对于更新前的规则路径，将该子规则路径之前的部分保留，将该子规则路径用新的子规则路径替换，获得更新后的规则路径。
可以理解的是，后续的问答，基于更新后的规则路径中上述新的子规则路径进行。
本发明实施例通过在对当前问题的回答与当前待回答节点所表示的信息不相匹配时，更新规则路径，基于更新后的规则路径进行后续的问答，能提高智能问答的准确性。
基于上述各实施例的内容，根据初始输入信息和对已输出的各问题的回答，搜索药学知识图谱，获取新的子规则路径的具体步骤包括：以规则路径上当前待回答节点的上一节点为起点，根据初始输入信息和对已输出的各问题的回答，搜索药学知识图谱，获取候选的子规则路径。
具体地，将规则路径上当前待回答节点的上一节点作为起点，通过搜索药学知识图谱，获取药学知识图谱中符合从更新前规则路径的起始节点至该上一节点的子路径的各条用药规则，作为候选用药规则。
可以理解的是，候选用药规则中，不包括更新前的规则路径表示的用药规则。
对于每一条候选用药规则，除去从更新前规则路径的起始节点至该上一节点的子路径表示的部分规则之外的剩余部分规则，将表示剩余部分的子规则路径，作为候选的子规则路径。
若获取不到候选的子规则路径，则将该上一节点的上一节点作为候选的子规则路径的起点，搜索知识图谱；依此类推，直至以更新前规则路径上的某一各节点为起点，重新搜索知识图谱，可以获取到候选的子规则路径。
将所需问答轮次最少的候选的子规则路径，作为新的子规则路径。
具体地，可以将所需问答轮次最少的候选的子规则路径，作为新的子规则路径。
本发明实施例通过搜索药学知识图谱，将所需问答轮次最少的候选的子规则路径，作为新的子规则路径，能遵循不重复询问已经获取到的信息的原则，能提高问答效率。
图2为根据本发明实施例提供的基于药学知识图谱的智能问答装置的结构示意图。基于上述各实施例的内容，如图2所示，该装置包括智能问答模块201和推理引擎模块202，其中：
智能问答模块201，用于获取对当前问题的回答；
推理引擎模块202，用于若判断获知对当前问题的回答与当前待回答节点所表示的信息相匹配，则根据下一待回答节点输出下一个问题；
其中，当前问题，是根据当前待回答节点输出的；待回答节点，为所表示的信息不能根据初始输入信息获取的中间节点；中间节点为规则路径上的中间节点；规则路径是根据初始输入信息搜索药学知识图谱获得的，规则路径上的起始节点所表示的信息与初始输入信息中患者的疾病信息相匹配；规则路径的结束节点为表示用药方案的节点。
具体地，智能问答模块201与推理引擎模块202电连接。
智能问答模块201可以根据规则路径中的当前待回答节点节点进行提问，输出当前问题，获得用户答案对当前问题的回答。
推理引擎模块202断对当前问题的回答与当前待回答节点所表示的信息是否匹配；若相匹配，则根据下一待回答节点输出下一个问题。
本发明实施例提供的基于药学知识图谱的智能问答装置，用于执行本发明上述各实施例提供的基于药学知识图谱的智能问答方法，该基于药学知识图谱的智能问答装置包括的各模块实现相应功能的具体方法和流程详见上述基于药学知识图谱的智能问答方法的实施例，此处不再赘述。
该基于药学知识图谱的智能问答装置用于前述各实施例的基于药学知识图谱的智能问答方法。因此，在前述各实施例中的基于药学知识图谱的智能问答方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。
本发明实施例通过基于药学知识和用药规则构建的药学知识图谱进行智能问答，问答过程符合专业的用药规则，能提高智能问答的准确性和实用性。
图3为根据本发明实施例提供的电子设备的实体结构示意图。基于上述实施例的内容，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302和总线303；其中，处理器301和存储器302通过总线303完成相互间的通信；处理器301用于调用存储在存储器302中并可在处理器301上运行的计算机程序指令，以执行上述各方法实施例所提供的基于药学知识图谱的智能问答方法，例如包括：获取对当前问题的回答；若判断获知对当前问题的回答与当前待回答节点所表示的信息相匹配，则根据下一待回答节点输出问题；其中，当前问题，是根据当前待回答节点输出的；待回答节点，为所表示的信息不能根据初始输入信息获取的中间节点；中间节点为规则路径上的中间节点；规则路径是根据初始输入信息搜索药学知识图谱获得的，规则路径上的起始节点所表示的信息与初始输入信息中患者的疾病信息相匹配；规则路径的结束节点为表示用药方案的节点。
本发明另一实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基于药学知识图谱的智能问答方法，例如包括：获取对当前问题的回答；若判断获知对当前问题的回答与当前待回答节点所表示的信息相匹配，则根据下一待回答节点输出问题；其中，当前问题，是根据当前待回答节点输出的；待回答节点，为所表示的信息不能根据初始输入信息获取的中间节点；中间节点为规则路径上的中间节点；规则路径是根据初始输入信息搜索药学知识图谱获得的，规则路径上的起始节点所表示的信息与初始输入信息中患者的疾病信息相匹配；规则路径的结束节点为表示用药方案的节点。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明另一实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的基于药学知识图谱的智能问答方法，例如包括：获取对当前问题的回答；若判断获知对当前问题的回答与当前待回答节点所表示的信息相匹配，则根据下一待回答节点输出问题；其中，当前问题，是根据当前待回答节点输出的；待回答节点，为所表示的信息不能根据初始输入信息获取的中间节点；中间节点为规则路径上的中间节点；规则路径是根据初始输入信息搜索药学知识图谱获得的，规则路径上的起始节点所表示的信息与初始输入信息中患者的疾病信息相匹配；规则路径的结束节点为表示用药方案的节点。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行上述各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于药学知识图谱的智能问答方法，其特征在于，包括：
获取对当前问题的回答；
若判断获知所述对当前问题的回答与当前待回答节点所表示的信息相匹配，则根据下一待回答节点输出下一个问题；
其中，所述当前问题，是根据所述当前待回答节点输出的；所述待回答节点，为所表示的信息不能根据初始输入信息获取的中间节点；所述中间节点为规则路径上的中间节点；所述规则路径是根据所述初始输入信息搜索药学知识图谱获得的，所述规则路径上的起始节点所表示的信息与所述初始输入信息中患者的疾病信息相匹配；所述规则路径的结束节点为表示用药方案的节点；
所述获取对当前问题的回答之后，还包括：
若判断获知所述对当前问题的回答与当前待回答节点所表示的信息不相匹配，则根据所述初始输入信息和对已输出的各问题的回答，搜索所述药学知识图谱，获取新的子规则路径；
根据所述新的子规则路径，更新所述规则路径；
其中，所述新的子规则路径以所述规则路径上所述当前待回答节点的上一节点为起点，以表示用药方案的节点为终点；
所述根据所述新的子规则路径，更新所述规则路径，包括：
将所述规则路径中子规则路径之前的部分保留，将所述子规则路径用所述新的子规则路径替换，获得更新后的规则路径；
其中，所述子规则路径，指所述规则路径未经过问答的部分。
2.根据权利要求1所述的基于药学知识图谱的智能问答方法，其特征在于，所述获取对当前问题的回答之前，还包括：
根据所述患者的疾病信息搜索所述药学知识图谱，获取所述规则路径。
3.根据权利要求2所述的基于药学知识图谱的智能问答方法，其特征在于，所述根据所述患者的疾病信息搜索药学知识图谱，获取所述规则路径的具体步骤包括：
根据所述患者的疾病信息搜索所述药学知识图谱，获取所表示的信息与所述患者的疾病信息相匹配的节点作为候选起始节点；
分别以每一所述候选起始节点作为候选的规则路径的起始节点，搜索所述药学知识图谱，获取候选的规则路径；
将所需问答轮次最少的候选的规则路径，作为所述规则路径。
4.根据权利要求2所述的基于药学知识图谱的智能问答方法，其特征在于，所述获取所述规则路径与所述获取对当前问题的回答之间，还包括：
若判断获知根据所述初始输入信息不能获取所述规则路径上各中间节点所表示的信息，则将所述规则路径上不能根据所述输入信息获取所表示的信息的各中间节点作为待回答节点，根据所述待回答节点输出所述当前问题。
5.根据权利要求1所述的基于药学知识图谱的智能问答方法，其特征在于，所述根据所述初始输入信息和对已输出的各问题的回答，搜索所述药学知识图谱，获取新的子规则路径的具体步骤包括：
以所述规则路径上所述当前待回答节点的上一节点为起点，根据所述初始输入信息和对已输出的各问题的回答，搜索所述药学知识图谱，获取候选的子规则路径；
将所需问答轮次最少的候选的子规则路径，作为所述新的子规则路径。
6.根据权利要求4所述的基于药学知识图谱的智能问答方法，其特征在于，所述获取所述规则路径与所述获取对当前问题的回答之间，还包括：
若判断获知根据所述初始输入信息能够获取所述规则路径上各中间节点所表示的信息，则根据所述规则路径上的所述结束节点输出用药方案。
7.一种基于药学知识图谱的智能问答装置，其特征在于，包括：
智能问答模块，用于获取对当前问题的回答；
推理引擎模块，用于若判断获知所述对当前问题的回答与当前待回答节点所表示的信息相匹配，则根据下一待回答节点输出下一个问题；
其中，所述当前问题，是根据所述当前待回答节点输出的；所述待回答节点，为所表示的信息不能根据初始输入信息获取的中间节点；所述中间节点为规则路径上的中间节点；所述规则路径是根据所述初始输入信息搜索药学知识图谱获得的，所述规则路径上的起始节点所表示的信息与所述初始输入信息中患者的疾病信息相匹配；所述规则路径的结束节点为表示用药方案的节点；
所述推理引擎模块，还用于若判断获知所述对当前问题的回答与当前待回答节点所表示的信息不相匹配，则根据所述初始输入信息和对已输出的各问题的回答，搜索所述药学知识图谱，获取新的子规则路径；根据所述新的子规则路径，更新所述规则路径；
其中，所述新的子规则路径以所述规则路径上所述当前待回答节点的上一节点为起点，以表示用药方案的节点为终点；
所述推理引擎模块，具体用于将所述规则路径中子规则路径之前的部分保留，将所述子规则路径用所述新的子规则路径替换，获得更新后的规则路径；
其中，所述子规则路径，指所述规则路径未经过问答的部分。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述的基于药学知识图谱的智能问答方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于药学知识图谱的智能问答方法的步骤。
CN201911076578.4A 2019-11-06 2019-11-06 基于药学知识图谱的智能问答方法及装置 Active CN110825862B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911076578.4A CN110825862B (zh) 2019-11-06 2019-11-06 基于药学知识图谱的智能问答方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911076578.4A CN110825862B (zh) 2019-11-06 2019-11-06 基于药学知识图谱的智能问答方法及装置

Publications (2)

Publication Number Publication Date
CN110825862A CN110825862A (zh) 2020-02-21
CN110825862B true CN110825862B (zh) 2022-12-06

Family

ID=69553009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911076578.4A Active CN110825862B (zh) 2019-11-06 2019-11-06 基于药学知识图谱的智能问答方法及装置

Country Status (1)

Country Link
CN (1) CN110825862B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382230B (zh) * 2020-03-04 2020-12-22 重庆百事得大牛机器人有限公司 用于法律咨询选项的模糊识别方法
CN111368096A (zh) * 2020-03-09 2020-07-03 中国平安人寿保险股份有限公司 基于知识图谱的信息分析方法、装置、设备和存储介质
CN111415719B (zh) * 2020-03-24 2024-10-11 京东方科技集团股份有限公司 患者用药教育的推送方法及装置、电子设备及介质
CN112115276B (zh) * 2020-09-18 2024-05-24 平安科技（深圳）有限公司 基于知识图谱的智能客服方法、装置、设备及存储介质
CN116312970B (zh) * 2023-03-23 2023-12-15 苏州复变医疗科技有限公司 一种用于心理测评的智能交互方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815345A (zh) * 2019-02-25 2019-05-28 南京大学 一种基于路径的知识图谱嵌入方法
CN109902165A (zh) * 2019-03-08 2019-06-18 中国科学院自动化研究所 基于马尔科夫逻辑网的智能交互式问答方法、系统、装置
CN110046236A (zh) * 2019-03-20 2019-07-23 腾讯科技（深圳）有限公司 一种非结构化数据的检索方法及装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10078651B2 (en) * 2015-04-27 2018-09-18 Rovi Guides, Inc. Systems and methods for updating a knowledge graph through user input
WO2018112420A1 (en) * 2016-12-15 2018-06-21 The Regents Of The University Of California Compositions and methods for treating cancer
CN106909662A (zh) * 2017-02-27 2017-06-30 腾讯科技（上海）有限公司 知识图谱构建方法及装置
CN106997399A (zh) * 2017-05-24 2017-08-01 海南大学 一种基于数据图谱、信息图谱、知识图谱和智慧图谱关联架构的分类问答系统设计方法
US11954613B2 (en) * 2018-02-01 2024-04-09 International Business Machines Corporation Establishing a logical connection between an indirect utterance and a transaction
CN109065173B (zh) * 2018-07-10 2022-04-19 北京科技大学 知识路径的获取方法
CN110377715A (zh) * 2019-07-23 2019-10-25 天津汇智星源信息技术有限公司 基于法律知识图谱的推理式精准智能问答方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109815345A (zh) * 2019-02-25 2019-05-28 南京大学 一种基于路径的知识图谱嵌入方法
CN109902165A (zh) * 2019-03-08 2019-06-18 中国科学院自动化研究所 基于马尔科夫逻辑网的智能交互式问答方法、系统、装置
CN110046236A (zh) * 2019-03-20 2019-07-23 腾讯科技（深圳）有限公司 一种非结构化数据的检索方法及装置

Also Published As

Publication number Publication date
CN110825862A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110825862B (zh) 基于药学知识图谱的智能问答方法及装置
Ferré Sparklis: An expressive query builder for SPARQL endpoints with guidance in natural language
US20180108443A1 (en) Apparatus and method for analyzing natural language medical text and generating a medical knowledge graph representing the natural language medical text
CN111656384A (zh) 药品的推荐方法、装置、介质和电子设备
US8700589B2 (en) System for linking medical terms for a medical knowledge base
CN110289068A (zh) 药品推荐方法及设备
WO2015093541A1 (ja) シナリオ生成装置、及びそのためのコンピュータプログラム
WO2015093540A1 (ja) フレーズペア収集装置、及びそのためのコンピュータプログラム
US20220139535A1 (en) Efficient determination of a data entity storing healthcare data through mapped entry and/or traversal of a semantic data structure
CN110085325B (zh) 关于中医经验数据的知识图谱的构建方法及装置
WO2015093539A1 (ja) 複雑述語テンプレート収集装置、及びそのためのコンピュータプログラム
Doulaverakis et al. Panacea, a semantic-enabled drug recommendations discovery framework
WO2021238436A1 (zh) 多药共用查询方法、移动终端及存储介质
CN111415719B (zh) 患者用药教育的推送方法及装置、电子设备及介质
CN114610902B (zh) 一种基于知识图谱的家禽疾病诊断系统
CN113035350B (zh) 一种基于知识抽取的医学决策支持方法和系统
US20230316095A1 (en) Systems and methods for automated scribes based on knowledge graphs of clinical information
Szymański et al. Information retrieval with semantic memory model
Guo et al. neuroGPT-X: toward a clinic-ready large language model
Nicolajsen et al. Three+ 1 perspectives on computational thinking
Saleem Durai et al. An intelligent knowledge mining model for kidney cancer using rough set theory
Chen et al. AskNatureNet: A divergent thinking tool based on bio-inspired design knowledge
US20150169833A1 (en) Method and System for Supporting a Clinical Diagnosis
US20120096015A1 (en) System and method for assisting a user to select the context of a search query
Li et al. Construction of depression knowledge graph based on biomedical literature

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