CN111507827A - 一种健康风险评估的方法、终端及计算机存储介质 - Google Patents
一种健康风险评估的方法、终端及计算机存储介质 Download PDFInfo
- Publication number
- CN111507827A CN111507827A CN202010312373.8A CN202010312373A CN111507827A CN 111507827 A CN111507827 A CN 111507827A CN 202010312373 A CN202010312373 A CN 202010312373A CN 111507827 A CN111507827 A CN 111507827A
- Authority
- CN
- China
- Prior art keywords
- knowledge
- health risk
- terminal
- risk assessment
- entity
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000036541 health Effects 0.000 title claims abstract description 26
- 238000012502 risk assessment Methods 0.000 title claims abstract description 21
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 201000010099 disease Diseases 0.000 claims abstract description 23
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 7
- 238000010276 construction Methods 0.000 claims abstract description 4
- 238000013441 quality evaluation Methods 0.000 claims abstract description 4
- 230000001502 supplementing effect Effects 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003745 diagnosis Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000003814 drug Substances 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 208000025865 Ulcer Diseases 0.000 description 6
- 206010009900 Colitis ulcerative Diseases 0.000 description 5
- 201000006704 Ulcerative Colitis Diseases 0.000 description 5
- 230000001684 chronic effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000036269 ulceration Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- KBOPZPXVLCULAV-UHFFFAOYSA-N mesalamine Chemical compound NC1=CC=C(O)C(C(O)=O)=C1 KBOPZPXVLCULAV-UHFFFAOYSA-N 0.000 description 3
- 229960004963 mesalazine Drugs 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000001225 therapeutic effect Effects 0.000 description 2
- 231100000397 ulcer Toxicity 0.000 description 2
- ZGUGWUXLJSTTMA-UHFFFAOYSA-N Promazinum Chemical compound C1=CC=C2N(CCCN(C)C)C3=CC=CC=C3SC2=C1 ZGUGWUXLJSTTMA-UHFFFAOYSA-N 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 229960003598 promazine Drugs 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Images
Classifications
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06F16/3344—Query execution using natural language analysis
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- Animal Behavior & Ethology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Pathology (AREA)
- Strategic Management (AREA)
- Epidemiology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种健康风险评估的方法、终端及计算机存储介质，采用如下步骤：S101：采集待处理数据：S102：知识抽取：对文本数据中的知识进行实体抽取；S103：知识融合：利用现有的知识库对知识进行补充；S104：知识存储：将三元组利用图数据库存储；S105：知识加工：利用word2vec，对现有知识进行加工，根据词句中其他辅助信息帮助对疾病进行分期分度，形成对知识进行本体构建和质量评估；S106：完成用户的风险画像；它能从一段文本信息中推断病史，并且对用户的疾病诊断分型分期，建立用户健康风险画像，准确率高、时效性好、同时具有可解释性、专业性等优点。
Description
【技术领域】
本发明涉及一种健康风险评估的方法、终端及计算机存储介质。
【背景技术】
金融保险行业风险用户画像一般依靠该用户历史的金融消费、借贷行为，对用户的经济能力、消费习惯进行评估，生成用户画像，进而对用户的信贷评级进行分类，最终给予一定的授信额度。在金融其他行业，银行、券商等行业，依靠银行信息化产业20多年积累下的结构化信息数据，可以用现有技术进行评估；
然而保险行业，除了金融消费、借贷行为，更关心的是用户的健康状况和疾病史，这些信息是金融通用风险用户画像不具备的，借助银行的风控用户画像方案无法解决保险行业特殊需求。
另外，由于保险是一个低频行为，加上保险行业信息化进程起步较晚，历史积累的数据数量和质量上都无法达到可以利用自身数据，进行未来趋势判断。因此保险行业的健康风险用户画像成为一个急需解决的问题。
【发明内容】
本发明的目的在于针对现有技术的缺陷和不足，提供一种健康风险评估的方法、终端及计算机存储介质。
本发明所述的一种健康风险评估的方法，采用如下步骤：
S101：采集待处理数据：采集待处理的诊断文本，形成文本数据；
S102：知识抽取：对文本数据中的知识进行实体抽取；
S103：知识融合：利用现有的知识库对知识进行补充；
S104：知识存储：将三元组利用图数据库存储；
S105：知识加工：利用word2vec，对现有知识进行加工，根据词句中其他辅助信息帮助对疾病进行分期分度，形成对知识进行本体构建和质量评估；
S106：完成用户的风险画像。
本发明所述的的一种健康风险评估终端包括处理器和存储器；
所述存储器用于存储计算机程序；所述处理器运行计算机程序，以使计算机终端执行根据所述健康风险评估方法的步骤。
进一步地，步骤S101中的待处理数据为体检报告、诊断报告中一部分、病历说明、几段病历说明或任何包含详细医疗信息的文本内容。
进一步地，步骤S102中的实体抽取的信息数据为诊断名称、诊断时长、病程时长、疾病名称或药物名称
进一步地，步骤S102中的实体抽取的信息数据，根据词性进行预处理，分为候选实体和候选关系，利用基于注意力的神经网络进行实体识别和关系识别，将候选实体词向量作为注意力函数，获得实体和关系。
进一步地，步骤S104中的三元组：将实体和关系按照OWL Lite标准组装，形成三元组。
进一步地，步骤S105中的知识加工后形成的所有属性信息，根据S102中的实体抽取的不同信息数据直接关联相对应的词向量，用向量进行表达，向量夹角分析词语意义的相关性，置信度的计算公式为：
其中：v1表示现有知识的词向量，v2表示医疗库中相关词的词向量，θ表示两个向量夹角，取值范围[0,180)，τ表示两个向量的欧式距离。
进一步地，置信度的计算公式中的，τ表示两个向量的欧式距离，具体公式如下：
本发明有益效果为：本发明所述的一种健康风险评估的方法、终端及计算机存储介质，它能从一段文本信息中推断病史，并且对用户的疾病诊断分型分期，建立用户健康风险画像，准确率高、时效性好、同时具有可解释性、专业性等优点。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：
图1是本发明的拓扑流程图；
图2是本发明的模型配置拓扑图；
图3是本发明的注意力分配概率分布值的计算过程的拓扑图；
图4是本发明中的三元组示例图；
图5是本发明中的最终知识图谱示意图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
如图1所示，本具体实施方式所述的一种健康风险评估的方法，采用如下步骤：
S101：采集待处理数据：采集待处理的诊断文本，形成文本数据；
S102：知识抽取：对文本数据中的知识进行实体抽取；
S103：知识融合：利用现有的知识库对知识进行补充；
S104：知识存储：将三元组利用图数据库存储；
S105：知识加工：利用word2vec，对现有知识进行加工，根据词句中其他辅助信息帮助对疾病进行分期分度，形成对知识进行本体构建和质量评估；
S106：完成用户的风险画像。
本发明所述的的一种健康风险评估终端包括处理器和存储器；
所述存储器用于存储计算机程序；所述处理器运行计算机程序，以使计算机终端执行根据所述健康风险评估方法的步骤。
进一步地，步骤S101中的待处理数据为体检报告、诊断报告中一部分、病历说明、几段病历说明或任何包含详细医疗信息的文本内容。
进一步地，步骤S102中的实体抽取的信息数据为诊断名称、诊断时长、病程时长、疾病名称或药物名称。
进一步地，步骤S102中的实体抽取的信息数据，根据词性进行预处理，分为候选实体和候选关系，利用基于注意力的神经网络进行实体识别和关系识别，将候选实体词向量作为注意力函数，获得实体和关系。
进一步地，步骤S104中的三元组：将实体和关系按照OWL Lite标准组装，形成三元组。
进一步地，步骤S105中的知识加工后形成的所有属性信息，根据S102中的实体抽取的不同信息数据直接关联相对应的词向量，用向量进行表达，向量夹角分析词语意义的相关性，置信度的计算公式为：
其中：v1表示现有知识的词向量，v2表示医疗库中相关词的词向量，θ表示两个向量夹角，取值范围[0,180)，τ表示两个向量的欧式距离。
进一步地，置信度的计算公式中的，τ表示两个向量的欧式距离，具体公式如下：
本发明的原理如下：
如图1所示，本发明提供的风险评估方法，包括：
101：采集待处理信息，信息一般是非结构化文本信息，利用保险行业一般能采集到的体检报告，病历报告，或者检查报告等信息。
102：对获得的信息进行实体抽取处理，由于信息可能是一段文本或者多段文本，分词后得到一串词，将这些词根据词性进行预处理，分为候选实体和候选关系，利用基于注意力的神经网络进行实体识别和关系识别，将候选实体词向量作为注意力函数，获得实体和关系。
本发明方法使用Soft Attention Model，引用的Encoder采用RNN模型， Decoder也采用RNN模型，那模型配置如图2所示。注意力分配概率分布值的计算过程如图3所示。
可以用i时刻的隐层节点状态
Hi去一一和输入句子中每个单词对应的RNN隐层节点状态
hj进行对比，即通过函数F(hj，Hi)来获得目标单词
Yi和每个输入单词对应的对齐可能性，函数F使用pair-wise RNN对候选集进行打分，其中RNN使用word-level和character-level信息。然后函数F的输出经过Softmax进行归一化就得到了符合概率分布取值区间的注意力分配概率分布数值，使用这个。
本发明的场景中，实体一般包括以下类型的名词：诊断名称，诊断时长，病程时长，疾病名称，药物名称等，关系则相对固定，主要是患有、没有、好转、恶化之类的确切关系，因此模型只处理实体，由于医学名字大多为名词叠加，因此对处理后的实体进行拼接，拼接的逻辑为如果相邻实体，则实体拼接，否则不拼接；
103：利用基于模板的技术，将实体信息与现有知识库进行比对，例如CHHI，两个实体词向量相似度100％才能将两个实体认为是同一个，然后实体推理，将医学上常用的同义词进行修正，在比对过程中使用等价替换原则，将上述的实体修正；
104：将实体和关系按照OWL Lite标准组装成三元组，具体见图3，将三元组按照指定的格式存进图数据库，例如gStore，形成知识；
105：利用word2vec利用现有知识上进行加工，根据词句中其他辅助信息帮助对疾病进行分期分度。例如，上述描述中的所有属性信息，将这个词向量，比对CHHI等疾病医疗库中所有和疾病名称直接关联的词的词向量进行，将这些词语用向量表达出来，然后利用向量夹角分析词语意义的相关性，置信度的计算公式为：
其中，v1表示现有知识的词向量，v2表示医疗库中相关词的词向量，θ表示两个向量夹角，取值范围[0,180)，τ表示两个向量的欧式距离，具体公式如下：
106：对用户计算完所有属性，遇到同一个属性不同的判断的时候，对置信度进行评估，采用最高置信度的结果，对没有出现在预设实体、预设属性进行剔除，保证最后所有属性和实体准确有效，完成用户的风险个人画像。
上述方法可以高效准确地计算结果，存储结果，能事项较好地提取和判断用户的风险画像，适用性强。
下面以具体实施例来进一下阐述本发明。
本实施例以某用户的一段病历为例，具体的，本实施例中待分析的为前述病例，该用户作为目标对象。
首先，采集到该用户于2020年2月19日的一段病例，用户标记为ID00197397156393，病例文本为“有溃结5年余，平时口服美沙拉嗪、米雅治疗，目前病情平稳”。
进一步地，使用分词组件jieba对上述文字进行分词，得到如下结果：
有/溃/结/5/年/余/,/平时/口服/美沙/拉嗪/、/米雅/治疗/，目前/病情/ 平稳/。
将这些词根据词性分析，提取出名词或者待定名词，称为候选实体，包括：溃/结/年/余/美沙/拉嗪/病情/平稳，提取出动词或者待定动词，称为候选关系，包括：有/口服/治疗。
将所有分割完成的单词输入基于Soft Attention Model的神经网络进行实体识别，同时利用已经预处理过的候选实体的词向量作为注意力函数，计算获得的实体结果为：
溃/结/美沙/拉嗪/病情/平稳；
再根据相邻原则，对实体进行拼接，拼接得到最后的实体为：
溃结/美沙拉嗪/病情/平稳
进一步地，现有的医疗疾病名称知识库件建模中存在如下信息：
"156767748331072032","疾病","名称","溃疡性结肠炎",,"0"
"156767748331072032","疾病","别称","溃结",,"0"
得出溃疡性结肠炎和溃结是等价关系，将现有的实体与知识库实体进行知识融合，两个词向量相似度100％，因此可以将溃疡性结肠炎替换溃结，得出如下实体：
溃疡性结肠炎/美沙拉嗪/病情/平稳；
关系为：有/口服/治疗；
进一步地，如图4所示，按照OWL Lite标准组装三元组，按照指定的格 式存进图数据库，这里以gStore为例，将知识存储下来。
进一步地，利用word2vec对103中知识融合的实体利用知识融合进行再次加工，达到分型分期的目的，对复杂疾病的健康风险进行细化，在现有的知识库中，按溃疡性结肠炎病程经过可分为以下4型：初发型，慢性复发型，慢性持续性，急性爆发型。慢性复发型包含属性症状轻，包含属性病程短，将所有这些词语转换成医学领域的词向量，发现平稳的词向量和轻的词夹角最小，为10.4度，可以推理得到新属性分型为“慢性复发型”，置信度为94.22％。
进一步地，如图5所示，完成了目标用户所有属性比对的结果后，发现目标用户的“慢性复发型”的置信度最高，因此加入知识图谱，并且对图谱进行整理，最后得到最终用户的画像为下图，并且更新图数据库。
本发明中，使用CNN或者LSTM模型的Encoder、Decoder进行模型配置，或者将其中一个变更为CNN或者LSTM，都是本方法的衍生和扩展。
本发明中，使用词向量夹角不超过指定阈值、距离不超过指定阈值的两个实体，认为可以实体推理，可以认为两个实体相似，也可以进行实体修正。
以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。
Claims (8)
1.本发明所述的一种健康风险评估评估的方法，其特征在于：采用如下步骤：
S101：采集待处理数据：采集待处理的诊断文本，形成文本数据；
S102：知识抽取：对文本数据中的知识进行实体抽取；
S103：知识融合：利用现有的知识库对知识进行补充；
S104：知识存储：将三元组利用图数据库存储；
S105：知识加工：利用word2vec，对现有知识进行加工，根据词句中其他辅助信息帮助对疾病进行分期分度，形成对知识进行本体构建和质量评估；
S106：完成用户的风险画像。
2.本发明所述的一种健康风险评估评估终端，其特征在于：包括处理器和存储器；
所述存储器用于存储计算机程序；所述处理器运行计算机程序，以使计算机终端执行根据所述健康风险评估评估方法的步骤。
3.根据权利要求1所述的一种健康风险评估的方法、终端及计算机存储介质，其特征在于：步骤S101中的待处理数据为体检报告、诊断报告、病历说明或任何包含详细医疗信息的文本内容。
4.根据权利要求1所述的一种健康风险评估的方法、终端及计算机存储介质，其特征在于：步骤S102中的实体抽取的信息数据为诊断名称、诊断时长、病程时长、疾病名称或药物名称。
5.根据权利要求1所述的一种健康风险评估的方法、终端及计算机存储介质，其特征在于：步骤S102中的实体抽取的信息数据，根据词性进行预处理，分为候选实体和候选关系，利用基于注意力的神经网络进行实体识别和关系识别，将候选实体词向量作为注意力函数，获得实体和关系。
6.根据权利要求1所述的一种健康风险评估的方法、终端及计算机存储介质，其特征在于：步骤S104中的三元组：将实体和关系按照OWL Lite标准组装，形成三元组。
7.根据权利要求1所述的一种健康风险评估的方法、终端及计算机存储介质，其特征在于：步骤S105中的知识加工后形成的所有属性信息，根据S102中的实体抽取的不同信息数据直接关联相对应的词向量，用向量进行表达，向量夹角分析词语意义的相关性，置信度的计算公式为：
其中：v1表示现有知识的词向量，v2表示医疗库中相关词的词向量，θ表示两个向量夹角，取值范围[0,180)，τ表示两个向量的欧式距离。
8.根据权利要求1所述的一种健康风险评估的方法、终端及计算机存储介质，其特征在于：置信度的计算公式中的，τ表示两个向量的欧式距离，具体公式如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010312373.8A CN111507827A (zh) | 2020-04-20 | 2020-04-20 | 一种健康风险评估的方法、终端及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010312373.8A CN111507827A (zh) | 2020-04-20 | 2020-04-20 | 一种健康风险评估的方法、终端及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111507827A true CN111507827A (zh) | 2020-08-07 |
Family
ID=71864145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010312373.8A Pending CN111507827A (zh) | 2020-04-20 | 2020-04-20 | 一种健康风险评估的方法、终端及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111507827A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112182412A (zh) * | 2020-11-26 | 2021-01-05 | 南京吉拉福网络科技有限公司 | 用于推荐体检项目的方法、计算设备和计算机存储介质 |
| CN112287680A (zh) * | 2020-10-23 | 2021-01-29 | 微医云(杭州)控股有限公司 | 一种问诊信息的实体抽取方法、装置、设备及存储介质 |
| CN112466436A (zh) * | 2020-11-25 | 2021-03-09 | 北京小白世纪网络科技有限公司 | 基于循环神经网络的智能中医开方模型训练方法及装置 |
| CN112992362A (zh) * | 2021-04-19 | 2021-06-18 | 北京妙医佳健康科技集团有限公司 | 一种身体状态评估装置、电子设备及存储介质 |
| CN114678138A (zh) * | 2022-04-19 | 2022-06-28 | 重庆邮电大学 | 一种基于电子护理文本数据的人体跌倒风险预测方法及系统 |
| WO2023109199A1 (zh) * | 2021-12-14 | 2023-06-22 | 之江实验室 | 一种个体慢病演进风险可视化评估方法及系统 |
| CN116434955A (zh) * | 2023-03-20 | 2023-07-14 | 吉林金域医学检验所有限公司 | 一种员工健康状态评价方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145744A (zh) * | 2017-05-08 | 2017-09-08 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
| CN107403067A (zh) * | 2017-07-31 | 2017-11-28 | 京东方科技集团股份有限公司 | 基于医学知识库的智能分诊服务器、终端及系统 |
| CN108614885A (zh) * | 2018-05-03 | 2018-10-02 | 杭州认识科技有限公司 | 基于医学信息的知识图谱分析方法及装置 |
| CN108932323A (zh) * | 2018-06-29 | 2018-12-04 | 北京百度网讯科技有限公司 | 实体答案的确定方法、装置、服务器及存储介质 |
| CN109271530A (zh) * | 2018-10-17 | 2019-01-25 | 长沙瀚云信息科技有限公司 | 一种疾病知识图谱构建方法和平台系统、设备、存储介质 |
| CN110289101A (zh) * | 2019-07-02 | 2019-09-27 | 京东方科技集团股份有限公司 | 一种计算机设备、系统及可读存储介质 |
| CN110297908A (zh) * | 2019-07-01 | 2019-10-01 | 中国医学科学院医学信息研究所 | 诊疗方案预测方法及装置 |
-
2020
- 2020-04-20 CN CN202010312373.8A patent/CN111507827A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107145744A (zh) * | 2017-05-08 | 2017-09-08 | 合肥工业大学 | 医学知识图谱的构建方法、装置及辅助诊断方法 |
| CN107403067A (zh) * | 2017-07-31 | 2017-11-28 | 京东方科技集团股份有限公司 | 基于医学知识库的智能分诊服务器、终端及系统 |
| CN108614885A (zh) * | 2018-05-03 | 2018-10-02 | 杭州认识科技有限公司 | 基于医学信息的知识图谱分析方法及装置 |
| CN108932323A (zh) * | 2018-06-29 | 2018-12-04 | 北京百度网讯科技有限公司 | 实体答案的确定方法、装置、服务器及存储介质 |
| CN109271530A (zh) * | 2018-10-17 | 2019-01-25 | 长沙瀚云信息科技有限公司 | 一种疾病知识图谱构建方法和平台系统、设备、存储介质 |
| CN110297908A (zh) * | 2019-07-01 | 2019-10-01 | 中国医学科学院医学信息研究所 | 诊疗方案预测方法及装置 |
| CN110289101A (zh) * | 2019-07-02 | 2019-09-27 | 京东方科技集团股份有限公司 | 一种计算机设备、系统及可读存储介质 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112287680A (zh) * | 2020-10-23 | 2021-01-29 | 微医云(杭州)控股有限公司 | 一种问诊信息的实体抽取方法、装置、设备及存储介质 |
| CN112287680B (zh) * | 2020-10-23 | 2024-04-09 | 微医云(杭州)控股有限公司 | 一种问诊信息的实体抽取方法、装置、设备及存储介质 |
| CN112466436A (zh) * | 2020-11-25 | 2021-03-09 | 北京小白世纪网络科技有限公司 | 基于循环神经网络的智能中医开方模型训练方法及装置 |
| CN112466436B (zh) * | 2020-11-25 | 2024-02-23 | 北京小白世纪网络科技有限公司 | 基于循环神经网络的智能中医开方模型训练方法及装置 |
| CN112182412A (zh) * | 2020-11-26 | 2021-01-05 | 南京吉拉福网络科技有限公司 | 用于推荐体检项目的方法、计算设备和计算机存储介质 |
| CN112182412B (zh) * | 2020-11-26 | 2021-04-02 | 南京吉拉福网络科技有限公司 | 用于推荐体检项目的方法、计算设备和计算机存储介质 |
| CN112992362A (zh) * | 2021-04-19 | 2021-06-18 | 北京妙医佳健康科技集团有限公司 | 一种身体状态评估装置、电子设备及存储介质 |
| WO2023109199A1 (zh) * | 2021-12-14 | 2023-06-22 | 之江实验室 | 一种个体慢病演进风险可视化评估方法及系统 |
| CN114678138A (zh) * | 2022-04-19 | 2022-06-28 | 重庆邮电大学 | 一种基于电子护理文本数据的人体跌倒风险预测方法及系统 |
| CN116434955A (zh) * | 2023-03-20 | 2023-07-14 | 吉林金域医学检验所有限公司 | 一种员工健康状态评价方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111507827A (zh) | 一种健康风险评估的方法、终端及计算机存储介质 | |
| CN111914091B (zh) | 一种基于强化学习的实体和关系联合抽取方法 | |
| WO2022105115A1 (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
| WO2017067153A1 (zh) | 基于文本分析的信用风险评估方法及装置、存储介质 | |
| CN107992531A (zh) | 基于深度学习的新闻个性化智能推荐方法与系统 | |
| WO2018184518A1 (zh) | 微博数据处理方法、装置、计算机设备及存储介质 | |
| CN117453921B (zh) | 一种大语言模型的数据信息标签处理方法 | |
| CN112256866A (zh) | 一种基于深度学习的文本细粒度情感分析方法 | |
| US11615361B2 (en) | Machine learning model for predicting litigation risk in correspondence and identifying severity levels | |
| CN112200664A (zh) | 基于ernie模型和dcnn模型的还款预测方法 | |
| CN116245107B (zh) | 电力审计文本实体识别方法、装置、设备及存储介质 | |
| CN116383399A (zh) | 一种事件舆情风险预测方法及系统 | |
| CN114331122A (zh) | 重点人员风险等级评估方法及相关设备 | |
| CN111428513A (zh) | 一种基于卷积神经网络的虚假评论分析方法 | |
| CN113779179A (zh) | 一种基于深度学习和知识图谱的icd智能编码的方法 | |
| CN110795411B (zh) | 一种基于类别门机制的文本分类方法 | |
| CN113920379B (zh) | 一种基于知识辅助的零样本图像分类方法 | |
| CN115858919A (zh) | 基于项目领域知识和用户评论的学习资源推荐方法及系统 | |
| CN113076425B (zh) | 一种用于微博评论的事件相关观点句分类方法 | |
| CN117217807B (zh) | 一种基于多模态高维特征的不良资产估值方法 | |
| CN117271701A (zh) | 一种基于tggat和cnn的系统运行异常事件关系抽取方法及系统 | |
| CN117151222A (zh) | 领域知识引导的突发事件案例实体属性及其关系抽取方法、电子设备和存储介质 | |
| CN114117082B (zh) | 用于对待校正数据校正的方法、设备和介质 | |
| CN115391523A (zh) | 风电场多源异构数据处理方法及装置 | |
| CN115858799A (zh) | 融合有序关系路径和实体描述信息的知识表示学习方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200807 |