CN111462914B - 一种实体链接方法及装置 - Google Patents

一种实体链接方法及装置 Download PDF

Info

Publication number
CN111462914B
CN111462914B CN202010177062.5A CN202010177062A CN111462914B CN 111462914 B CN111462914 B CN 111462914B CN 202010177062 A CN202010177062 A CN 202010177062A CN 111462914 B CN111462914 B CN 111462914B
Authority
CN
China
Prior art keywords
entity
medical
model
linking
embedding
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
CN202010177062.5A
Other languages
English (en)
Other versions
CN111462914A (zh
Inventor
史亚飞
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.)
Unisound Intelligent Technology Co Ltd
Original Assignee
Unisound Intelligent 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 Unisound Intelligent Technology Co Ltd filed Critical Unisound Intelligent Technology Co Ltd
Priority to CN202010177062.5A priority Critical patent/CN111462914B/zh
Publication of CN111462914A publication Critical patent/CN111462914A/zh
Application granted granted Critical
Publication of CN111462914B publication Critical patent/CN111462914B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G16H50/70—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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明公开了一种实体链接方法及装置，所述方法包括：获取医疗知识图谱；通过图嵌入模型对医疗知识图谱进行计算，以得到若干个不同的实体嵌入向量；基于所述若干个不同的实体嵌入向量，确定实体链接模型；根据所述实体链接模型完成医疗实体的链接。通过本发明的技术方案，使得模型学习到了实体更多的信息，提高了模型的学习能力，进而链接效果更佳。

Description

一种实体链接方法及装置
技术领域
本发明涉及医疗技术领域，特别涉及一种实体链接方法及装置。
背景技术
目前实体链接方法，使用Google发布的BERT中文语言模型，通过在其fine-tuning微调阶段设置参数获取输出层的倒数第二层获得实体词向量；然后，根据获得的实体词向量计算不同实体之间的余弦距离，即语义相似度；最后，通过设置阈值，依据语义相似度进行实体对齐。
这种方法未考虑加入外部知识来增强BERT模型的学习能力，因而链接效果不太符合需求。
发明内容
本发明提供一种实体链接方法及装置，所述技术方案如下：
根据本发明实施例的第一方面，提供了一种实体链接方法，包括：
获取医疗知识图谱；
通过图嵌入模型对医疗知识图谱进行计算，以得到若干个不同的实体嵌入向量；
基于所述若干个不同的实体嵌入向量，确定实体链接模型；
根据所述实体链接模型完成医疗实体的链接。
在一个实施例中，所述基于所述若干个不同的实体嵌入向量，确定实体链接模型，包括：
获取训练数据集；
通过预设算法对所述训练数据集进行解析，以得到训练数据集的语义成分；
从所述医疗知识图谱中匹配出与所述语义成分对应的第一医疗实体；
从所述若干个不同的实体嵌入向量中提取出与所述第一医疗实体对应的实体嵌入向量；
基于所述第一医疗实体对应的实体嵌入向量，确定所述实体链接模型。
在一个实施例中，所述基于所述第一医疗实体对应的实体嵌入向量，确定所述实体链接模型，包括：
获取预训练模型；
将所述第一医疗实体对应的实体嵌入向量与所述预训练模型本身的tokenembedding、position embedding、segment embedding进行结合，以得到增强的embedding；
通过微调的方式，将所述增强的embedding输入至所述预训练模型进行训练，以得到所述实体链接模型。
在一个实施例中，所述根据所述实体链接模型完成医疗实体的链接，包括：
从医疗数据集中抽取医疗术语；
通过预设检索算法对所述医疗知识图谱进行检索，以得到与所述医疗术语相似度大于预设阈值的预设数目个第二医疗实体；
基于所述实体链接模型，对所述预设数目个第二医疗实体进行链接，以完成医疗实体的链接。
在一个实施例中，所述基于所述实体链接模型，对所述预设数目个第二医疗实体进行链接，包括：
通过所述实体链接模型对所述预设数目个第二医疗实体进行计算，以得到所述预设数目个第二医疗实体相互之间进行匹配的分值；
将所述预设数目个第二医疗实体按照相互之间进行匹配的分值的最高值进行链接。
根据本发明实施例的第二方面，提供了一种实体链接装置，包括：
获取模块，用于获取医疗知识图谱；
计算模块，用于通过图嵌入模型对医疗知识图谱进行计算，以得到若干个不同的实体嵌入向量；
确定模块，用于基于所述若干个不同的实体嵌入向量，确定实体链接模型；
链接模块，用于根据所述实体链接模型完成医疗实体的链接。
在一个实施例中，所述确定模块，包括：
获取子模块，用于获取训练数据集；
解析子模块，用于通过预设算法对所述训练数据集进行解析，以得到训练数据集的语义成分；
匹配子模块，用于从所述医疗知识图谱中匹配出与所述语义成分对应的第一医疗实体；
提取子模块，用于从所述若干个不同的实体嵌入向量中提取出与所述第一医疗实体对应的实体嵌入向量；
确定子模块，用于基于所述第一医疗实体对应的实体嵌入向量，确定所述实体链接模型。
在一个实施例中，所述确定子模块，包括：
获取单元，用于获取预训练模型；
结合单元，用于将所述第一医疗实体对应的实体嵌入向量与所述预训练模型本身的token embedding、position embedding、segment embedding进行结合，以得到增强的embedding；
训练单元，用于通过微调的方式，将所述增强的embedding输入至所述预训练模型进行训练，以得到所述实体链接模型。
在一个实施例中，所述链接模块，包括：
抽取子模块，用于从医疗数据集中抽取医疗术语；
检索子模块，用于通过预设检索算法对所述医疗知识图谱进行检索，以得到与所述医疗术语相似度大于预设阈值的预设数目个第二医疗实体；
链接子模块，用于基于所述实体链接模型，对所述预设数目个第二医疗实体进行链接，以完成医疗实体的链接。
在一个实施例中，所述链接子模块，包括：
计算单元，用于通过所述实体链接模型对所述预设数目个第二医疗实体进行计算，以得到所述预设数目个第二医疗实体相互之间进行匹配的分值；
链接单元，用于将所述预设数目个第二医疗实体按照相互之间进行匹配的分值的最高值进行链接。
本发明的实施例提供的技术方案可以包括以下有益效果：
获取医疗知识图谱；进而，通过图嵌入模型对医疗知识图谱进行计算，能够得到若干个不同的实体嵌入向量；之后，基于若干个不同的实体嵌入向量，确定实体链接模型；最后，根据所述实体链接模型完成医疗实体的链接。通过本发明的技术方案，通过获取到医疗知识图谱中的实体嵌入向量，即外来知识，确定实体链接模型，使得模型学习到了实体更多的信息，提高了模型的学习能力，进而通过模型进行医疗实体链接的时候，链接效果更佳。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明一实施例中一种实体链接方法的流程图；
图2为本发明一实施例中另一种实体链接方法的流程图；
图3为本发明一实施例中一种实体链接装置的框图；
图4为本发明一实施例中另一种实体链接装置的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图1为本发明一实施例中一种实体链接方法的流程图，如图1所示，该方法可被实施为以下步骤S11-S14：
在步骤S11中，获取医疗知识图谱；
在步骤S12中，通过图嵌入模型对医疗知识图谱进行计算，以得到若干个不同的实体嵌入向量；其中，图嵌入模型可以是TransE模型或者图神经网络，通过图嵌入模型将医疗实体中的三元组计算，得到embedding向量，即实体嵌入向量，可以用eentity表示。
在步骤S13中，基于若干个不同的实体嵌入向量，确定实体链接模型；其中，实体链接模型是学习能力增强后的BERT模型。
在步骤S14中，根据实体链接模型完成医疗实体的链接，其中，医疗实体可以是“糖尿病”、“多尿”、“注射胰岛素”，链接结果为糖尿病分别链接多尿和注射胰岛素，意思是糖尿病的症状为多尿，需要通过注射胰岛素进行治疗。
获取医疗知识图谱；进而，通过图嵌入模型对医疗知识图谱进行计算，能够得到若干个不同的实体嵌入向量；之后，基于若干个不同的实体嵌入向量，确定实体链接模型；最后，根据所述实体链接模型完成医疗实体的链接。通过本发明的技术方案，通过获取到医疗知识图谱中的实体嵌入向量，即外来知识，确定实体链接模型，使得模型学习到了实体更多的信息，提高了模型的学习能力，进而通过模型进行医疗实体链接的时候，链接效果更佳。
如图2所示，在一个实施例中，上述步骤S13可被实施为以下步骤S131-S135：
在步骤S131中，获取训练数据集；
在步骤S132中，通过预设算法对训练数据集进行解析，以得到训练数据集的语义成分；其中，预设算法为Bert+BiLSTM+CRF算法，例如训练数据集中的数据为“泪腺切开术”，经过算法解析后为“部位”：泪腺，“术式”：切开术。
在步骤S133中，从医疗知识图谱中匹配出与语义成分对应的第一医疗实体；
在步骤S134中，从若干个不同的实体嵌入向量中提取出与第一医疗实体对应的实体嵌入向量；
在步骤S135中，基于第一医疗实体对应的实体嵌入向量，确定实体链接模型。
首先，获取训练数据集；之后，通过预设算法对训练数据集进行解析，能够得到训练数据集的语义成分；其次，从医疗知识图谱中匹配出与语义成分对应的第一医疗实体；然后，从若干个不同的实体嵌入向量中提取出与第一医疗实体对应的实体嵌入向量；最后，基于第一医疗实体对应的实体嵌入向量，确定实体链接模型，通过上述方案能够得到学习能力强的实体链接模型。
在一个实施例中，所述基于所述第一医疗实体对应的实体嵌入向量，确定所述实体链接模型，包括：
获取预训练模型；其中，预训练模型为BERT模型。
将所述第一医疗实体对应的实体嵌入向量与所述预训练模型本身的tokenembedding、position embedding、segment embedding进行结合，以得到增强的embedding；可用如下公式表示：eenhance＝etoken+epostion+esegment+eentity。
通过微调的方式，将所述增强的embedding输入至所述预训练模型进行训练，以得到所述实体链接模型。其中，实体链接模型是学习能力增强后的BERT模型。
在一个实施例中，所述根据所述实体链接模型完成医疗实体的链接，包括：
从医疗数据集中抽取医疗术语；其中，医疗术语可以是疾病，手术，症状，药物，检查等。
通过预设检索算法对所述医疗知识图谱进行检索，以得到与所述医疗术语相似度大于预设阈值的预设数目个第二医疗实体；
基于所述实体链接模型，对所述预设数目个第二医疗实体进行链接，以完成医疗实体的链接。
从医疗数据集中抽取医疗术语，然后，通过预设检索算法对医疗知识图谱进行检索，以得到与医疗术语相似度大于预设阈值的预设数目个第二医疗实体，进而基于实体链接模型，对预设数目个第二医疗实体进行链接，以准确的完成医疗实体的链接。
在一个实施例中，所述基于所述实体链接模型，对所述预设数目个第二医疗实体进行链接，包括：
通过所述实体链接模型对所述预设数目个第二医疗实体进行计算，以得到所述预设数目个第二医疗实体相互之间进行匹配的分值；
将所述预设数目个第二医疗实体按照相互之间进行匹配的分值的最高值进行链接。
通过上述方案，能够准确的完成医疗实体之间的链接。
对本发明实施例提供的上述一种实体链接方法，本发明实施例还提供了一种实体链接装置，如图3所示，该装置包括：
获取模块31，用于获取医疗知识图谱；
计算模块32，用于通过图嵌入模型对医疗知识图谱进行计算，以得到若干个不同的实体嵌入向量；
确定模块33，用于基于所述若干个不同的实体嵌入向量，确定实体链接模型；
链接模块34，用于根据所述实体链接模型完成医疗实体的链接。
如图4所示，在一个实施例中，所述确定模块33，包括：
获取子模块331，用于获取训练数据集；
解析子模块332，用于通过预设算法对所述训练数据集进行解析，以得到训练数据集的语义成分；
匹配子模块333，用于从所述医疗知识图谱中匹配出与所述语义成分对应的第一医疗实体；
提取子模块334，用于从所述若干个不同的实体嵌入向量中提取出与所述第一医疗实体对应的实体嵌入向量；
确定子模块335，用于基于所述第一医疗实体对应的实体嵌入向量，确定所述实体链接模型。
在一个实施例中，所述确定子模块，包括：
获取单元，用于获取预训练模型；
结合单元，用于将所述第一医疗实体对应的实体嵌入向量与所述预训练模型本身的token embedding、position embedding、segment embedding进行结合，以得到增强的embedding；
训练单元，用于通过微调的方式，将所述增强的embedding输入至所述预训练模型进行训练，以得到所述实体链接模型。
在一个实施例中，所述链接模块，包括：
抽取子模块，用于从医疗数据集中抽取医疗术语；
检索子模块，用于通过预设检索算法对所述医疗知识图谱进行检索，以得到与所述医疗术语相似度大于预设阈值的预设数目个第二医疗实体；
链接子模块，用于基于所述实体链接模型，对所述预设数目个第二医疗实体进行链接，以完成医疗实体的链接。
在一个实施例中，所述链接子模块，包括：
计算单元，用于通过所述实体链接模型对所述预设数目个第二医疗实体进行计算，以得到所述预设数目个第二医疗实体相互之间进行匹配的分值；
链接单元，用于将所述预设数目个第二医疗实体按照相互之间进行匹配的分值的最高值进行链接。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (2)

1.一种实体链接方法，其特征在于，包括：
获取医疗知识图谱；
通过图嵌入模型对医疗知识图谱进行计算，以得到若干个不同的实体嵌入向量；
基于所述若干个不同的实体嵌入向量，确定实体链接模型；
根据所述实体链接模型完成医疗实体的链接；
所述根据所述实体链接模型完成医疗实体的链接，包括：
从医疗数据集中抽取医疗术语；
通过预设检索算法对所述医疗知识图谱进行检索，以得到与所述医疗术语相似度大于预设阈值的预设数目个第二医疗实体；
基于所述实体链接模型，对所述预设数目个第二医疗实体进行链接，以完成医疗实体的链接；
所述基于所述实体链接模型，对所述预设数目个第二医疗实体进行链接，包括：
通过所述实体链接模型对所述预设数目个第二医疗实体进行计算，以得到所述预设数目个第二医疗实体相互之间进行匹配的分值；
将所述预设数目个第二医疗实体按照相互之间进行匹配的分值的最高值进行链接；
所述基于所述若干个不同的实体嵌入向量，确定实体链接模型，包括：
获取训练数据集；
通过预设算法对所述训练数据集进行解析，以得到训练数据集的语义成分；
其中，预设算法为Bert+BiLSTM+CRF算法；
从所述医疗知识图谱中匹配出与所述语义成分对应的第一医疗实体；
从所述若干个不同的实体嵌入向量中提取出与所述第一医疗实体对应的实体嵌入向量；
基于所述第一医疗实体对应的实体嵌入向量，确定所述实体链接模型；
所述基于所述第一医疗实体对应的实体嵌入向量，确定所述实体链接模型，包括：
获取预训练模型；
其中，预训练模型为BERT模型；
将所述第一医疗实体对应的实体嵌入向量与所述预训练模型本身的tokenembedding、position embedding、segment embedding进行结合，以得到增强的embedding；
通过微调的方式，将所述增强的embedding输入至所述预训练模型进行训练，以得到所述实体链接模型。
2.一种实体链接装置，其特征在于，包括：
获取模块，用于获取医疗知识图谱；
计算模块，用于通过图嵌入模型对医疗知识图谱进行计算，以得到若干个不同的实体嵌入向量；
确定模块，用于基于所述若干个不同的实体嵌入向量，确定实体链接模型；
链接模块，用于根据所述实体链接模型完成医疗实体的链接；
抽取子模块，用于从医疗数据集中抽取医疗术语；
检索子模块，用于通过预设检索算法对所述医疗知识图谱进行检索，以得到与所述医疗术语相似度大于预设阈值的预设数目个第二医疗实体；
链接子模块，用于基于所述实体链接模型，对所述预设数目个第二医疗实体进行链接，以完成医疗实体的链接；
计算单元，用于通过所述实体链接模型对所述预设数目个第二医疗实体进行计算，以得到所述预设数目个第二医疗实体相互之间进行匹配的分值；
链接单元，用于将所述预设数目个第二医疗实体按照相互之间进行匹配的分值的最高值进行链接；
所述确定模块，包括：
获取子模块，用于获取训练数据集；
解析子模块，用于通过预设算法对所述训练数据集进行解析，以得到训练数据集的语义成分；
其中，预设算法为Bert+BiLSTM+CRF算法；
匹配子模块，用于从所述医疗知识图谱中匹配出与所述语义成分对应的第一医疗实体；
提取子模块，用于从所述若干个不同的实体嵌入向量中提取出与所述第一医疗实体对应的实体嵌入向量；
确定子模块，用于基于所述第一医疗实体对应的实体嵌入向量，确定所述实体链接模型；
所述确定子模块，包括：
获取单元，用于获取预训练模型；
其中，预训练模型为BERT模型；
结合单元，用于将所述第一医疗实体对应的实体嵌入向量与所述预训练模型本身的token embedding、position embedding、segment embedding进行结合，以得到增强的embedding；
训练单元，用于通过微调的方式，将所述增强的embedding输入至所述预训练模型进行训练，以得到所述实体链接模型。
CN202010177062.5A 2020-03-13 2020-03-13 一种实体链接方法及装置 Active CN111462914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010177062.5A CN111462914B (zh) 2020-03-13 2020-03-13 一种实体链接方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010177062.5A CN111462914B (zh) 2020-03-13 2020-03-13 一种实体链接方法及装置

Publications (2)

Publication Number Publication Date
CN111462914A CN111462914A (zh) 2020-07-28
CN111462914B true CN111462914B (zh) 2023-07-25

Family

ID=71682084

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010177062.5A Active CN111462914B (zh) 2020-03-13 2020-03-13 一种实体链接方法及装置

Country Status (1)

Country Link
CN (1) CN111462914B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113722507B (zh) * 2021-08-31 2023-07-21 平安科技（深圳）有限公司 基于知识图谱的住院费用预测方法、装置及计算机设备
CN115061836B (zh) * 2022-08-16 2022-11-08 浙江大学滨海产业技术研究院 一种接口层面的基于图嵌入算法的微服务拆分方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019137562A2 (en) * 2019-04-25 2019-07-18 Alibaba Group Holding Limited Identifying entities in electronic medical records

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140357976A1 (en) * 2010-06-07 2014-12-04 Affectiva, Inc. Mental state analysis using an application programming interface
CN109829057B (zh) * 2019-01-11 2023-02-21 中山大学 一种基于图二阶相似性的知识图谱实体语义空间嵌入方法
CN110334219B (zh) * 2019-07-12 2023-05-09 电子科技大学 基于注意力机制融入文本语义特征的知识图谱表示学习方法
CN110727806B (zh) * 2019-12-17 2020-08-11 北京百度网讯科技有限公司 基于自然语言和知识图谱的文本处理方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019137562A2 (en) * 2019-04-25 2019-07-18 Alibaba Group Holding Limited Identifying entities in electronic medical records

Also Published As

Publication number Publication date
CN111462914A (zh) 2020-07-28

Similar Documents

Publication Publication Date Title
CN117573843B (zh) 一种基于知识校准和检索增强的医疗辅助问答方法及系统
US20210390700A1 (en) Referring image segmentation
CN111709233B (zh) 基于多注意力卷积神经网络的智能导诊方法及系统
KR20210124901A (ko) 이미지 조건화 마스킹된 언어 모델링을 사용하여 이미지 인식을 위한 컨볼루션 신경망을 훈련하기 위한 방법
CN111462914B (zh) 一种实体链接方法及装置
CN108960331A (zh) 一种基于行人图像特征聚类的行人再识别方法
CN109829045A (zh) 一种问答方法和装置
CN110929498B (zh) 一种短文本相似度的计算方法及装置、可读存储介质
CN111180060B (zh) 一种疾病诊断自动编码方法及装置
CN117312500B (zh) 一种基于ann和bert的语义检索模型建立方法
CN113569018A (zh) 问答对挖掘方法及装置
CN115861995A (zh) 一种视觉问答方法、装置及电子设备和存储介质
CN113127661A (zh) 基于循环查询扩展的多监督医学图像检索方法和系统
CN114358001A (zh) 诊断结果的标准化方法及其相关装置、设备和存储介质
CN118296120A (zh) 多模态多尺度多路召回的大型语言模型检索增强生成方法
CN110852076B (zh) 一种自动化疾病编码转换的方法及装置
CN113722507B (zh) 基于知识图谱的住院费用预测方法、装置及计算机设备
CN117854715A (zh) 基于问诊分析的智能助诊系统
CN113609360A (zh) 一种基于场景化多源数据融合分析的方法和系统
CN107122378B (zh) 对象处理方法、装置及移动终端
CN106844512B (zh) 智能问答方法及系统
CN117235137A (zh) 一种基于向量数据库的职业信息查询方法及装置
CN116719840A (zh) 一种基于病历后结构化处理的医疗信息推送方法
CN111785344A (zh) 基于中医药领域专业词向量的中药处方用药安全检测方法
CN116501837A (zh) 基于双塔召回的检索方法、系统、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