CN111403011B - 挂号科室推送方法、装置、系统、电子设备及存储介质 - Google Patents
挂号科室推送方法、装置、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111403011B CN111403011B CN202010171838.2A CN202010171838A CN111403011B CN 111403011 B CN111403011 B CN 111403011B CN 202010171838 A CN202010171838 A CN 202010171838A CN 111403011 B CN111403011 B CN 111403011B
- Authority
- CN
- China
- Prior art keywords
- department
- symptom
- symptoms
- dictionary
- input
- 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
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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
Abstract
本发明各实施例公开了一种挂号科室推送方法、装置、系统、电子设备及存储介质,其中,所述挂号科室推送方法包括:接收推送请求,所述推送请求用于指示请求推送挂号科室的输入症状;根据所述推送请求指示的输入症状在医疗词典中进行匹配搜索,得到与所述输入症状相匹配的候选症状,所述医疗词典是根据包含症状应挂科室的用户原创内容UGC构建的;根据所述医疗词典中对应于所述候选症状的挂号科室,生成待推送集合;将所述待推送集合中的挂号科室,推送至客户端。采用本发明所提供的挂号科室推送方法、装置及存储介质解决了现有技术中查找症状应挂科室依赖于人工筛选的问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种挂号科室推送方法、装置、系统、电子设备及存储介质。
背景技术
随着互联网技术的发展,出现了互联网在线挂号平台。对于患者来说,即使有了互联网在线挂号平台,由于往往不知道自身疾病的相关症状应该去哪个科室挂号,进而凭感觉挂号,因此,到医院之后,才发现症不对科而无法就医的问题屡有发生。
目前,关于此问题,患者通常会先在搜索网站上搜索“头疼挂什么科”之类的问题,然后对搜索得到的网页结果进行人工筛选,最终得到症状应挂科室,进而基于该应挂科室在互联网在线挂号平台进行挂号。
由上可知,关于查找症状应挂科室,还依赖于人工筛选,尚存在效率低下的缺陷。
发明内容
本发明各实施例提供一种挂号科室推送方法、装置、系统、电子设备及存储介质,以此解决相关技术中存在的查找症状应挂科室依赖于人工筛选的问题。
其中,本发明所采用的技术方案为:
根据本发明实施例的一个方面,一种挂号科室推送方法,所述方法包括:接收推送请求,所述推送请求用于指示请求推送挂号科室的输入症状;根据所述推送请求指示的输入症状在医疗词典中进行匹配搜索,得到与所述输入症状相匹配的候选症状,所述医疗词典是根据包含症状应挂科室的用户原创内容UGC构建的;根据所述医疗词典中对应于所述候选症状的挂号科室,生成待推送集合;将所述待推送集合中的挂号科室,推送至客户端。
根据本发明实施例的一个方面,一种挂号科室推送装置,所述装置包括:请求接收模块,用于接收推送请求,所述推送请求用于指示请求推送挂号科室的输入症状;症状搜索模块,用于根据所述推送请求指示的输入症状在医疗词典中进行匹配搜索,得到与所述输入症状相匹配的候选症状,所述医疗词典是根据包含症状应挂科室的用户原创内容UGC构建的;集合生成模块,用于根据所述医疗词典中对应于所述候选症状的挂号科室,生成待推送集合;科室推送模块,用于将所述待推送集合中的挂号科室,推送至客户端。
根据本发明实施例的一个方面,一种挂号科室推送系统,所述系统包括:客户端和服务器端,其中,所述客户端,用于获取输入症状,向所述服务器端发起请求为所述输入症状推送挂号科室的推送请求;所述服务器端,用于响应于所述推送请求,按照如上所述的挂号科室推送方法,向所述客户端推送待推送集合中的挂号科室;所述客户端,还用于接收并展示所述待推送集合中的挂号科室。
根据本发明实施例的一个方面,一种电子设备,包括处理器及存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如上所述的挂号科室推送方法。
根据本发明实施例的一个方面,一种存储介质,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上所述的挂号科室推送方法。
在上述技术方案中,基于若干种症状应挂科室的用户原创内容UGC构建的医疗词典,在接收到用于指示请求推送挂号科室的输入症状的推送请求之后,首先在该医疗词典中对输入症状进行匹配搜索,得到与输入症状相匹配的候选症状,然后根据医疗词典中对应于候选症状的挂号科室,生成待推送集合,并将待推送集合中的挂号科室推送至客户端,由此,对于用户而言,关于症状应该去哪个科室挂号的问题,只要借助客户端输入相关症状,挂号科室便能够直接在客户端中展示,实现了症状应挂科室的全自动化,有效地解决了现有技术中查找症状应挂科室依赖于人工筛选的问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并于说明书一起用于解释本发明的原理。
图1是根据本发明所涉及的实施环境的示意图。
图2是根据一示例性实施例示出的一种电子设备的硬件结构图。
图3是根据一示例性实施例示出的一种挂号科室推送方法的流程图。
图4是图3对应实施例所涉及的医疗词典的树形结构示意图。
图5是根据一示例性实施例示出的另一种挂号科室推送方法的流程图。
图6是图5对应实施例中步骤410在一个实施例的流程图。
图7是图6对应实施例所涉及的医疗知识图谱的树形结构示意图。
图8是图6对应实施例所涉及的网页结果的示意图。
图9是图6对应实施例所涉及的用户原创内容UGC的示意图。
图10是图3对应实施例中步骤330在一个实施例的流程图。
图11是图10对应实施例中步骤333在一个实施例的流程图。
图12是图11对应实施例中步骤3331在一个实施例的流程图。
图13是图12对应实施例所涉及的词向量生成模型的网络结构示意图。
图14是根据一示例性实施例示出的一种挂号科室推送装置的框图。
图15是根据一示例性实施例示出的一种电子设备的框图。
通过上述附图,已示出本发明明确的实施例,后文中将有更详细的描述,这些附图和文字描述并不是为了通过任何方式限制本发明构思的范围,而是通过参考特定实施例为本领域技术人员说明本发明的概念。
具体实施方式
这里将详细地对示例性实施例执行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1为一种挂号科室推送方法所涉及的实施环境的示意图。该实施环境包括客户端110和服务器端130。
其中,客户端110部署于用户所在电子设备,该电子设备可以是台式电脑、笔记本电脑、平板电脑、智能手机、智能音箱、智能手表或者其他可提供网络通信功能的电子设备,在此不进行具体限定。
服务器端130可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器,或者多个云服务器构成的云计算中心,在此也不构成具体限定。
客户端110与服务器端130之间通过有线或者无线等通信方式进行直接或者间接地连接,并通过该连接实现客户端110与服务器端130之间的数据传输。例如,传输的数据包括但不限于:推送请求、待推送集合等等。
通过客户端110与服务器端130的交互,用户便能够借助客户端110输入相关症状,向服务器端130发起请求为该症状推送挂号科室的推送请求。
对于服务器端130而言,在接收到推送请求之后,便响应于该推送请求,为用户提供高效的挂号科室推送服务,即向客户端推送待推送集合中的挂号科室。
当客户端110接收并展示待推送集合中的挂号科室,用户便能够直接查看到症状的应挂科室,从而大大提升了用户关于查找症状应挂科室的查找体验。
图2是根据一示例性实施例示出的一种电子设备的硬件结构框图。该种电子设备适用于图1所示出实施环境的服务器端130。
需要说明的是,该种电子设备只是一个适配于本发明的示例,不能认为是提供了对本发明的使用范围的任何限制。该种电子设备也不能解释为需要依赖于或者必须具有图2中示出的示例性的电子设备200中的一个或者多个组件。
电子设备200的硬件结构可因配置或者性能的不同而产生较大的差异,如图2所示,电子设备200包括:电源210、接口230、至少一存储器250、以及至少一中央处理器(CPU,Central Processing Units)270。
具体地,电源210用于为电子设备200上的各硬件设备提供工作电压。
接口230包括至少一有线或无线网络接口,用于与外部设备交互。例如,进行图1所示出实施环境中客户端110与服务器端130之间的交互。
当然,在其余本发明适配的示例中,接口230还可以进一步包括至少一串并转换接口233、至少一输入输出接口235以及至少一USB接口237等,如图2所示,在此并非对此构成具体限定。
存储器250作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作系统251、应用程序253及数据255等,存储方式可以是短暂存储或者永久存储。
其中,操作系统251用于管理与控制电子设备200上的各硬件设备以及应用程序253,以实现中央处理器270对存储器250中海量数据255的运算与处理,其可以是WindowsServerTM、Mac OS XTM、UnixTM、LinuxTM、FreeBSDTM等。
应用程序253是基于操作系统251之上完成至少一项特定工作的计算机程序,其可以包括至少一模块(图2中未示出),每个模块都可以分别包含有对电子设备200的一系列计算机可读指令。例如,挂号科室推送装置可视为部署于电子设备200的应用程序253。
数据255可以是存储于磁盘中的照片、图片等,还可以是医疗词典等等,存储于存储器250中。
中央处理器270可以包括一个或多个以上的处理器,并设置为通过至少一通信总线与存储器250通信,以读取存储器250中存储的计算机可读指令,进而实现对存储器250中海量数据255的运算与处理。例如,通过中央处理器270读取存储器250中存储的一系列计算机可读指令的形式来完成挂号科室推送方法。
此外,通过硬件电路或者硬件电路结合软件也能同样实现本发明,因此,实现本发明并不限于任何特定硬件电路、软件以及两者的组合。
请参阅图3,在一示例性实施例中,一种挂号科室推送方法适用于电子设备,例如,该电子设备为图1所示出实施环境中的服务器端130,该电子设备的结构可以如图2所示。
该种数据采集方法可以由电子设备(例如服务器端)执行,也可以理解为由电子设备中运行的应用程序(例如挂号科室推送装置)执行。在下述方法实施例中,为了便于描述,以各步骤的执行主体为服务器端加以说明,但是并不对此构成限定。
该种挂号科室推送方法可以包括以下步骤:
步骤310,接收推送请求。
其中,所述推送请求用于指示请求推送挂号科室的输入症状。该输入症状实质是用户借助客户端输入的症状,例如“头疼”、“眼眶痛”等等。
对于客户端而言,客户端将为用户提供一个操作入口(也可以认为是控件),以方便于用户输入相关症状。例如,该操作入口为显示在客户端所部署电子设备屏幕上的一个输入对话框,用户可以根据实际需要推送挂号科室的症状在该输入对话框中进行相关症状的输入,使得客户端侦听得到该输入操作,进而获得输入症状,以此生成推送请求并发送至服务器端。
在此说明的是,根据客户端所部署电子设备配置的输入组件不同,该输入操作的具体行为可以有所差别。例如,电子设备为智能手机,则该输入操作是借由智能手机触摸层输入的触摸、点击、长按、滑动等手势操作;或者,电子设备为台式电脑,则该输入操作可以是借由台式电脑所配置鼠标而输入的拖拽、单击、双击等机械操作,本实施例并非对此构成具体限定。
那么,对于服务器端而言,在接收到推送请求之后,便可从该推送请求中提取得到请求推送挂号科室的输入症状,进而基于该输入症状为用户提供挂号科室推送服务。
步骤330,根据所述推送请求指示的输入症状在医疗词典中进行匹配搜索,得到与所述输入症状相匹配的候选症状。
本实施例中,所述医疗词典是根据包含症状应挂科室的用户原创内容UGC构建的。该包含症状应挂科室的用户原创内容UGC指的是用户针对症状应该去哪个科室挂号的问题而在网络上生成的答案。其中,用户原创内容UGC的网络来源包括但不限于社交网站、分享网站、搜索网站等等。例如,网络来源为社交网站时,该用户原创内容UGC是用户好友之间发送的关于症状应挂科室的消息;或者,网络来源为分享网站时,该用户原创内容UGC是指用户发表的关于症状应挂科室的文章、视频、语音等等;又或者,网络来源是搜索网站时,该用户原创内容UGC则是指用户搜索到的症状应挂科室相关的网页结果。
基于此,医疗词典至少包括从包含症状应挂科室的用户原创内容UGC中提取得到的词典症状、词典症状对应的挂号科室。进一步地,医疗词典还包括词典症状对应于不同挂号科室的置信度,可以理解,置信度越高,表示词典症状对应的挂号科室被推送的优先级越高。值得一提的是,医疗词典可以通过结构树的形式表示,也可以表示为固定格式的数组,本实施例对此并未加以限定。
举例来说,医疗词典表示为固定格式的数组,即医疗词典={词典症状,挂号科室,置信度}。譬如,{头疼,神经内科,0.9}、{头疼,神经外科,0.8}都被包含于医疗词典中。
或者,医疗词典以结构树的形式表示,该结构树包括若干个父节点以及连接于父节点的若干个子节点。其中,各节点上存储了至少一个字符,父节点上存储的字符用于表示词典症状,子节点上存储的字符用于表示挂号科室。连接在父节点与子节点之间的路径则用于表示词典症状对应于挂号科室的置信度。进一步地,通过一条路径彼此相连的两个父节点视为相邻父节点,该相邻父节点上存储的字符用于表示相似的词典症状。
譬如,如图4所示,医疗词典中,包括父节点“头痛”和父节点“头疼”、以及连接于父节点“头疼”的子节点“神经内科”、“神经外科”,父节点“头痛”与父节点“头疼”互为相邻父节点。也即是说,“头痛”、“头疼”视为词典症状,且二者互为相似的词典症状。“神经内科”、“神经外科”则视为词典症状“头痛”或者“头疼”的挂号科室,0.9为词典症状“头痛”或者“头疼”对应于挂号科室“神经内科”的置信度,0.8为词典症状“头痛”或者“头疼”对应于挂号科室“神经外科”的置信度。
基于上述,在从推荐请求中提取得到请求推送挂号科室的输入症状之后,便可在医疗词典中搜索与输入症状相匹配的候选症状。
举例来说,假设输入症状为“头疼”,那么,无论基于上述何种形式的医疗词典,通过匹配搜索,譬如,针对医疗词典中的每一个父节点,将输入症状“头疼”与该父节点上的字符进行匹配,便可确定与输入症状“头疼”相匹配的候选症状为词典症状“头疼”。
步骤350,根据所述医疗词典中对应于所述候选症状的挂号科室,生成待推送集合。
首先,从所述医疗词典中,获取所述候选症状对应的挂号科室。
以前述例子进行说明,假设与输入症状“头疼”相匹配的候选症状为词典症状“头疼”,那么,在上述任一种形式的医疗词典中,候选症状“头疼”对应的挂号科室包括:“神经内科”和“神经外科”。
基于此,关于待推送集合的生成,一方面,可以由候选症状“头疼”对应的全部挂号科室生成,即待推送集合={神经内科、神经外科}。
另一方面,可以从候选症状“头疼”对应的全部挂号科室中选取若干个挂号科室,添加至待推送集合。
具体地,从所述医疗词典中,获取所述候选症状对应于不同挂号科室的置信度;根据获取到的置信度,由所述候选症状对应的挂号科室生成所述待推送集合。
也就是说,针对候选症状对应于每一个挂号科室的置信度,只有置信度超过特定阈值或者置信度最高的挂号科室,方能够作为输入症状的应挂科室而被添加至待推送集合。其中,特定阈值可以根据应用场景的实际需要灵活地设置,此处并未加以限定。
例如,如图4所示,候选症状“头疼”对应于挂号科室“神经内科”的置信度为0.9,候选症状“头疼”对应于挂号科室“神经外科”的置信度为0.8,假设选取置信度>=0.9或者置信度最高的挂号科室作为输入症状“头疼”的应挂科室进行推送,则待推送集合={神经内科}。
步骤370,将所述待推送集合中的挂号科室,推送至客户端。
对于客户端而言,在接收到待推送集合中的挂号科室之后,便可向用户展示待推送集合中的挂号科室。
例如,对于输入症状“头疼”而言,待推送集合={神经内科},则在屏幕中显示“头疼应挂神经内科”。
或者,当待推送集合={神经内科、神经外科},则在屏幕中显示“头疼可以根据不同病因挂神经内科或者神经外科”。
通过如上所述的过程,基于医疗词典,实现了挂号科室推送的全自动化,用户只要借助客户端输入相关症状,挂号科室便能够直接在客户端中展示,避免人工筛选,从而有效地提高了用户查找症状应挂科室的效率。
请参阅图5,在一示例性实施例中,步骤330之前,如上所述的方法还可以包括以下步骤:
根据包含症状应挂科室的用户原创内容UGC构建所述医疗词典。
具体而言,步骤410,进行关于症状应挂科室的搜索,获得包含症状应挂科室的用户原创内容UGC。
如前所述,包含症状应挂科室的用户原创内容UGC的网络来源,包括但不限于社交网站、媒体分享网站、知识分享网站、搜索网站等等。
相应地,为了获得包含症状应挂科室的用户原创内容UGC,关于症状应挂科室的搜索,可以针对不同网络来源中的资源进行。例如,在社交网站中,对用户好友之间发送的关于症状应挂科室的消息进行搜索,可获得该用户原创内容UGC;或者,在分享网站中,对用户发表的关于症状应挂科室的文章、视频、语音等等进行搜索,可获得该用户原创内容UGC;又或者,在搜索网站中,对症状应挂科室相关的网页进行搜索,可获得该用户原创内容UGC。
步骤430,从所述用户原创内容UGC中提取得到所述症状的挂号信息,并基于所述症状的挂号信息为所述症状计算应挂科室的置信度。
其中,所述症状的挂号信息包括:所述症状的应挂科室、所述应挂科室所在医院、发表所述用户原创内容UGC的医生、所述医生所在医院、所述医生所在科室、所述医生专长疾病症状中的至少一种。
以症状的挂号信息包括症状的应挂科室、应挂科室所在医院为例,对挂号信息的提取过程加以说明。
具体地,首先,基于医院科室集合中的医院和挂号科室,从所述用户原创内容UGC中搜索得到所述症状的应挂科室、以及所述应挂科室所在医院。
需要说明的是,医院科室集合中的医院、挂号科室均是以标识信息的形式存在的,是针对真实存在于生活中的医院的名称、挂号科室的名称进行预先收集形成的。也就是说,医院科室集合,实质是医院名称、挂号科室名称的集合。例如,医院科室集合中的“深圳市人民医院”,用于唯一地标识真实存在的深圳市人民医院,而医院科室集合中的“深圳市人名医院神经内科”,则用于唯一地标识真实存在的深圳市人民医院的神经内科。
那么,通过将用户原创内容UGC中的文本与医院科室集合中的医院和挂号科室逐一地进行匹配,便可得到用户原创内容UGC中包含的应挂科室、以及应挂科室所在医院。
其次,根据所述症状的应挂科室、以及所述应挂科室所在医院,生成所述症状的挂号信息。例如,症状的挂号信息={应挂科室、医院}。
同理,结合医院科室集合,并基于预先收集形成的医生集合、医生专长疾病症状集合,还可以从用户原创内容UGC中获得发表所述用户原创内容UGC的医生、所述医生的职级、所述医生所在医院、所述医生所在科室、所述医生专长疾病症状等等,以生成症状的挂号信息,本实施例对此并未构成具体限定。
此外,发明人意识到,不同用户对症状应挂科室的理解可能有所差别,那么,从大量的用户原创内容UGC中提取得到的应挂科室及其所在医院可能不止一个,然而,在挂号科室推送过程中,往往需要向用户推荐比较可信的挂号科室。
基于此,本实施例中,将根据症状的挂号信息计算症状对应于不同应挂科室的置信度。
具体地,根据所述症状的挂号信息计算置信度因子;根据所述置信度因子计算所述症状应挂科室的置信度。
其中,所述置信度因子包括科室置信度因子、科室所在医院置信度因子、医生置信度因子中的至少一种。
进一步地,科室置信度因子用于表示症状的应挂科室在大量用户原创内容UGC中出现的概率,概率越高,该应挂科室被推送时越可信;科室所在医院置信度因子用于表示应挂科室所在医院的层级,该应挂科室所在医院的层级越高,例如,该应挂科室所在医院为三甲医院,则该应挂科室被推送时越可信;医生置信度因子用于表示发表用户原创内容UGC的医生的权威性,该医生的权威性越高,该医生所发表的用户原创内容UGC中涉及的应挂科室被推送时越可信。例如,该医生所在科室即为该医生所发表的用户原创内容UGC中涉及的应挂科室,则该医生的权威性越高,医生置信度因子可配置为1;或者,该医生专长疾病症状即包含请求推送挂号科室的症状,则该医生的权威性也越高,医生置信度因子也可配置为1;又或者,根据医生的职级,医生的权威性有所差别,该医生的职级越高,该医生的权威性越高,相应地,医生置信度因子也越高。
下面结合科室置信度因子和科室所在医院置信度因子举例说明,症状应挂科室的置信度的计算过程。
举例来说,假设从大量的用户原创内容UGC中,得到症状“头疼”的挂号信息包括:{神经内科、哈尔滨市第一医院}、{神经内科、深圳市人民医院}、{神经内科、日照市中医院}、{神经外科、哈尔滨市第一医院}、{神经外科、深圳市人民医院}、{神经外科、胜利石油管理局龙口基地管理中心医院}、{卒中中心、哈尔滨市第一医院}、{疼痛科、哈尔滨市第一医院}、{内科、深圳市人民医院}、{耳鼻喉科、深圳市人民医院}、{脊柱外科、深圳市人民医院}、{眼科、深圳市人民医院}、{康复科、深圳市人民医院}。
那么,对于某个科室而言,科室置信度因子=出现该科室次数/出现的所有科室总数。例如,神经内科置信度因子=3/9,神经外科置信度因子=3/9,以此类推,康复科=1/9。
科室所在医院置信度因子=科室所在医院为三甲医院的个数/科室所在医院的总数。例如,对于神经内科而言,神经内科所在医院置信度因子=2/13,对于神经外科而言,神经外科所在医院置信度因子=2/13,以此类推,康复科所在医院置信度因子=1/13。
基于此,症状“头疼”应挂神经内科的置信度=神经内科置信度因子×神经内科所在医院置信度因子=(3/9)×(2/13)。
症状“头疼”应挂神经外科的置信度=神经外科置信度因子×神经外科所在医院置信度因子=(3/9)×(2/13)。
以此类推,症状“头疼”应挂康复科的置信度=康复科置信度因子×康复科所在医院置信度因子=(1/9)×(1/13)。
由此可见,在针对症状“头疼”进行挂号科室推送时,神经内科和神经外科被优先推送。
当然,在其他实施例中,基于科室置信度因子、科室所在医院置信度因子、医生置信度因子计算症状应挂科室的置信度时,还可以结合应用场景的实际需要灵活地设置对应的权重系数,本实施例对此并非构成具体限定。
步骤450,根据所述症状、所述症状的应挂科室、以及所述症状应挂科室的置信度,生成所述医疗词典。
例如,假设症状为“头疼”,症状“头疼”的应挂科室包括神经内科和神经外科,症状“头疼”对应于神经内科的置信度为0.9,症状“头疼”对应于神经外科的置信度为0.8。
此时,医疗词典包括:{头疼、神经内科、0.9}、{头疼、神经外科、0.8}。
在上述实施例的作用下,实现了基于用户原创内容UGC的医疗词典构建,进而使得基于该医疗词典实现挂号科室的推送得以实现。
请参阅图6,在一示例性实施例中,步骤410可以包括以下步骤:
步骤411,基于医疗知识图谱,构造关于症状应挂科室的搜索模板。
其中,医疗知识图谱,是由预先收集的搜索词构建的。该搜索词则是患者在搜索网站上搜索“症状应该去哪个科室挂号”之类的问题时输入的。例如,对于问题“头疼挂什么科室”而言,患者输入的搜索词包括头疼、挂、什么、科室。
医疗知识图谱,相当于一个包含若干条分支的结构树,每一条分支由若干个节点以及若干条连接在相邻节点之间的路径构成。
具体地,每一个节点上存储至少一个字符,用于描述搜索词,例如,某个节点上存储的字符为“头疼”。连接在相邻节点之间的路径,通过该路径的指向来表示相邻节点上存储的字符具有上下文关系,简单地说,就是该相邻节点上存储的字符可以按照上下文关系拼接在一起。例如,与“头疼”节点相邻的是“偏”节点,那么,基于连接在该两个相邻节点之间路径的指向所表示的上下文关系,该两个相邻节点上存储的字符便可以拼接在一起,即“偏头疼”。
基于此,搜索模板的构造过程,实质是基于医疗知识图谱,进行关于症状应挂科室的搜索词的搜索和拼接。
具体地,首先,针对一些常见症状,在医疗知识图谱中的每一个分支,将该常见症状与该分支中各节点上的字符进行匹配搜索,得到存储字符与该常见症状相匹配的节点。
然后,基于搜索得到的节点,进一步搜索与该节点相邻的节点,以此类推,直至搜索得到的节点再无相邻的节点,最终将所有相邻节点上存储的字符拼接,即形成关于症状应挂科室的搜索模板。
举例来说,假设症状为“头疼”,那么,如图7所示,基于医疗知识图谱,搜索模板包括但不限于:“头疼应该挂什么科室”、“头疼挂什么科”、“偏头疼挂什么科室”、“总是头疼看什么科”等等。
步骤413,利用搜索引擎按照关于症状应挂科室的搜索模板进行搜索,得到症状应挂科室相关的网页结果。
举例来说,搜索模板是关于“头疼挂什么科”,通过搜索引擎按照该搜索模板进行的搜索,便可得到“头痛该挂什么科”、“偏头疼挂什么科室”、“头疼应该挂什么科”等等的网页结果,如图8所示。
步骤415,对所述网页结果进行HTML解析,获得包含症状应挂科室的用户原创内容UGC。
仍以前述例子进行说明,对上述网页结果进行HTML解析,即可获得包含症状“头疼”应挂科室的用户原创内容UGC。
例如,通过其中一条网页结果401进行的HTML解析,便可从该网页结果401中解析得到包含“到神经内科或疼痛科就诊”、“到神经内科或卒中中心绿色通道就诊”、“到神经外科检查”等等症状“头疼”应挂科室402的用户原创内容UGC,如图9所示。此外,如图9所示,该用户原创内容UGC中还包含有医生的职级403、医生所在科室以及医生所在医院404,此处并非构成具体限定。
当然,在其他实施例中,还可以针对搜索得到的网页结果进行筛选,例如,根据热搜排名选取排前5名的网页结果进行用户原创内容UGC的抽取,以此保证挂号科室推送的准确性,本实施例并非对此构成具体限定。
在上述实施例的作用下,实现了基于医疗知识图谱的搜索模板构建,使得一个症状能够扩展出多个搜索模板,相较于单纯地根据一个问题进行的搜索,搜索过程将更加地完善,以此保证获取到的用户原创内容UGC足够多,从而有利于医疗词典的构建,进而有利于提高挂号科室推送的准确性。
此外,根据包含症状应挂科室的用户原创内容UCG构建医疗词典,并基于该医疗词典实现挂号科室的推送,使得利用搜索引擎进行关于症状应挂科室的搜索提前进行,以此保证用户在输入相关症状时应挂科室能够直接展现,对于用户而言,有效地缩短了挂号决策流程,并降低了挂号决策门槛,进一步有效地提高了用户查找症状应挂科室的效率。
请参阅图10,在一示例性实施例中,步骤330可以包括以下步骤:
步骤331,将所述医疗词典中的每一个词典症状与所述输入症状进行匹配。
步骤332,判断所述医疗词典中是否存在与所述输入症状相匹配的词典症状。。
发明人意识到,由于输入症状是用户借助客户端输入的症状,可能存在较为口语化的症状描述,那么,在医疗词典中根据输入症状进行匹配搜索时,很可能无法直接搜索到与输入症状完全匹配的词典症状。
举例来说,词典症状为“头疼”,如果输入症状为“头疼”,则可视为医疗词典中存在与输入症状“头疼”相匹配的词典症状“头疼”,而如果输入症状为“头痛”,则视为医疗词典中不存在与输入症状“头痛”相匹配的词典症状“头痛”,而仅存在与输入症状“头痛”相似的词典症状“头疼”。
基于此,本实施例中,匹配搜索过程实质包括:完全匹配搜索过程、相似性搜索过程。
具体地,首先执行完全匹配搜索过程,将医疗词典中的每一个词典症状与输入症状进行匹配,即执行步骤331。如果所述医疗词典中不存在与所述输入症状相匹配的词典症状,则执行相似性搜索过程,即执行步骤333。反之,如果所述医疗词典中存在与所述输入症状相匹配的词典症状,则执行步骤335。
步骤333,在所述医疗词典中搜索与所述输入症状最相似的词典症状,将最相似的词典症状作为所述输入症状相匹配的候选症状。
本实施例中,输入症状与词典症状是否最相似,是根据输入症状与词典症状的文本相似度判定的。可以理解,输入症状与词典症状的文本相似度越高,输入症状与词典症状越相似。
具体而言,如图11所示,在一个实施例中,步骤333可以包括以下步骤:步骤3331,针对所述医疗词典中的每一个词典症状,计算该词典症状与所述输入症状的文本相似度;步骤3333,根据计算得到的文本相似度,确定与所述输入症状相似度最高的词典症状;步骤3335,将所确定的词典症状作为与所述输入症状相匹配的候选症状。
其中,文本相似度的计算方法包括但不限于:基于欧式距离的相似度计算、基于曼哈顿距离的相似度计算、基于明氏距离的相似度计算、基于马氏距离的相似度计算、基于余弦距离的相似度计算、基于Jaccard系数的相似度计算、基于皮尔森相关系数的相似度计算等等,本实施例对此并未加以限定。
在计算得到文本相似度之后,与输入症状的文本相似度最高的词典症状,即视为与输入症状相匹配的候选症状。
步骤335,将所述医疗词典中匹配到的词典症状,作为与所述输入症状相匹配的候选症状。
通过上述过程,实现了基于医疗词典的匹配搜索,不仅进行了完全匹配搜索,以此充分地保证搜索过程的准确性,而且考虑了口语化因素,进行了相似性搜索,以此提升搜索过程的成功率,为挂号科室的推送提供了候选症状作为依据,进而使得全自动化实现挂号科室的推送得以实现。
请参阅图12,在一示例性实施例中,步骤3331可以包括以下步骤:
步骤3331a,利用词向量生成模型,将所述输入症状映射为第一词向量。
应当理解,分词文本形式表示的输入症状更接近自然语言,会影响服务器端的处理效率,因此,本实施例中,在计算输入症状与词典症状的文本相似度之前,首先,通过词向量生成模型,将输入症状转换为服务器端能够理解的第一词向量。
其中,词向量生成模型是通过训练样本对基础模型进行训练生成的,该训练样本是指进行了分词文本标注的输入症状。该基础模型包括但不限于神经网络模型等等。由此,词向量生成模型,实质是在分词与词向量之间建立了数学映射关系,进而通过该数学映射关系,使得词向量生成模型具有分类预测能力,便能够将输入症状中的分词映射为第一词向量。
如图13所示,词向量生成模型的网络结构包括输入层Input layer、隐藏层Hiddenlayer和输出层Output layer。该输入层Input layer用于接收输入症状中的分词,该隐藏层Hidden layer用于针对输入症状中的每一个分词,提取出该分词的特征序列,该输出层Output layer用于根据该分词的特征序列,预测得到该分词对应的词向量,并基于输入症状中各分词对应的词向量,输出输入症状的第一词向量。
通过词向量生成模型的设置,能够有效地捕获输入症状中各分词之间的上下文关系、语义,并充分地衡量输入症状中各分词之间的相似性,以此保证由输入症状到第一词向量的映射过程的准确性,进而充分地保障输入症状与词典症状的文本相似度计算过程的准确性。
步骤3331c,基于由所述词典症状映射得到的第二词向量,计算所述第一词向量与所述第二词向量在特定向量空间中夹角的余弦值。
具体地,余弦值的计算公式如下:
其中,Ai表示第一词向量中的第i个分量,Bi表示第二词向量中的第i个分量。
在此说明的是,关于第二词向量,可以基于词向量生成模型预先由医疗词典中的各词典症状映射得到并存储于特定存储空间,也可以在余弦值计算过程中实时映射,此处并未加以限定。
步骤3331e,将计算得到的余弦值作为所述词典症状与所述输入症状的文本相似度。
可以理解,余弦值的范围为[-1,1],由此,余弦值越接近1,代表第一词向量与第二词向量在特定向量空间中的方向越接近,则表示词典症状与输入症状的文本相似度越高,即词典症状与输入症状越相似;反之,余弦值越接近-1,代表第一词向量与第二词向量在特定向量空间中的方向相反,则表示词典症状与输入症状的文本相似度越低,即词典症状与输入症状越不相似。
通过上述实施例的配合,实现了基于余弦距离的文本相似度计算,为匹配搜索过程中的相似性搜索过程提供了数据依据,以此充分地保障了搜索过程的成功率,进而充分地保证了全自动化挂号科室推送的实现。
下述为本发明装置实施例,可以用于执行本发明所涉及的挂号科室推送方法。对于本发明装置实施例中未披露的细节,请参照本发明所涉及的挂号科室推送方法的方法实施例。
请参阅图14,在一示例性实施例中,一种挂号科室推送装置900包括但不限于:请求接收模块910、症状搜索模块930、集合生成模块950以及科室推送模块970。
其中,请求接收模块910,用于接收推送请求,所述推送请求用于指示请求推送挂号科室的输入症状。
症状搜索模块930,用于根据所述推送请求指示的输入症状在医疗词典中进行匹配搜索,得到与所述输入症状相匹配的候选症状,所述医疗词典是根据包含症状应挂科室的用户原创内容UGC构建的。
集合生成模块950,用于根据所述医疗词典中对应于所述候选症状的挂号科室,生成待推送集合。
科室推送模块970,用于将所述待推送集合中的挂号科室,推送至客户端。
需要说明的是,上述实施例所提供的挂号科室推送装置在进行挂号科室推送时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即挂号科室推送装置的内部结构将划分为不同的功能模块,以完成以上描述的全部或者部分功能。
另外,上述实施例所提供的挂号科室推送装置与挂号科室推送方法的实施例属于同一构思,其中各个模块执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。
请参阅图15,在一示例性实施例中,一种电子设备1000,包括至少一处理器1001、至少一存储器1002、以及至少一通信总线1003。
其中,存储器1002上存储有计算机可读指令,处理器1001通过通信总线1003读取存储器1002中存储的计算机可读指令。
该计算机可读指令被处理器1001执行时实现以下步骤,包括但不限于:接收推送请求,所述推送请求用于指示请求推送挂号科室的输入症状;根据所述推送请求指示的输入症状在医疗词典中进行匹配搜索,得到与所述输入症状相匹配的候选症状,所述医疗词典是根据包含症状应挂科室的用户原创内容UGC构建的;根据所述医疗词典中对应于所述候选症状的挂号科室,生成待推送集合;将所述待推送集合中的挂号科室,推送至客户端。
在一示例性实施例中,该计算机可读指令被处理器1001执行时实现以下步骤,包括但不限于:将所述医疗词典中的每一个词典症状与所述输入症状进行匹配;如果所述医疗词典中不存在与所述输入症状相匹配的词典症状,则在所述医疗词典中搜索与所述输入症状最相似的词典症状;将最相似的词典症状作为所述输入症状相匹配的候选症状。
在一示例性实施例中,该计算机可读指令被处理器1001执行时实现以下步骤,包括但不限于:针对所述医疗词典中的每一个词典症状,计算该词典症状与所述输入症状的文本相似度;根据计算得到的文本相似度,确定与所述输入症状文本相似度最高的词典症状;将所确定的词典症状作为与所述输入症状相匹配的候选症状。
在一示例性实施例中,该计算机可读指令被处理器1001执行时实现以下步骤,包括但不限于:利用词向量生成模型,将所述输入症状映射为第一词向量;基于由所述词典症状映射得到的第二词向量,计算所述第一词向量与所述第二词向量在特定向量空间中夹角的余弦值;将计算得到的余弦值作为所述词典症状与所述输入症状的文本相似度。
在一示例性实施例中,该计算机可读指令被处理器1001执行时实现以下步骤,包括但不限于:从所述医疗词典中,获取所述候选症状对应的挂号科室、以及所述候选症状对应于不同挂号科室的置信度;根据获取到的置信度,由所述候选症状对应的挂号科室生成所述待推送集合。
在一示例性实施例中,该计算机可读指令被处理器1001执行时实现以下步骤,包括但不限于:根据包含症状应挂科室的用户原创内容UGC构建所述医疗词典。
在一示例性实施例中,该计算机可读指令被处理器1001执行时实现以下步骤,包括但不限于:进行关于症状应挂科室的搜索,获得包含症状应挂科室的用户原创内容UGC;从所述用户原创内容UGC中提取得到所述症状的挂号信息,并基于所述症状的挂号信息为所述症状计算应挂科室的置信度;根据所述症状、所述症状的应挂科室、以及所述症状应挂科室的置信度,生成所述医疗词典。其中,所述症状的挂号信息包括:所述症状的应挂科室、所述应挂科室所在医院、发表所述用户原创内容UGC的医生、所述医生的职级、所述医生所在医院、所述医生所在科室、所述医生专长疾病症状中的至少一种。
在一示例性实施例中,该计算机可读指令被处理器1001执行时实现以下步骤,包括但不限于:基于医疗知识图谱,构造关于症状应挂科室的搜索模板;利用搜索引擎按照关于症状应挂科室的搜索模板进行搜索,得到症状应挂科室相关的网页结果;对所述网页结果进行HTML解析,获得包含症状应挂科室的用户原创内容UGC。
在一示例性实施例中,该计算机可读指令被处理器1001执行时实现以下步骤,包括但不限于:基于医院科室集合中的医院和挂号科室,从所述用户原创内容UGC中搜索得到所述症状的应挂科室、以及所述应挂科室所在医院;根据所述症状的应挂科室、以及所述应挂科室所在医院,生成所述症状的挂号信息。
在一示例性实施例中,该计算机可读指令被处理器1001执行时实现以下步骤,包括但不限于:根据所述症状的挂号信息计算置信度因子,所述置信度因子包括科室置信度因子、科室所在医院置信度因子、医生置信度因子中的至少一种;根据所述置信度因子,计算所述症状应挂科室的置信度。
在一示例性实施例中,一种存储介质,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上述各实施例中的挂号科室推送方法。
上述内容,仅为本发明的较佳示例性实施例,并非用于限制本发明的实施方案,本领域普通技术人员根据本发明的主要构思和精神,可以十分方便地进行相应的变通或修改,故本发明的保护范围应以权利要求书所要求的保护范围为准。
Claims (12)
1.一种挂号科室推送方法,其特征在于,所述方法包括:
接收推送请求,所述推送请求用于指示请求推送挂号科室的输入症状;
根据所述推送请求指示的输入症状在医疗词典中进行匹配搜索,得到与所述输入症状相匹配的候选症状,所述医疗词典是根据包含症状应挂科室的用户原创内容UGC构建的;
根据所述医疗词典中对应于所述候选症状的挂号科室,生成待推送集合;
将所述待推送集合中的挂号科室,推送至客户端;
所述方法还包括:基于医疗知识图谱,构造关于症状应挂科室的搜索模板;
利用搜索引擎按照关于症状应挂科室的搜索模板进行搜索,得到症状应挂科室相关的网页结果;
对所述网页结果进行HTML解析,获得包含症状应挂科室的用户原创内容UGC;
从所述用户原创内容UGC中提取得到所述症状的挂号信息,并基于所述症状的挂号信息为所述症状计算应挂科室的置信度;
根据所述症状、所述症状的应挂科室、以及所述症状应挂科室的置信度,生成所述医疗词典。
2.如权利要求1所述的方法,其特征在于,所述根据所述推送请求指示的输入症状在医疗词典中进行匹配搜索,得到与所述输入症状相匹配的候选症状,包括:
将所述医疗词典中的每一个词典症状与所述输入症状进行匹配;
如果所述医疗词典中不存在与所述输入症状相匹配的词典症状,则在所述医疗词典中搜索与所述输入症状最相似的词典症状;
将最相似的词典症状作为所述输入症状相匹配的候选症状。
3.如权利要求2所述的方法,其特征在于,所述在所述医疗词典中搜索与所述输入症状最相似的词典症状,将搜索到的词典症状作为所述输入症状相匹配的候选症状,包括:
针对所述医疗词典中的每一个词典症状,计算该词典症状与所述输入症状的文本相似度;
根据计算得到的文本相似度,确定与所述输入症状文本相似度最高的词典症状;
将所确定的词典症状作为与所述输入症状相匹配的候选症状。
4.如权利要求3所述的方法,其特征在于,所述针对所述医疗词典中的每一个词典症状,计算该词典症状与所述输入症状的文本相似度,包括:
利用词向量生成模型,将所述输入症状映射为第一词向量;
基于由所述词典症状映射得到的第二词向量,计算所述第一词向量与所述第二词向量在特定向量空间中夹角的余弦值;
将计算得到的余弦值作为所述词典症状与所述输入症状的文本相似度。
5.如权利要求1所述的方法,其特征在于,所述根据所述医疗词典中对应于所述候选症状的挂号科室,生成待推送集合,包括:
从所述医疗词典中,获取所述候选症状对应的挂号科室、以及所述候选症状对应于不同挂号科室的置信度;
根据获取到的置信度,由所述候选症状对应的挂号科室生成所述待推送集合。
6.如权利要求1所述的方法,其特征在于,所述症状的挂号信息包括:所述症状的应挂科室、所述应挂科室所在医院、发表所述用户原创内容UGC的医生、所示医生的职级、所述医生所在医院、所述医生所在科室、所述医生专长疾病症状中的至少一种。
7.如权利要求6所述的方法,其特征在于,所述从所述用户原创内容UGC中提取得到所述症状的挂号信息,包括:
基于医院科室集合中的医院和挂号科室,从所述用户原创内容UGC中搜索得到所述症状的应挂科室、以及所述应挂科室所在医院;
根据所述症状的应挂科室、以及所述应挂科室所在医院,生成所述症状的挂号信息。
8.如权利要求6所述的方法,其特征在于,所述基于所述症状的挂号信息为所述症状计算应挂科室的置信度,包括:
根据所述症状的挂号信息计算置信度因子,所述置信度因子包括科室置信度因子、科室所在医院置信度因子、医生置信度因子中的至少一种;
根据所述置信度因子,计算所述症状应挂科室的置信度。
9.一种挂号科室推送装置,其特征在于,所述装置包括:
请求接收模块,用于接收推送请求,所述推送请求用于指示请求推送挂号科室的输入症状;
症状搜索模块,用于根据所述推送请求指示的输入症状在医疗词典中进行匹配搜索,得到与所述输入症状相匹配的候选症状,所述医疗词典是根据包含症状应挂科室的用户原创内容UGC构建的;
集合生成模块,用于根据所述医疗词典中对应于所述候选症状的挂号科室,生成待推送集合;
科室推送模块,用于将所述待推送集合中的挂号科室,推送至客户端;
所述装置还包括:
内容获取单元,用于基于医疗知识图谱,构造关于症状应挂科室的搜索模板;利用搜索引擎按照关于症状应挂科室的搜索模板进行搜索,得到症状应挂科室相关的网页结果;对所述网页结果进行HTML解析,获得包含症状应挂科室的用户原创内容UGC;
信息提取单元,用于从所述用户原创内容UGC中提取得到所述症状的挂号信息,并基于所述症状的挂号信息为所述症状计算应挂科室的置信度;
词典生成单元,用于根据所述症状、所述症状的应挂科室、以及所述症状应挂科室的置信度,生成所述医疗词典。
10.一种挂号科室推送系统,其特征在于,所述系统包括:客户端和服务器端,其中,
所述客户端,用于获取输入症状,向所述服务器端发起请求为所述输入症状推送挂号科室的推送请求;
所述服务器端,用于响应于所述推送请求,按照如权利要求1至8中任一项所述的挂号科室推送方法,向所述客户端推送待推送集合中的挂号科室;
所述客户端,还用于接收并展示所述待推送集合中的挂号科室。
11.一种电子设备,其特征在于,包括:
处理器;及
存储器,所述存储器上存储有计算机可读指令,所述计算机可读指令被所述处理器执行时实现如权利要求1至8中任一项所述的挂号科室推送方法。
12.一种存储介质,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至8中任一项所述的挂号科室推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171838.2A CN111403011B (zh) | 2020-03-12 | 2020-03-12 | 挂号科室推送方法、装置、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171838.2A CN111403011B (zh) | 2020-03-12 | 2020-03-12 | 挂号科室推送方法、装置、系统、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111403011A CN111403011A (zh) | 2020-07-10 |
CN111403011B true CN111403011B (zh) | 2023-05-02 |
Family
ID=71428625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010171838.2A Active CN111403011B (zh) | 2020-03-12 | 2020-03-12 | 挂号科室推送方法、装置、系统、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111403011B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112035511A (zh) * | 2020-08-31 | 2020-12-04 | 康键信息技术(深圳)有限公司 | 基于医学知识图谱的目标数据搜索方法及相关设备 |
CN113111162A (zh) * | 2021-04-21 | 2021-07-13 | 康键信息技术(深圳)有限公司 | 科室推荐方法、装置、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462506A (zh) * | 2014-12-19 | 2015-03-25 | 北京奇虎科技有限公司 | 基于用户标注信息构建知识图谱的方法和装置 |
CN110085307A (zh) * | 2019-04-04 | 2019-08-02 | 华东理工大学 | 一种基于多源知识图谱融合的智能导诊方法和系统 |
CN110210018A (zh) * | 2019-05-14 | 2019-09-06 | 北京百度网讯科技有限公司 | 挂号科室的匹配方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180218127A1 (en) * | 2017-01-31 | 2018-08-02 | Pager, Inc. | Generating a Knowledge Graph for Determining Patient Symptoms and Medical Recommendations Based on Medical Information |
-
2020
- 2020-03-12 CN CN202010171838.2A patent/CN111403011B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462506A (zh) * | 2014-12-19 | 2015-03-25 | 北京奇虎科技有限公司 | 基于用户标注信息构建知识图谱的方法和装置 |
CN110085307A (zh) * | 2019-04-04 | 2019-08-02 | 华东理工大学 | 一种基于多源知识图谱融合的智能导诊方法和系统 |
CN110210018A (zh) * | 2019-05-14 | 2019-09-06 | 北京百度网讯科技有限公司 | 挂号科室的匹配方法和装置 |
Non-Patent Citations (1)
Title |
---|
刘崇.基于知识图谱的医疗知识搜索研究.《中国优秀硕士学位论文全文数据库经济与管理科学辑》.2018,(第7期),J152-711. * |
Also Published As
Publication number | Publication date |
---|---|
CN111403011A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110837550B (zh) | 基于知识图谱的问答方法、装置、电子设备及存储介质 | |
US11899681B2 (en) | Knowledge graph building method, electronic apparatus and non-transitory computer readable storage medium | |
US10776885B2 (en) | Mutually reinforcing ranking of social media accounts and contents | |
US20170235726A1 (en) | Information identification and extraction | |
US10733370B2 (en) | Method, apparatus, and computer program product for generating a preview of an electronic document | |
US20170235836A1 (en) | Information identification and extraction | |
WO2023029506A1 (zh) | 病情分析方法、装置、电子设备及存储介质 | |
CN112287069B (zh) | 基于语音语义的信息检索方法、装置及计算机设备 | |
CN105677931A (zh) | 信息搜索方法和装置 | |
WO2023178971A1 (zh) | 就医的互联网挂号方法、装置、设备及存储介质 | |
CN107690634A (zh) | 自动查询模式生成 | |
CN112149400A (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN112084413B (zh) | 一种信息推荐的方法、装置及存储介质 | |
CN111403011B (zh) | 挂号科室推送方法、装置、系统、电子设备及存储介质 | |
CN110851609A (zh) | 表示学习方法及装置 | |
WO2023178978A1 (zh) | 基于人工智能的处方审核方法、装置、设备及介质 | |
CN115858886A (zh) | 数据处理方法、装置、设备及可读存储介质 | |
US20170235835A1 (en) | Information identification and extraction | |
WO2022227171A1 (zh) | 关键信息提取方法、装置、电子设备及介质 | |
CN114141384A (zh) | 用于检索医学数据的方法、设备和介质 | |
WO2017074710A1 (en) | Search system | |
US20150339602A1 (en) | System and method for modeling health care costs | |
CN114141358A (zh) | 基于知识图谱的疾病诊断装置、计算机设备及存储介质 | |
US10803115B2 (en) | Image-based domain name system | |
CN112507230B (zh) | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |