CN111180086B - 数据匹配方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种数据匹配方法、装置、计算机设备和存储介质。所述方法涉及神经网络分类模型，包括：当触发数据匹配操作时，展示预设的数据获取界面；在触发针对数据获取界面的操作后，获取通过操作所产生的待匹配数据信息；根据待匹配数据信息获取应用端的医疗记录，并从医疗记录中提取待匹配的药品匹配数据；通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理，得到药品匹配数据对应的药品名称匹配向量；查询预设的药品基准名称向量表；将药品名称匹配向量与药品基准名称向量表中的药品基准名称向量进行相似度分析，并根据相似度分析结果确定数据匹配结果。采用本方法能够提高数据匹配的处理效率。

Description

数据匹配方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种数据匹配方法、装置、计算机设备和存储介质。

背景技术

目前，在进行数据匹配时，如将各种命名不统一的药品名称进行匹配时，需要由后台获取待匹配的数据，基于自然语言逻辑将待匹配的数据切分成数据段，并对各数据段进行一一匹配分析，再综合各数据段匹配分析的结果确定数据匹配结果，以实现对待匹配数据的准确匹配。

然而，按照自然语言逻辑将待匹配数据进行有效切分，当前难以实现，切分的精确度有限，容易切分出众多无效数据段，在进行匹配分析和综合匹配结果时需要进行繁杂的筛选甄别处理，降低了数据匹配处理的效率。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高数据匹配的处理效率的数据匹配方法、装置、计算机设备和存储介质。

一种数据匹配方法，所述方法包括：

当触发数据匹配操作时，展示预设的数据获取界面；

在触发针对数据获取界面的操作后，获取通过操作所产生的待匹配数据信息；

根据待匹配数据信息获取应用端的医疗记录，并从医疗记录中提取待匹配的药品匹配数据；

通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理，得到药品匹配数据对应的药品名称匹配向量，药品名称匹配模型基于药品名称历史匹配数据训练得到；

查询预设的药品基准名称向量表，药品基准名称向量表包括药品基准名称与药品基准名称向量之间的对应关系；

将药品名称匹配向量与药品基准名称向量表中的药品基准名称向量进行相似度分析，并根据相似度分析结果确定数据匹配结果。

在其中一个实施例中，药品名称匹配模型包括关键词匹配模型和上下文匹配模型；在通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理之前，还包括：

获取药品名称历史匹配数据，药品名称历史匹配数据包括药品关键词和药品关键词对应匹配的上下文数据；

将上下文数据作为CBOW模型的训练输入数据，将药品关键词作为CBOW模型的训练输出数据，通过上下文数据和药品关键词训练CBOW模型，得到关键词匹配模型；

将药品关键词作为Skip-gram模型的训练输入数据，将上下文数据作为Skip-gram模型的训练输出数据，通过药品关键词和上下文数据训练Skip-gram模型，得到上下文匹配模型。

在其中一个实施例中，通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理，得到药品匹配数据对应的药品名称匹配向量包括：

将药品匹配数据输入上下文匹配模型中，并根据上下文匹配模型的隐藏层，得到上下文匹配向量；

根据药品匹配数据构建关键词匹配输入数据；

将关键词匹配输入数据输入关键词匹配模型中，并根据关键词匹配模型的隐藏层，得到关键词匹配向量；

根据上下文匹配向量和关键词匹配向量的均值，得到药品匹配数据对应的药品名称匹配向量。

在其中一个实施例中，根据药品匹配数据构建关键词匹配输入数据包括：

将药品匹配数据进行两两组合，构建得到关键词匹配输入数据。

在其中一个实施例中，根据上下文匹配模型的隐藏层，得到上下文匹配向量包括：将上下文匹配模型的隐藏层权重，作为上下文匹配向量；

根据关键词匹配模型的隐藏层，得到关键词匹配向量包括：将关键词匹配模型的隐藏层权重，作为关键词匹配向量。

在其中一个实施例中，将药品名称匹配向量与药品基准名称向量表中的药品基准名称向量进行相似度分析包括：

计算药品名称匹配向量，与药品基准名称向量表中的药品基准名称向量之间的余弦距离，并将余弦距离作为相似度分析结果。

一种数据匹配装置，所述装置包括：

界面展示模块，用于当触发数据匹配操作时，展示预设的数据获取界面；

数据信息获取模块，用于在触发针对数据获取界面的操作后，获取通过操作所产生的待匹配数据信息；

药品数据提取模块，用于根据待匹配数据信息获取应用端的医疗记录，并从医疗记录中提取待匹配的药品匹配数据；

名称向量化处理模块，用于通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理，得到药品匹配数据对应的药品名称匹配向量，药品名称匹配模型基于药品名称历史匹配数据训练得到；

名称向量表查询模块，用于查询预设的药品基准名称向量表，药品基准名称向量表包括药品基准名称与药品基准名称向量之间的对应关系；

相似度分析模块，用于将药品名称匹配向量与药品基准名称向量表中的药品基准名称向量进行相似度分析，并根据相似度分析结果确定数据匹配结果。

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：

当触发数据匹配操作时，展示预设的数据获取界面；

在触发针对数据获取界面的操作后，获取通过操作所产生的待匹配数据信息；

根据待匹配数据信息获取应用端的医疗记录，并从医疗记录中提取待匹配的药品匹配数据；

通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理，得到药品匹配数据对应的药品名称匹配向量，药品名称匹配模型基于药品名称历史匹配数据训练得到；

查询预设的药品基准名称向量表，药品基准名称向量表包括药品基准名称与药品基准名称向量之间的对应关系；

将药品名称匹配向量与药品基准名称向量表中的药品基准名称向量进行相似度分析，并根据相似度分析结果确定数据匹配结果。

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：

当触发数据匹配操作时，展示预设的数据获取界面；

在触发针对数据获取界面的操作后，获取通过操作所产生的待匹配数据信息；

根据待匹配数据信息获取应用端的医疗记录，并从医疗记录中提取待匹配的药品匹配数据；

通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理，得到药品匹配数据对应的药品名称匹配向量，药品名称匹配模型基于药品名称历史匹配数据训练得到；

查询预设的药品基准名称向量表，药品基准名称向量表包括药品基准名称与药品基准名称向量之间的对应关系；

将药品名称匹配向量与药品基准名称向量表中的药品基准名称向量进行相似度分析，并根据相似度分析结果确定数据匹配结果。

上述数据匹配方法、装置、计算机设备和存储介质，通过数据获取界面快速获取待匹配数据信息，并根据该待匹配数据信息获取对应的应用端的医疗记录，通过预先基于药品名称历史匹配数据训练得到的药品名称匹配模型，对从医疗记录中提取的待匹配的药品匹配数据进行名称向量化处理，得到对应的药品名称匹配向量，再将药品名称匹配向量，与预设的药品基准名称向量表中的药品基准名称向量进行相似度分析，并根据相似度分析结果确定数据匹配结果。在数据匹配处理过程中，通过数据获取界面快速确定待匹配的数据，再基于预先训练的药品名称匹配模型对待匹配的药品匹配数据进行名称向量化处理，再根据名称向量化处理得到的药品名称匹配向量，与药品基准名称向量表中的药品基准名称向量的相似度分析结果，确定药品匹配数据的药品名称匹配结果，不需要按照自然语言进行数据段拆分，避免了对拆分数据段进行反复核对，简化了数据的匹配处理过程，提高了数据匹配的处理效率。

附图说明

图1为一个实施例中数据匹配方法的应用场景图；

图2为一个实施例中数据匹配方法的流程示意图；

图3为一个实施例中名称向量化处理的流程示意图；

图4为一个实施例中数据匹配装置的结构框图；

图5为一个实施例中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。

本申请提供的数据匹配方法，可以应用于如图1所示的应用环境中。其中，终端102可以作为医院的应用端，终端102在触发数据匹配操作时，展示预设的数据获取界面并基于该数据获取界面快速获得待匹配数据信息，根据该待匹配数据信息获取医疗记录，通过预先基于药品名称历史匹配数据训练得到的药品名称匹配模型，对从医疗记录中提取的待匹配的药品匹配数据进行名称向量化处理，得到对应的药品名称匹配向量，再将药品名称匹配向量，与预设的药品基准名称向量表中的药品基准名称向量进行相似度分析，并根据相似度分析结果确定数据匹配结果，终端102还可以将数据匹配结果展示在界面上。其中，终端102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。

在一个实施例中，如图2所示，提供了一种数据匹配方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：

步骤S202：当触发数据匹配操作时，展示预设的数据获取界面。

终端上可以设有数据匹配操作对应的控件，如按钮控件，当终端用户触摸或点击该按钮控件时，触发数据匹配操作，表明需要进行数据匹配操作，则展示预设的数据获取界面。其中，数据获取界面可以包括信息输入框，通过该信息输入框接收相应信息，如数据本身，或数据的路径信息等。

步骤S204：在触发针对数据获取界面的操作后，获取通过操作所产生的待匹配数据信息。

在将数据获取界面展示后，监测该数据获取界面的状态，若检测到触发针对所述数据获取界面的操作，则表明终端用户已输入信息，则获取通过操作所产生的待匹配数据信息。其中，待匹配数据信息可以包括待匹配数据的路径信息，根据该待匹配数据信息可以获得对应的待匹配数据。例如，对于药品名称匹配时，待匹配数据为药品名称数据，则待匹配数据信息可以为药品名称数据对应所属医疗记录的路径信息，根据该待匹配数据信息可以获得对应的医疗记录，并该医疗记录中可以提取得到药品名称数据。

步骤S206：根据待匹配数据信息获取应用端的医疗记录，并从医疗记录中提取待匹配的药品匹配数据。

其中，应用端可以为各医院端使用的终端设备，应用端可以记录由医院端的医患在诊疗过程中的医疗数据；医疗记录即为应用端存储的各种医疗数据。一般地，医疗数据中包括有病患的诊疗信息，如挂号、诊断过程的数据，也包括诊疗过程中采用了的服务设施信息，例如CT(Computed Tomography，电子计算机断层扫描)平扫、冠脉搭桥术等，医疗数据还包括诊疗过程中的各种药品信息，如瑞舒伐他汀、瑞芬太尼、硝苯地平等药品名称数据。可以理解，病患不同的诊疗信息、服务设施信息均会与各种药品信息相关，即不同的诊疗过程会搭配不同的药物进行治疗，所以可以从医疗数据中提取诊疗信息、服务设施信息等，结合药品信息进行药品名称匹配，能够有效提高药品名称匹配的准确度。从医疗记录中，可以提取得到待匹配的药品匹配数据，即需要进行药品名称匹配处理的各种药品相关的数据，如可以诊疗信息、服务设施信息和药品信息中的至少一种，具体可以包括应用端药品S的名称、医疗过程中的服务设施数据等。

步骤S208：通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理，得到药品匹配数据对应的药品名称匹配向量，药品名称匹配模型基于药品名称历史匹配数据训练得到。

其中，药品名称匹配模型基于药品名称历史匹配数据训练得到，如可以包括CBOW模型和Skip-gram模型，用于对输入的数据进行名称向量化处理，输出与输入对应的药品分类结果。药品名称历史匹配数据作为药品名称匹配模型的训练数据，可以由系统中存储的历史药品匹配的数据得到。药品名称匹配模型输出为输入的药品匹配数据对应的药品分类结果，而药品名称匹配向量则可以从该药品名称匹配模型的隐藏层获取，药品名称匹配向量反映了药品匹配数据中与名称匹配相关的特征，该特征由药品名称匹配模型在训练时学习得到。

步骤S210：查询预设的药品基准名称向量表，药品基准名称向量表包括药品基准名称与药品基准名称向量之间的对应关系。

得到药品匹配数据对应的药品名称匹配向量后，查询预设的药品基准名称向量表，该药品基准名称向量表包括药品基准名称与药品基准名称向量之间的对应关系。其中，药品基准名称可以为各种药品的标准名称，作为各应用端的药品名称的匹配基准对象；药品基准名称向量反映了药品基准名称的特征，其可以通过将药品基准名称输入药品名称匹配模型后，从药品名称匹配模型中的隐藏层确定。确定各药品基准名称及其对应的药品基准名称向量后，将各药品基准名称及其对应的药品基准名称向量的对应关系，同步至药品基准名称向量表中，以作药品匹配时使用。

步骤S212：将药品名称匹配向量与药品基准名称向量表中的药品基准名称向量进行相似度分析，并根据相似度分析结果确定数据匹配结果。

将药品名称匹配向量与药品基准名称向量表中的药品基准名称向量进行匹配，具体进行相似度分析，如可以计算药品名称匹配向量和药品基准名称向量之间的余弦距离，得到药品名称匹配向量和药品基准名称向量的相似度分析结果。相似度分析结果结果反映了药品名称匹配向量和药品基准名称向量之间的相似程度，根据该相似度分析结果可以确定数据匹配结果，如相似度高时，则可以认为二者药品名称匹配向量和药品基准名称向量指向的为同一药品，则可以映射到相同的药品名称，具体可以将应用端的药品名称映射到药品基准名称，从而实现对应用端药品名称的准确匹配。

具体实现时，可以根据相似度分析结果判断药品匹配数据涉及的药品名称是否与药品基准名称向量对应的药品基准名称对应。具体地，得到相似度分析结果后，获取预设的匹配阈值，匹配阈值可以根据实际需求进行设置，比较相似度分析结果和匹配阈值，若相似度分析结果超过匹配阈值，表明药品匹配数据涉及的药品与药品基准名称指向的药品相似程度很高，可以认为为同一种药品，则将药品基准名称向量表中，药品基准名称向量对应的药品基准名称作为药品匹配数据的药品名称匹配结果，从而实现对应用端药品匹配数据的药品名称匹配处理。

在一个具体应用中，药品名称匹配应用于医保报销系统中，应用端为各医院终端，药品基准名称为医保官方定义的标准名称，以对各医院上报的医保报销数据中的药品名称进行匹配，从而进行医保报销审批，在药品匹配过程中，不需要进行反复核对，简化了药品名称的匹配处理过程，提高了药品名称匹配的处理效率，进而提高了医保报销的审批处理效率。

上述数据匹配方法中，通过数据获取界面快速获取待匹配数据信息，并根据该待匹配数据信息获取对应的应用端的医疗记录，通过预先基于药品名称历史匹配数据训练得到的药品名称匹配模型，对从医疗记录中提取的待匹配的药品匹配数据进行名称向量化处理，得到对应的药品名称匹配向量，再将药品名称匹配向量，与预设的药品基准名称向量表中的药品基准名称向量进行相似度分析，并根据相似度分析结果确定数据匹配结果。在数据匹配处理过程中，通过数据获取界面快速确定待匹配的数据，再基于预先训练的药品名称匹配模型对待匹配的药品匹配数据进行名称向量化处理，再根据名称向量化处理得到的药品名称匹配向量，与药品基准名称向量表中的药品基准名称向量的相似度分析结果，确定药品匹配数据的药品名称匹配结果，不需要按照自然语言进行数据段拆分，避免了对拆分数据段进行反复核对，简化了数据的匹配处理过程，提高了数据匹配的处理效率。

在一个实施例中，医疗记录包括药品信息、诊疗信息和服务设施信息；从医疗记录中提取待匹配的药品匹配数据包括：基于分词算法将医疗记录切分，得到各医疗记录数据段；从各医疗记录数据段中提取待匹配的药品匹配数据。

其中，药品信息可以为应用端的病患在诊疗过程中使用到的药品相关数据，诊疗信息为病患在诊疗过程中的诊疗数据，服务设施信息为病患在诊疗过程中采用了的服务设施信息。医疗记录可以从医院系统的医疗数据库中查询得到。提取待匹配的药品匹配数据时，基于分词算法将医疗记录切分，例如通过MaxMatch算法将医疗记录切分，得到分割后各医疗记录数据段，并从各医疗记录数据段中提取待匹配的药品匹配数据，如可以基于TextRank算法从各医疗记录数据段中，确定待匹配的药品匹配数据。

一般地，将医疗记录中的药品信息、诊疗信息和服务设施信息分别切分后，会得到数量较多的医疗记录数据段，各医疗记录数据段与该病患此次的诊疗过程对应，从各医疗记录数据段中，按照关键字提取算法，如TextRank算法，确定此次诊疗过程对应的医疗记录中，最密切相关的医疗记录数据段，作为待匹配的药品匹配数据，以此可以将医疗记录中最关键的数据进行药品匹配，在确保了药品名称匹配准确度的前提下，减少了匹配处理的数据量，从而提高了匹配的处理效率。

在一个实施例中，药品名称匹配模型包括关键词匹配模型和上下文匹配模型；在通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理之前，还包括：获取药品名称历史匹配数据，药品名称历史匹配数据包括药品关键词和药品关键词对应匹配的上下文数据；将上下文数据作为CBOW模型的训练输入数据，将药品关键词作为CBOW模型的训练输出数据，通过上下文数据和药品关键词训练CBOW模型，得到关键词匹配模型；将药品关键词作为Skip-gram模型的训练输入数据，将上下文数据作为Skip-gram模型的训练输出数据，通过药品关键词和上下文数据训练Skip-gram模型，得到上下文匹配模型。

其中，关键词匹配模型用于根据输入模型的数据，输出与输入对应的药品关键词；而上下文匹配模型则可以根据输入模型的数据，输出与输入对应的药品上下文匹配词。具体实现时，关键词匹配模型可以为CBOW模型，上下文匹配模型可以为Skip-gram模型。可以理解，CBOW模型和Skip-gram模型是互为镜像的网络模型，二者的输入输出相反。CBOW模型可以输入与预测关键词相关的上下文，输出预测的关键词；而Skip-gram模型则是输入关键词，输出与该关键词对应的上下文。本实施例中，药品名称匹配模型包括关键词匹配模型和上下文匹配模型，均基于药品名称历史匹配数据训练得到。

具体地，在训练药品名称匹配模型时，获取药品名称历史匹配数据，药品名称历史匹配数据包括药品关键词和药品关键词对应匹配的上下文数据。其中，药品名称历史匹配数据作为药品名称匹配模型的训练数据，可以由历史药品匹配的数据得到。药品关键词和药品关键词对应匹配的上下文数据，可以通过对药品名称历史匹配数据进行大数据分析确定，例如可以统计药品名称历史匹配数据中的各数据段，按照统计结果将数目较多的数据段，如可以为数目排名前N条的数据段，或者为数目超过一定阈值的数据段，作为药品关键词，并根据该药品关键词确定对应匹配的上下文数据。具体地，药品关键词确定对应匹配的上下文数据可以根据药品关键词与其它数据段进行相似度匹配，根据匹配结果，将相似程度较高的数据段作为该药品关键词确定对应匹配的上下文数据。

在进行模型训练时，将药品关键词和药品关键词对应匹配的上下文数据作为训练数据，关键词匹配模型和上下文匹配模型的输出层均可以为Softmax分类器，以对输入的数据进行分类预测。具体地，将上下文数据作为CBOW模型的训练输入数据，将药品关键词作为CBOW模型的训练输出数据，通过上下文数据和药品关键词训练CBOW模型，得到关键词匹配模型。应用时，关键词匹配模型可以根据输入的上下文数据，输出与该上下文数据对应的关键词。将药品关键词作为Skip-gram模型的训练输入数据，将上下文数据作为Skip-gram模型的训练输出数据，通过药品关键词和上下文数据训练Skip-gram模型，得到上下文匹配模型。应用时，上下文匹配模型可以根据输入的关键词，输出与该关键词对应的上下文数据。

在一个实施例中，如图3所示，名称向量化处理的步骤，即通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理，得到药品匹配数据对应的药品名称匹配向量包括：

步骤S302：将药品匹配数据输入上下文匹配模型中，并根据上下文匹配模型的隐藏层，得到上下文匹配向量。

本实施例中，药品名称匹配模型包括关键词匹配模型和上下文匹配模型，通过将药品匹配数据分别输入关键词匹配模型和上下文匹配模型，并分别从关键词匹配模型和上下文匹配模型的隐藏层中确定特征向量，对二者确定的特征向量求均值，以作为药品匹配数据的药品名称匹配向量。

具体地，名称向量化处理时，将药品匹配数据输入上下文匹配模型中，由模型输出与输入数据相关的上下文数据，并根据上下文匹配模型的隐藏层，得到药品匹配数据对应的上下文匹配向量，上下文匹配向量反映了上下文匹配模型对输入数据的特征提取结果。具体应用时，可以直接将隐藏层的权重作为上下文匹配向量。

步骤S304：根据药品匹配数据构建关键词匹配输入数据。

另一方面，将药品匹配数据输入关键词匹配模型中进行处理，而考虑到关键词匹配模型的输入为待预测关键词的上下文数据，则可以先根据药品匹配数据构建用于输入关键词匹配模型中的关键词匹配输入数据。可以理解，医疗记录中的药品匹配数据不同于自然语言中的存在先后联系的词汇，药品匹配数据之间并没有很强的前后联系，即关键词匹配输入数据可以以包括的药品匹配数据的数量和类型进行构建，而不需考虑各药品匹配数据之间的排序关系。

具体地，根据药品匹配数据构建关键词匹配输入数据时，可以将一定数量的药品匹配数据进行组合，构建不同的关键词匹配输入数据。在一个具体的应用中，关键词匹配输入数据中药品匹配数据的数目为2，即将各药品匹配数据进行两两组合，得到关键词匹配输入数据。

步骤S306：将关键词匹配输入数据输入关键词匹配模型中，并根据关键词匹配模型的隐藏层，得到关键词匹配向量。

得到关键词匹配输入数据后，将其输入数据输入关键词匹配模型中进行处理，关键词匹配模型可以根据输入的关键词匹配输入数据，输出与该关键词匹配输入数据对应的关键词。根据关键词匹配模型的隐藏层，可以得到关键词匹配向量，关键词匹配向量反映了关键词匹配模型对关键词匹配输入数据的特征提取结果。具体实现时，可以直接将关键词匹配模型隐藏层的权重作为关键词匹配向量。

步骤S308：根据上下文匹配向量和关键词匹配向量的均值，得到药品匹配数据对应的药品名称匹配向量。

分别得到上下文匹配向量和关键词匹配向量后，将二者的均值作为药品匹配数据对应的药品名称匹配向量。通过对关键词匹配模型和上下文匹配模型的隐藏层中确定的特征向量求取均值，作为药品匹配数据对应的药品名称匹配向量，充分考虑了关键词匹配模型和上下文匹配模型的特征提取结果，有利于确保特征提取的准确度，即确保了药品名称匹配向量可以准确地反映药品匹配数据中与名称匹配相关的特征，有利于确保后续药品匹配处理的准确度。

在一个实施例中，根据药品匹配数据构建关键词匹配输入数据包括：将药品匹配数据进行两两组合，构建得到关键词匹配输入数据。

本实施例中，关键词匹配输入数据的大小为2，即关键词匹配输入数据由2份药品匹配数据组合得到。具体地，构建关键词匹配输入数据时，将药品匹配数据进行两两组合，构建得到关键词匹配输入数据。

在一个实施例中，根据上下文匹配模型的隐藏层，得到上下文匹配向量包括：将上下文匹配模型的隐藏层权重，作为上下文匹配向量。根据关键词匹配模型的隐藏层，得到关键词匹配向量包括：将关键词匹配模型的隐藏层权重，作为关键词匹配向量。

本实施例中，将药品名称匹配模型中隐藏层权重，作为药品匹配数据对应的药品名称匹配向量。隐藏层权重可以根据隐藏层确定，药品名称匹配模型的隐藏层可以为100个神经元，则对应的药品名称匹配向量可以由100个神经元分别对应的权重构成。具体地，将上下文匹配模型的隐藏层权重，作为上下文匹配向量；将关键词匹配模型的隐藏层权重，作为关键词匹配向量。

在一个实施例中，将药品名称匹配向量与药品基准名称向量表中的药品基准名称向量进行相似度分析包括：计算药品名称匹配向量，与药品基准名称向量表中的药品基准名称向量之间的余弦距离，并将余弦距离作为相似度分析结果。

本实施例中，通过药品名称匹配向量与药品基准名称向量之间的余弦距离，表征药品名称匹配向量与药品基准名称向量之间的相似度，将余弦距离作为相似度分析结果。其中，余弦距离用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比距离度量，余弦余弦距离更加注重两个向量在方向上的差异，而非距离或长度上。通过余弦距离可以有效反映药品名称匹配向量与药品基准名称向量之间的相似程度。具体地，在进行相似度分析时，计算药品名称匹配向量，与药品基准名称向量表中的药品基准名称向量之间的余弦距离，并将余弦距离作为相似度分析结果。

在一个具体应用中，预设的匹配阈值为余弦距离阈值，得到相似度分析结果，即得到药品名称匹配向量与药品基准名称向量之间的余弦距离之后，将该余弦距离与余弦距离阈值进行比较，当余弦距离超过余弦距离阈值时，表明药品匹配数据涉及的药品与药品基准名称指向的药品相似程度很高，可以认为为同一种药品，将药品基准名称向量表中，药品基准名称向量对应的药品基准名称作为药品匹配数据的药品名称匹配结果，从而实现对应用端药品匹配数据的药品名称匹配处理。

应该理解的是，虽然图2-3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2-3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，提供了一种数据匹配装置，包括：界面展示模块402、数据信息获取模块404、药品数据提取模块406、名称向量化处理模块408、名称向量表查询模块410和相似度分析模块412，其中：

界面展示模块402，用于当触发数据匹配操作时，展示预设的数据获取界面；

数据信息获取模块404，用于在触发针对数据获取界面的操作后，获取通过操作所产生的待匹配数据信息；

药品数据提取模块406，用于根据待匹配数据信息获取应用端的医疗记录，并从医疗记录中提取待匹配的药品匹配数据；

名称向量化处理模块408，用于通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理，得到药品匹配数据对应的药品名称匹配向量，药品名称匹配模型基于药品名称历史匹配数据训练得到；

名称向量表查询模块410，用于查询预设的药品基准名称向量表，药品基准名称向量表包括药品基准名称与药品基准名称向量之间的对应关系；

相似度分析模块412，用于将药品名称匹配向量与药品基准名称向量表中的药品基准名称向量进行相似度分析，并根据相似度分析结果确定数据匹配结果。

在一个实施例中，医疗记录包括药品信息、诊疗信息和服务设施信息；药品数据提取模块406包括分词处理单元和匹配数据确定单元；其中：分词处理单元，用于基于分词算法将医疗记录切分，得到各医疗记录数据段；匹配数据确定单元，用于从各医疗记录数据段中提取待匹配的药品匹配数据。

在一个实施例中，药品名称匹配模型包括关键词匹配模型和上下文匹配模型；还包括历史数据获取模块、关键词匹配训练模块和上下文匹配训练模块；其中：历史数据获取模块，用于获取药品名称历史匹配数据，药品名称历史匹配数据包括药品关键词和药品关键词对应匹配的上下文数据；关键词匹配训练模块，用于将上下文数据作为CBOW模型的训练输入数据，将药品关键词作为CBOW模型的训练输出数据，通过上下文数据和药品关键词训练CBOW模型，得到关键词匹配模型；上下文匹配训练模块，用于将药品关键词作为Skip-gram模型的训练输入数据，将上下文数据作为Skip-gram模型的训练输出数据，通过药品关键词和上下文数据训练Skip-gram模型，得到上下文匹配模型。

在一个实施例中，名称向量化处理模块408包括上下文匹配向量单元、关键词匹配输入单元、关键词匹配向量单元和名称匹配向量单元；其中：上下文匹配向量单元，用于将药品匹配数据输入上下文匹配模型中，并根据上下文匹配模型的隐藏层，得到上下文匹配向量；关键词匹配输入单元，用于根据药品匹配数据构建关键词匹配输入数据；关键词匹配向量单元，用于将关键词匹配输入数据输入关键词匹配模型中，并根据关键词匹配模型的隐藏层，得到关键词匹配向量；名称匹配向量单元，用于根据上下文匹配向量和关键词匹配向量的均值，得到药品匹配数据对应的药品名称匹配向量。

在一个实施例中，关键词匹配输入单元包括两两组合子单元，用于将药品匹配数据进行两两组合，构建得到关键词匹配输入数据。

在一个实施例中，上下文匹配向量单元包括上下文匹配权重子单元，用于将上下文匹配模型的隐藏层权重，作为上下文匹配向量；关键词匹配向量单元包括关键词匹配权重子单元，用于将关键词匹配模型的隐藏层权重，作为关键词匹配向量。

在一个实施例中，相似度分析模块412包括余弦距离计算单元，用于计算药品名称匹配向量，与药品基准名称向量表中的药品基准名称向量之间的余弦距离，并将余弦距离作为相似度分析结果。

关于数据匹配装置装置的具体限定可以参见上文中对于数据匹配装置方法的限定，在此不再赘述。上述数据匹配装置装置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。

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终端，其内部结构图可以如图5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、显示屏和输入装置。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和计算机程序。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数据匹配方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图5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，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

当触发数据匹配操作时，展示预设的数据获取界面；

在触发针对数据获取界面的操作后，获取通过操作所产生的待匹配数据信息；

根据待匹配数据信息获取应用端的医疗记录，并从医疗记录中提取待匹配的药品匹配数据；

通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理，得到药品匹配数据对应的药品名称匹配向量，药品名称匹配模型基于药品名称历史匹配数据训练得到；

查询预设的药品基准名称向量表，药品基准名称向量表包括药品基准名称与药品基准名称向量之间的对应关系；

将药品名称匹配向量与药品基准名称向量表中的药品基准名称向量进行相似度分析，并根据相似度分析结果确定数据匹配结果。

在一个实施例中，药品名称匹配模型包括关键词匹配模型和上下文匹配模型；处理器执行计算机程序时还实现以下步骤：获取药品名称历史匹配数据，药品名称历史匹配数据包括药品关键词和药品关键词对应匹配的上下文数据；将上下文数据作为CBOW模型的训练输入数据，将药品关键词作为CBOW模型的训练输出数据，通过上下文数据和药品关键词训练CBOW模型，得到关键词匹配模型；将药品关键词作为Skip-gram模型的训练输入数据，将上下文数据作为Skip-gram模型的训练输出数据，通过药品关键词和上下文数据训练Skip-gram模型，得到上下文匹配模型。

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：将药品匹配数据输入上下文匹配模型中，并根据上下文匹配模型的隐藏层，得到上下文匹配向量；根据药品匹配数据构建关键词匹配输入数据；将关键词匹配输入数据输入关键词匹配模型中，并根据关键词匹配模型的隐藏层，得到关键词匹配向量；根据上下文匹配向量和关键词匹配向量的均值，得到药品匹配数据对应的药品名称匹配向量。

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：将药品匹配数据进行两两组合，构建得到关键词匹配输入数据。

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：将上下文匹配模型的隐藏层权重，作为上下文匹配向量；将关键词匹配模型的隐藏层权重，作为关键词匹配向量。

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：计算药品名称匹配向量，与药品基准名称向量表中的药品基准名称向量之间的余弦距离，并将余弦距离作为相似度分析结果。

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：

当触发数据匹配操作时，展示预设的数据获取界面；

在触发针对数据获取界面的操作后，获取通过操作所产生的待匹配数据信息；

根据待匹配数据信息获取应用端的医疗记录，并从医疗记录中提取待匹配的药品匹配数据；

通过预先训练的药品名称匹配模型对药品匹配数据进行名称向量化处理，得到药品匹配数据对应的药品名称匹配向量，药品名称匹配模型基于药品名称历史匹配数据训练得到；

查询预设的药品基准名称向量表，药品基准名称向量表包括药品基准名称与药品基准名称向量之间的对应关系；

将药品名称匹配向量与药品基准名称向量表中的药品基准名称向量进行相似度分析，并根据相似度分析结果确定数据匹配结果。

在一个实施例中，药品名称匹配模型包括关键词匹配模型和上下文匹配模型；计算机程序被处理器执行时还实现以下步骤：获取药品名称历史匹配数据，药品名称历史匹配数据包括药品关键词和药品关键词对应匹配的上下文数据；将上下文数据作为CBOW模型的训练输入数据，将药品关键词作为CBOW模型的训练输出数据，通过上下文数据和药品关键词训练CBOW模型，得到关键词匹配模型；将药品关键词作为Skip-gram模型的训练输入数据，将上下文数据作为Skip-gram模型的训练输出数据，通过药品关键词和上下文数据训练Skip-gram模型，得到上下文匹配模型。

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：将药品匹配数据输入上下文匹配模型中，并根据上下文匹配模型的隐藏层，得到上下文匹配向量；根据药品匹配数据构建关键词匹配输入数据；将关键词匹配输入数据输入关键词匹配模型中，并根据关键词匹配模型的隐藏层，得到关键词匹配向量；根据上下文匹配向量和关键词匹配向量的均值，得到药品匹配数据对应的药品名称匹配向量。

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：将药品匹配数据进行两两组合，构建得到关键词匹配输入数据。

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：将上下文匹配模型的隐藏层权重，作为上下文匹配向量；将关键词匹配模型的隐藏层权重，作为关键词匹配向量。

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：计算药品名称匹配向量，与药品基准名称向量表中的药品基准名称向量之间的余弦距离，并将余弦距离作为相似度分析结果。

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)

1.一种数据匹配方法，所述方法包括：

当触发数据匹配操作时，展示预设的数据获取界面；

在触发针对所述数据获取界面的操作后，获取通过所述操作所产生的待匹配数据信息；

根据所述待匹配数据信息获取应用端的医疗记录，并从所述医疗记录中提取待匹配的药品匹配数据；

通过预先训练的药品名称匹配模型对所述药品匹配数据进行名称向量化处理，得到所述药品匹配数据对应的药品名称匹配向量，所述药品名称匹配模型基于药品名称历史匹配数据训练得到，所述药品名称匹配模型包括关键词匹配模型和上下文匹配模型，所述关键词匹配模型为CBOW模型，所述上下文匹配模型为Skip-gram模型；

查询预设的药品基准名称向量表，所述药品基准名称向量表包括药品基准名称与药品基准名称向量之间的对应关系；

将所述药品名称匹配向量与所述药品基准名称向量表中的药品基准名称向量进行相似度分析，得到相似度分析结果，并获取预设的匹配阈值，比较所述相似度分析结果与所述匹配阈值，若所述相似度分析结果超过所述匹配阈值，则将所述药品基准名称向量表中与所述药品基准名称向量对应的药品基准名称作为数据匹配结果；

其中，所述通过预先训练的药品名称匹配模型对所述药品匹配数据进行名称向量化处理，得到所述药品匹配数据对应的药品名称匹配向量包括：

将所述药品匹配数据输入所述上下文匹配模型中，并根据所述上下文匹配模型的隐藏层，得到上下文匹配向量；

根据所述药品匹配数据构建关键词匹配输入数据；

将所述关键词匹配输入数据输入所述关键词匹配模型中，并根据所述关键词匹配模型的隐藏层，得到关键词匹配向量；

根据所述上下文匹配向量和所述关键词匹配向量的均值，得到所述药品匹配数据对应的药品名称匹配向量。

2.根据权利要求1所述的方法，其特征在于，在所述通过预先训练的药品名称匹配模型对所述药品匹配数据进行名称向量化处理之前，还包括：

获取药品名称历史匹配数据，所述药品名称历史匹配数据包括药品关键词和所述药品关键词对应匹配的上下文数据；

将所述上下文数据作为CBOW模型的训练输入数据，将所述药品关键词作为所述CBOW模型的训练输出数据，通过所述上下文数据和所述药品关键词训练所述CBOW模型，得到所述关键词匹配模型；

将所述药品关键词作为Skip-gram模型的训练输入数据，将所述上下文数据作为所述Skip-gram模型的训练输出数据，通过所述药品关键词和所述上下文数据训练所述Skip-gram模型，得到所述上下文匹配模型。

3.根据权利要求1所述的方法，其特征在于，所述根据所述药品匹配数据构建关键词匹配输入数据包括：

将所述药品匹配数据进行两两组合，构建得到关键词匹配输入数据。

4.根据权利要求1所述的方法，其特征在于，

所述根据所述上下文匹配模型的隐藏层，得到上下文匹配向量包括：将所述上下文匹配模型的隐藏层权重，作为上下文匹配向量；

所述根据所述关键词匹配模型的隐藏层，得到关键词匹配向量包括：将所述关键词匹配模型的隐藏层权重，作为关键词匹配向量。

5.根据权利要求1至4任意一项所述的方法，其特征在于，所述将所述药品名称匹配向量与所述药品基准名称向量表中的药品基准名称向量进行相似度分析包括：

计算所述药品名称匹配向量，与所述药品基准名称向量表中的药品基准名称向量之间的余弦距离，并将所述余弦距离作为相似度分析结果。

6.一种数据匹配装置，其特征在于，所述装置包括：

界面展示模块，用于当触发数据匹配操作时，展示预设的数据获取界面；

数据信息获取模块，用于在触发针对所述数据获取界面的操作后，获取通过所述操作所产生的待匹配数据信息；

药品数据提取模块，用于根据所述待匹配数据信息获取应用端的医疗记录，并从所述医疗记录中提取待匹配的药品匹配数据；

名称向量化处理模块，用于通过预先训练的药品名称匹配模型对所述药品匹配数据进行名称向量化处理，得到所述药品匹配数据对应的药品名称匹配向量，所述药品名称匹配模型基于药品名称历史匹配数据训练得到，所述药品名称匹配模型包括关键词匹配模型和上下文匹配模型，所述关键词匹配模型为CBOW模型，所述上下文匹配模型为Skip-gram模型；

名称向量表查询模块，用于查询预设的药品基准名称向量表，所述药品基准名称向量表包括药品基准名称与药品基准名称向量之间的对应关系；

相似度分析模块，用于将所述药品名称匹配向量与所述药品基准名称向量表中的药品基准名称向量进行相似度分析，得到相似度分析结果，并获取预设的匹配阈值，比较所述相似度分析结果与所述匹配阈值，若所述相似度分析结果超过所述匹配阈值，则将所述药品基准名称向量表中与所述药品基准名称向量对应的药品基准名称作为数据匹配结果；

所述名称向量化处理模块包括：

上下文匹配向量单元，用于将所述药品匹配数据输入所述上下文匹配模型中，并根据所述上下文匹配模型的隐藏层，得到上下文匹配向量；

关键词匹配输入单元，用于根据所述药品匹配数据构建关键词匹配输入数据；

关键词匹配向量单元，用于将所述关键词匹配输入数据输入所述关键词匹配模型中，并根据所述关键词匹配模型的隐藏层，得到关键词匹配向量；

名称匹配向量单元，用于根据所述上下文匹配向量和所述关键词匹配向量的均值，得到所述药品匹配数据对应的药品名称匹配向量。

7.根据权利要求6所述的装置，其特征在于，所述药品名称匹配模型包括关键词匹配模型和上下文匹配模型；还包括：

历史数据获取模块，用于获取药品名称历史匹配数据，所述药品名称历史匹配数据包括药品关键词和所述药品关键词对应匹配的上下文数据；

关键词匹配训练模块，用于将所述上下文数据作为CBOW模型的训练输入数据，将所述药品关键词作为所述CBOW模型的训练输出数据，通过所述上下文数据和所述药品关键词训练所述CBOW模型，得到所述关键词匹配模型；

上下文匹配训练模块，用于将所述药品关键词作为Skip-gram模型的训练输入数据，将所述上下文数据作为所述Skip-gram模型的训练输出数据，通过所述药品关键词和所述上下文数据训练所述Skip-gram模型，得到所述上下文匹配模型。

8.根据权利要求6所述的装置，其特征在于，所述关键词匹配输入单元包括：

两两组合子单元，用于将所述药品匹配数据进行两两组合，构建得到关键词匹配输入数据。

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5中任一项所述方法的步骤。

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5中任一项所述的方法的步骤。

Images