CN111627566A - 适应症信息处理方法与装置、存储介质、电子设备 - Google Patents
适应症信息处理方法与装置、存储介质、电子设备 Download PDFInfo
- Publication number
- CN111627566A CN111627566A CN202010442869.7A CN202010442869A CN111627566A CN 111627566 A CN111627566 A CN 111627566A CN 202010442869 A CN202010442869 A CN 202010442869A CN 111627566 A CN111627566 A CN 111627566A
- Authority
- CN
- China
- Prior art keywords
- indication information
- classified
- word
- medicine
- similarity
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 31
- 238000003672 processing method Methods 0.000 title claims abstract description 18
- 239000003814 drug Substances 0.000 claims abstract description 211
- 239000013598 vector Substances 0.000 claims abstract description 137
- 229940079593 drug Drugs 0.000 claims abstract description 110
- 238000000034 method Methods 0.000 claims abstract description 58
- 230000011218 segmentation Effects 0.000 claims abstract description 45
- 230000006403 short-term memory Effects 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000006243 chemical reaction Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 5
- 208000003532 hypothyroidism Diseases 0.000 description 4
- 230000002989 hypothyroidism Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 208000011580 syndromic disease Diseases 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 239000003390 Chinese drug Substances 0.000 description 2
- AUYYCJSJGJYCDS-LBPRGKRZSA-N Thyrolar Chemical class IC1=CC(C[C@H](N)C(O)=O)=CC(I)=C1OC1=CC=C(O)C(I)=C1 AUYYCJSJGJYCDS-LBPRGKRZSA-N 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 210000001685 thyroid gland Anatomy 0.000 description 2
- 239000005495 thyroid hormone Substances 0.000 description 2
- 229940036555 thyroid hormone Drugs 0.000 description 2
- 206010067484 Adverse reaction Diseases 0.000 description 1
- 206010004542 Bezoar Diseases 0.000 description 1
- 206010011224 Cough Diseases 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- 206010037660 Pyrexia Diseases 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 230000006838 adverse reaction Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000006187 pill Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
- 229940126673 western medicines Drugs 0.000 description 1
- 239000009792 yinqiao Substances 0.000 description 1
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
- 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
-
- 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
- G06F16/35—Clustering; Classification
-
- 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
-
- 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
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本公开属于计算机技术领域，涉及一种适应症信息处理方法及装置、计算机可读存储介质、电子设备。该方法包括：获取待分类药品的适应症信息，并对适应症信息进行分词处理，得到词序列；根据词向量模型对词序列进行向量转换，得到第一词向量序列；获取药品语义库中已分类适应症信息的第二词向量序列，并利用孪生长短期记忆网络模型确定第一词向量序列与第二词向量序列之间的相似度；根据相似度确定与适应症信息对应的药品类别，以对待分类药品进行分类。本公开一方面，从语义层面上解决了药品相似度问题，提高了句子分类的精度，提升了药品分类的准确性；另一方面，实现了药品的自动分类，为合理用药、智能控费提供了依据，节省了大量人力。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种适应症信息处理方法与适应症信息处理装置、计算机可读存储介质及电子设备。
背景技术
药品费用占整个医疗费用很高的比例，因此，合理用药是险种控费的重要环节。尤其对病人的诊断信息和用药信息进行审核，也是健康险控费中必不可少的一步。其中，合理用药的主要依据是药品的适应症、剂量、禁忌症和不良反应等信息。对这些信息加以利用，计算药品的相似度可以为合理用药提供判断基准。
在现有的药品相似度计算中，多为基于适应症关键词的算法，有的是根据词频-反转文件频率(term frequency–inverse document frequency，简称TF-IDF)计算余弦相似度，有的是根据适应症数据中的医学术语，利用关联规则算法计算相似度。但是，这些方法均是从词语层面上解决药品的相似度问题，药品分类的准确度较低，给控制医疗理赔费用增加了难度。
鉴于此，本领域亟需开发一种新的适应症信息处理方法及装置。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的目的在于提供一种适应症信息处理方法、适应症信息处理装置、计算机可读存储介质及电子设备，进而至少在一定程度上克服由于相关技术的限制而导致的药品分类准确度低和医疗控费难等问题。
本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本发明实施例的第一个方面，提供一种适应症信息处理方法，所述方法包括：获取待分类药品的适应症信息，并对所述适应症信息进行分词处理，得到词序列；根据词向量模型对所述词序列进行向量转换，得到第一词向量序列；获取药品语义库中已分类适应症信息的第二词向量序列，并利用孪生长短期记忆网络模型确定所述第一词向量序列与所述第二词向量序列之间的相似度；其中，所述孪生长短期记忆网络模型是基于句子对样本和样本相似度形成的；根据所述相似度确定与所述适应症信息对应的药品类别，以对所述待分类药品进行分类。
在本发明的一种示例性实施例中，在所述获取待分类药品的适应症信息之前，所述方法还包括：获取待分类药品的药品说明书，并从所述药品说明书中提取所述待分类药品的字段信息；根据所述字段信息确定所述待分类药品的属性信息。
在本发明的一种示例性实施例中，所述根据所述字段信息确定所述待分类药品的属性信息，包括：获取与所述字段信息对应的属性规则；根据所述属性规则对所述字段信息进行判断，以根据判断结果确定所述待分类药品的属性信息。
在本发明的一种示例性实施例中，所述获取药品语义库中已分类适应症信息的第二词向量序列，并确定所述第一词向量序列与所述第二词向量序列之间的相似度，包括：在药品语义库的已分类适应症信息中，获取与所述属性信息对应的第二词向量序列；将所述第一词向量序列与所述第二词向量序列输入至预先训练好的孪生长短期记忆网络模型中，得到所述第一词向量序列和所述第二词向量序列之间的相似度。
在本发明的一种示例性实施例中，在所述将所述第一词向量序列与所述第二词向量序列输入至预先训练好的孪生长短期记忆网络模型中之前，所述方法还包括：获取所述已分类适应症信息，并将所述已分类适应症信息进行两两组合，得到适应症信息句子对；对所述适应症信息句子对进行打标签处理，以生成训练所述孪生长短期记忆网络模型的多个句子对样本和与所述句子对样本对应的样本相似度；将所述句子对样本输入至待训练孪生长短期记忆网络模型中，得到所述待训练孪生长短期记忆网络模型输出的与所述句子对样本对应的相似度；若所述相似度与所述样本相似度不匹配，对所述待训练孪生长短期记忆网络模型的参数进行调整，以使所述相似度与所述样本相似度相同。
在本发明的一种示例性实施例中，所述对所述适应症信息进行分词处理，得到词序列，包括：将所述适应症信息输入至预先训练好的分词模型中，以对所述适应症信息进行分词处理；获取所述分词模型输出的分词处理结果，以得到词序列。
在本发明的一种示例性实施例中，所述根据所述相似度确定与所述适应症信息对应的药品类别，以对所述待分类药品进行分类，包括：根据所述相似度对与所述适应症信息对应的药品进行排序；根据排序结果确定所述待分类药品的药品类别，以对所述待分类药品进行分类。
根据本发明实施例的第二个方面，提供一种适应症信息处理装置，所述装置包括：信息分词模块，被配置为获取待分类药品的适应症信息，并对所述适应症信息进行分词处理，得到词序列；向量转换模块，被配置为根据词向量模型对所述词序列进行向量转换，得到第一词向量序列；参数确定模块，被配置为获取药品语义库中已分类适应症信息的第二词向量序列，并利用孪生长短期记忆网络模型确定所述第一词向量序列与所述第二词向量序列之间的相似度；其中，所述孪生长短期记忆网络模型是基于句子对样本和样本相似度形成的；药品分类模块，被配置为根据所述相似度确定与所述适应症信息对应的药品类别，以对所述待分类药品进行分类。
根据本发明实施例的第三个方面，提供一种电子设备，包括：处理器和存储器；其中，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上述任意示例性实施例的适应症信息处理方法。
根据本发明实施例的第四个方面，提供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上述任意示例性实施例中的适应症信息处理方法。
由上述技术方案可知，本发明示例性实施例中的适应症信息处理方法、适应症信息处理装置、计算机存储介质及电子设备至少具备以下优点和积极效果：
在本公开的示例性实施例提供的方法及装置中，通过对经过处理的待分类药品的第一词向量序列与已分类的第二词向量序列进行计算，可以得到二者之间的相似度，进一步实现对待分类药品的分类功能。一方面，从语义层面上解决了药品相似度问题，提高了句子分类的精度，提升了药品分类的准确性；另一方面，实现了药品的自动分类，为合理用药、智能控费提供了依据，节省了大量人力。
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，并不能限制本公开。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示意性示出本公开示例性实施例中一种适应症信息处理方法的流程图；
图2示意性示出本公开示例性实施例中获取词序列的方法的流程示意图；
图3示意性示出本公开示例性实施例中确定待分类药品的属性信息的方法的流程示意图；
图4示意性示出本公开示例性实施例中进一步确定待分类药品的属性信息的方法的流程示意图；
图5示意性示出本公开示例性实施例中确定第一词向量序列与第二词向量序列之间相似度的方法的流程图；
图6示意性示出本公开示例性实施例中确定待分类药品类别的方法的流程示意图；
图7示意性示出本公开示例性实施例中训练孪生长短期网络模型的方法的流程示意图；
图8示意性示出本公开示例性实施例中孪生长短期记忆网络模型的模型结构示意图；
图9示意性示出本公开示例性实施例中在应用场景中适应症信息处理方法的模块示意图；
图10示意性示出本公开示例性实施例中一种适应症信息处理装置的结构示意图；
图11示意性示出本公开示例性实施例中一种用于实现适应症信息处理方法的电子设备；
图12示意性示出本公开示例性实施例中一种用于实现适应症信息处理方法的计算机可读存储介质。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。
针对相关技术中存在的问题，本公开提出了一种适应症信息处理方法。图1示出了适应症信息处理方法的流程图，如图1所示，适应症信息处理方法至少包括以下步骤：
步骤S110.获取待分类药品的适应症信息，并对适应症信息进行分词处理，得到词序列。
步骤S120.根据词向量模型对词序列进行向量转换，得到第一词向量序列。
步骤S130.获取药品语义库中已分类适应症信息的第二词向量序列，并利用孪生长短期记忆网络模型确定第一词向量序列与第二词向量序列之间的相似度；其中，孪生长短期记忆网络模型是基于句子对样本和样本相似度形成的。
步骤S140.根据相似度确定与适应症信息对应的药品类别，以对待分类药品进行分类。
在本公开的示例性实施例中，通过对经过处理的待分类药品的第一词向量序列与已分类的第二词向量序列进行计算，可以得到二者之间的相似度，进一步实现对待分类药品的分类功能。一方面，从语义层面上解决了药品相似度问题，提高了句子分类的精度，提升了药品分类的准确性；另一方面，实现了药品的自动分类，为合理用药、智能控费提供了依据，节省了大量人力。
下面对适应症信息处理方法的各个步骤进行详细说明。
在步骤S110中，获取待分类药品的适应症信息，并对适应症信息进行分词处理，得到词序列。
在本公开的一种示例性实施例中，举例而言，适应症信息可以是药品名、种类、价格、数量、生产厂家、购买药店名称地址以及购买时间等，优选的，获取到的待分类药品的适应症信息可以是药品的适应症数据，例如双黄连片属于中成药，适应症为辛凉解表，清热解毒，用于外感风热引起的发热、咳嗽、咽痛。
在中文语言中，单字作为最基本的语义单位，虽然含有本身的意义，但是表意能力较差，意义较分散，而词的表意能力更强，能更加准确的描述事物。在自然语言处理(Natural Language Processing，简称NLP)中，通常情况下词是最基本的处理单位，因此可以对适应症信息进行准确的分词处理。
在可选的实施例中，图2示出了得到词序列的方法的流程示意图，如图2所示，该方法至少包括以下步骤：在步骤S210中，将适应症信息输入预先训练好的分词模型中，以对适应症信息进行分词处理。举例而言，可以采用pkuseg中文分词模型对药品适应症数据进行分词处理。相比于其他的分词模型，pkuseg模型具有更高的分词准确率，同时，当为不同领域的数据提供个性化的分词模型，根据待分词文本的领域特点，可以自由地选择不同的模型。目前，pkuseg模型可以支持新闻领域、网络领域、医药领域、旅游领域和混合领域的分词预训练模型。在使用中，如果用户明确待分词的领域，可加载对应的模型进行进行分词处理；如果用户无法确定具体领域，可以使用在混合领域上训练的通用模型。因此，可以将药品的适应症数据输入至医药领域的pkuseg模型中，以实现对适应症信息的分词处理。
在步骤S220中，获取分词模型输出的分词处理结果，以得到词序列。分词处理的过程就是将一段字符输入模型后，然后得到相对应的标记序列，再根据标记序列进行分词。举例而言，将“甲状腺功能减退症简称甲减，是甲状腺制造的甲状腺激素过少而引发的疾病”输入至医药领域的pkuseg模型后，经过标记序列，可以得到分词处理结果为“甲状腺功能减退症/简称/甲减/，/是/甲状腺/制造/的/甲状腺激素/过少/而/引发/的/疾病”，以将其作为词序列。
在本示例性实施例中，对适应症信息进行分词处理，可以提高分词的精度，提升药品分类的准确率。
在步骤S120中，根据词向量模型对词序列进行向量转换，得到第一词向量序列。
在本公开的一种示例性实施例中，该词向量模型可以是Word2Vec模型。其中，Word2Vec模型是2013年谷歌发布的Word2Vec工具，可以看作是深度学习在自然语言处理领域的一个重要应用。虽然Word2Vec只有三层神经网络，但是已经取得了非常好的效果。通过Word2Vec模型可以将分词表示为词向量，将文字进行数字化处理，能够更好的让计算机理解，也能够让分词生成的向量体现语义信息。为了利用这种语义信息，Word2Vec模型可以采用两种具体的实现方法，分别是连续词袋模型(Continuous Bag-of-Words Model，简称CBOW)和Skip-grams模型。其中，CBOW模型是给定上下文信息，来预测输入分词；Skip-grams模型是给定输入分词来预测上下文，其中，第一部分为建立模型，第二部分通过模型获取嵌入词向量。优选的，对词序列进行向量转换可以采用Skip-grams模型。利用Skip-grams模型进行词向量的转换，可以用一个300维度的实数向量在词空间唯一表示一个词，词序列是用词序列个数乘以300向量矩阵来表示，以得到第一词向量序列。
在步骤S130中，获取药品语义库中已分类适应症信息的第二词向量序列，并利用孪生长短期记忆网络模型确定第一词向量序列与第二词向量序列之间的相似度；其中，孪生长短期记忆网络模型是基于句子对样本和样本相似度形成的。
在本公开的一种示例性实施例中，药品语义库中的已分类适应症信息可以是医保药品名录中已分好类的药品适应症数据，该药品适应症数据的第二词向量序列可以按照与获取第一词向量序列方法的相同方法获取，在此不再赘述。但是，并非要获取医保药品名录中的所有药品适应症数据的第二词向量序列，为减少工作量，可以获取与待分类药品的属性信息对应的第二词向量序列。因此，在此之前，可以先确定待分类药品的属性信息。
在可选的实施例中，图3示出了确定待分类药品的属性信息的方法的流程示意图，如图3所示，该方法至少包括以下步骤：在步骤S310中，获取待分类药品的药品说明书，并从药品说明书中提取待分类药品的字段信息。终端可以从预先设置好的一个或者多个权威医学网站中批量获取待分类药品的药品说明书；也可以自行收集更新的药品说明书，将收集的药品说明书批量导入终端。其中，药品说明书包括西药药品说明书和中成药药品说明书。
药品说明书中包含有药品的名称、成分、用法、用量等多项内容，每个内容都对应有一个字段信息，例如药品名称、药品成分、主治功能、用法用量、批准文号等都是药品说明书中的字段信息。其中，批准文字的字段信息记录有国药准字字段，例如H2010XXXX。
在步骤S320中，根据字段信息确定待分类药品的属性信息。在可选的实施例中，图4示出了进一步确定待分类药品的属性信息的方法的流程示意图，如图4所示，该方法至少包括以下步骤：在步骤S410中，获取与字段信息对应的属性规则。在医保药品名录中，与国药准字字段对应的设置有属性规则，该属性规则为在国药准字字段中，标有H标识的为西药药品，标有Z标识的为中成药药品，标有S标识的为生物制品，标有B标识的代表保健药品。因此，可以获取该属性规则以对待分类药品的属性信息进行判定。
在步骤S420中，根据属性规则对字段信息进行判断，以根据判断结果确定待分类药品的属性信息。根据批准文字中记录的国药准字字段可以确定待分类药品的属性信息，该属性信息可以是确定待分类药品是中成药药品还是西药药品的信息。举例而言，可以根据字段信息H2010XXXX可以确定其中有H标识，并确定待分类药品为西药药品。除此之外，属性信息也可以是确定待分类药品是生物制品还是保健药品的信息，还可以是根据其他属性规则对应的属性信息，或者是在已分类药品的基础上继续细化的信息，例如，在已确定为西药药品的基础上，可以细分为何种的西药药品，因此，本示例性实施例对属性信息不做特殊限定，可以根据实际划分和需求确定。
在本示例性实施例中，在获取适应症信息之前，可以通过字段信息确定待分类药品的属性信息，确定方式简单，以便于后续确定待分类药品与其他已分类药品之间的相似度，同时减少工作量，节省人力物力。
在可选的实施例中，图5示出了确定第一词向量序列与第二词向量序列之间相似度的方法的流程示意图，如图5所示，该方法至少包括以下步骤：在步骤S510中，在药品语义库的已分类适应症信息中，获取与属性信息对应的第二词向量序列。在确定待分类药品的属性信息之后，可以在药品语义库中，获取与属性信息对应的已分类适应症信息的第二词向量序列。举例而言，当待分类药品为西药药品时，因此可以只获取药品语义库中的所有西药药品的第二词向量序列；当待分类药品为中成药药品时，可以只获取药品语义库中所有中成药的第二词向量序列。
在步骤S520中，将第一词向量序列与第二词向量序列输入至预先训练好的孪生长短期记忆网络模型中，得到第一词向量序列和第二词向量序列之间的相似度。鉴于第一词向词量序列与第二词向量序列的长度有可能不一致，因此可以将第一词向量序列和第二词向量序列作为孪生长短期记忆(Siamese Long short-term memory，简称孪生LSTM)网络模型的输入，以适应长度可变的序列对。孪生长短期记忆网络模型由两个相同的神经网络模型构成，两个神经网络模型间通过共享权值达到孪生的目的。将第一词向量序列与第二词向量序列分别输入两个神经网络模型中，通过计算这两个向量序列之间的距离来评估输入的第一词向量序列和第二词向量序列之间的相似度。其中，对两个向量序列之间的距离计算主要依赖于曼哈顿距离。
在本示例性实施例中，通过孪生长短期记忆网络模型确定第一词序列向量和第二词序列向量之间的相似度，可以充分逼近任意复杂的语义，以确保相似度确定的准确性和药品分类的精准性。
在步骤S140中，根据相似度确定与适应症信息对应的药品类别，以对待分类药品进行分类。
在本公开的一种示例性实施例中，图6示出了确定待分类药品类别的方法的流程示意图，如图6所示，该方法至少包括以下步骤：在步骤S610中，根据相似度对与适应症信息对应的药品类别进行排序。举例而言，将双黄连片与医保药品目录中对应药品的适应症数据组成句子对，并通过孪生长短期记忆网络模型得到相似度之后，可以将与双黄连片相似度最高的前五个药品类别进行排序，分别为牛黄清感胶囊、维C银翘片、疏风解毒胶囊、桑菊感冒丸和银翘解毒片。
在步骤S620中，根据排序结果确定待分类药品的药品类别，以对待分类药品进行分类。举例而言，根据与双黄连片相关的药品排序，可以确定这些药品的药品类别均属于ZAO1B辛凉解表剂，因此可以确定双黄连片也属于ZAO1B辛凉解表剂，以实现对双黄连片的分类。
在本示例性实施例中，通过相似度排序确定待分类药品的药品类别，以实现对待分类药品进行分类的功能，实现了药品的自动分类，为合理用药和核保控费节省了大量人力。
在可选的实施例中，图7示出了训练孪生长短期网络模型的方法的流程示意图，如图7所示，该方法至少包括以下步骤：在步骤S710中，获取已分类适应症信息，并将已分类适应症信息进行两两组合，得到适应症信息句子对。由于医保药品名录中记录有两千多条药品适应症数据，可以对其进行扩充，以得到适应症信息句子对。具体的，可以将两千多条药品适应症数据进行两两组合，以生成十万条适应症信息句子对。
在步骤S720中，对适应症信息句子对进行打标签处理，以生成训练孪生长短期网络模型的多个句子对样本和句子对样本对应的样本相似度。对于生成的每一组适应症信息句子对，可以标准位于区间[0,1]之间的相似度标签。并且，将预定数量的适应症信息句子对按照预设比例分为训练集和测试集，以保证对孪生长短期记忆网络模型的训练结果。举例而言，该预设比例可以是4:1，也可以是其他比例，本示例性实施例对此不做特殊限定。其中，测试集完全不参与数据的训练，仅仅用来观测测试效果。因此，可以生成训练孪生长短期网络模型的多个句子对样本和句子对样本对应的样本相似度。
在步骤S730中，将句子对样本输入至待训练孪生长短期记忆网络模型中，得到待训练孪生长短期记忆网络模型输出的与句子对样本对应的相似度。将测试集中的句子对样本输入至待训练孪生长短期记忆网络模型中，该待训练孪生长短期记忆网络模型会输出对应的相似度。
在步骤S740中，若相似度与样本相似度不匹配，对待训练孪生长短期网络模型的参数进行调整，以使相似度与样本相似度相同。在实际的训练过程中，训练的结果通常对于训练集的拟合程度较好，但是对于训练集之外的数据的拟合程度较差。因此，通常并不会把所有的数据集拿来训练，而是分出来一部分对训练集生成的参数进行测试，相对客观的判断这些参数对训练集之外的数据的拟合程度。因此，相似度与样本相似度之间可能会出现不匹配的情况，可以对待训练孪生长短期网络模型的参数进行调整，以使训练集和测试集中的句子对样本对应的样本相似度和已经标准的相似度一致，完成对待训练孪生长短期网络模型的训练。
在本示例性实施例中，给出了对待训练孪生长短期网络模型的训练方法，保证了相似度输出的准确性，进一步的，对待分类药品的分类提供了保障。
下面结合一应用场景对本公开实施例中的风险评估方法做出详细说明。
图8示出了孪生长短期记忆网络模型的模型结构示意图，如图8所示，该模型的输入分别为句子1：He is smart，和句子2：A truly wise man。在这两个句子输入至孪生长短期网络模型之前，可以使用pkuseg模型对两个句子进行分词处理，并采用Skip-prams模型将分词处理结果转换成两个词向量序列。具体的，句子1的词向量序列分别为
和
句子2的词向量序列分别为
和
进一步的，将句子1的词向量序列
和
输入至第一个神经网络模型LSTMa中，可以输出各个词向量序列
和
对应的向量
和
将句子2的词向量序列
和
输入至第二个神经网络模型LSTMb中，可以输出各个词向量序列
和
对应的向量
和
由于这两个词向量序列之间的计算依赖于曼哈顿距离，因此，可以计算相似度函数
鉴于此，第一词向量序列和第二词向量序列之间的相似度在[0,1]之间。
图9示出了应用场景中的适应症信息处理方法的流程示意图，如图9所示，该方法至少包括以下步骤：在步骤S910中，获取待分类药品的药品说明书，并从药品说明书中提取待分类药品的字段信息。
在步骤S920中，作为数据预处理的第一个过程，可以提取待分类药品的适应症数据。
在步骤S920中，作为数据预处理的第二个过程，可以根据医保药品目录中的属性规则对待分类药品的字段信息进行判断，亦即可以确定待分类药品是中成药药品，还是西药药品。
在步骤S930中，获取药品语音库中已分类的适应症数据，并与待分类药品的适应症数据组成药品的适应症句子对。值得说明的是，可以将与待分类药品属性信息一致的已分类药品进行两两组合，以减少工作量，并加快分类速度。
在步骤S940中，采用分词模型对适应症句子对进行分词处理，得到两个词序列。
在步骤S950中，采用Word2Vec模型对两个词序列进行向量转换，分别得到第一词向量序列和第二词向量序列。
在步骤S960中，将第一词向量序列和第二词向量序列输入至预先训练好的孪生长短期记忆网络模型中，以得到第一词向量序列和第二词向量序列的相似度。
在步骤S970中，根据待分类药品与各已分类药品之间的相似度大小进行排序，并根据排序结果确定待分类药品的药品类别。
通过对经过处理的待分类药品的第一词向量序列与已分类的第二词向量序列进行计算，可以得到二者之间的相似度，进一步实现对待分类药品进行分类的功能。一方面，从语义层面上解决了药品相似度问题，提高了句子分类的精度，提升了药品分类的准确性；另一方面，实现了药品的自动分类，为合理用药、智能控费提供了依据，节省了大量人力。
需要说明的是，虽然以上示例性实施例的实施方式以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或者必须执行全部的步骤才能实现期望的结果。附加地或者备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
此外，在本公开的示例性实施例中，还提供一种适应症信息处理装置。图10示出了适应症信息处理装置的结构示意图，如图10所示，适应症信息处理装置1000可以包括：信息分词模块1010、向量转换模块1020、参数确定模块1030和药品分类模块1040。其中：
信息分词模块1010，被配置为获取待分类药品的适应症信息，并对适应症信息进行分词处理，得到词序列；向量转换模块1020，被配置为根据词向量模型对词序列进行向量转换，得到第一词向量序列；参数确定模块1130，被配置为获取药品语义库中已分类适应症信息的第二词向量序列，并利用孪生长短期记忆网络模型确定第一词向量序列与第二词向量序列之间的相似度；其中，孪生长短期记忆网络模型是基于句子对样本和样本相似度形成的；药品分类模块1040，被配置为根据相似度确定与适应症信息对应的药品类别，以对待分类药品进行分类。
上述适应症信息处理装置的具体细节已经在对应的适应症信息处理方法中进行了详细的描述，因此此处不再赘述。
应当注意，尽管在上文详细描述中提及了适应症信息处理装置1000的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
下面参照图11来描述根据本发明的这种实施例的电子设备1100。图11显示的电子设备1100仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图11所示，电子设备1100以通用计算设备的形式表现。电子设备1100的组件可以包括但不限于：上述至少一个处理单元1110、上述至少一个存储单元1120、连接不同系统组件(包括存储单元1120和处理单元1110)的总线1130、显示单元1140。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元1110执行，使得所述处理单元1110执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
存储单元1120可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)1121和/或高速缓存存储单元1122，还可以进一步包括只读存储单元(ROM)1123。
存储单元1120还可以包括具有一组(至少一个)程序模块1125的程序/实用工具1124，这样的程序模块1125包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线1130可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备1100也可以与一个或多个外部设备1300(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备1100交互的设备通信，和/或与使得该电子设备1100能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口1150进行。并且，电子设备1100还可以通过网络适配器1160与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器1140通过总线1130与电子设备1100的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备1100使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。
参考图12所示，描述了根据本发明的实施例的用于实现上述方法的程序产品1200，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
Claims (10)
1.一种适应症信息处理方法，其特征在于，所述方法包括：
获取待分类药品的适应症信息，并对所述适应症信息进行分词处理，得到词序列；
根据词向量模型对所述词序列进行向量转换，得到第一词向量序列；
获取药品语义库中已分类适应症信息的第二词向量序列，并利用孪生长短期记忆网络模型确定所述第一词向量序列与所述第二词向量序列之间的相似度；其中，所述孪生长短期记忆网络模型是基于句子对样本和样本相似度形成的；
根据所述相似度确定与所述适应症信息对应的药品类别，以对所述待分类药品进行分类。
2.根据权利要求1所述的适应症信息处理方法，其特征在于，在所述获取待分类药品的适应症信息之前，所述方法还包括：
获取待分类药品的药品说明书，并从所述药品说明书中提取所述待分类药品的字段信息；
根据所述字段信息确定所述待分类药品的属性信息。
3.根据权利要求2所述的适应症信息处理方法，其特征在于，所述根据所述字段信息确定所述待分类药品的属性信息，包括：
获取与所述字段信息对应的属性规则；
根据所述属性规则对所述字段信息进行判断，以根据判断结果确定所述待分类药品的属性信息。
4.根据权利要求3所述的适应症信息处理方法，其特征在于，所述获取药品语义库中已分类适应症信息的第二词向量序列，并确定所述第一词向量序列与所述第二词向量序列之间的相似度，包括：
在药品语义库的已分类适应症信息中，获取与所述属性信息对应的第二词向量序列；
将所述第一词向量序列与所述第二词向量序列输入至预先训练好的孪生长短期记忆网络模型中，得到所述第一词向量序列和所述第二词向量序列之间的相似度。
5.根据权利要求4所述的适应症信息处理方法，其特征在于，在所述将所述第一词向量序列与所述第二词向量序列输入至预先训练好的孪生长短期记忆网络模型中之前，所述方法还包括：
获取所述已分类适应症信息，并将所述已分类适应症信息进行两两组合，得到适应症信息句子对；
对所述适应症信息句子对进行打标签处理，以生成训练所述孪生长短期记忆网络模型的多个句子对样本和与所述句子对样本对应的样本相似度；
将所述句子对样本输入至待训练孪生长短期记忆网络模型中，得到所述待训练孪生长短期记忆网络模型输出的与所述句子对样本对应的相似度；
若所述相似度与所述样本相似度不匹配，对所述待训练孪生长短期记忆网络模型的参数进行调整，以使所述相似度与所述样本相似度相同。
6.根据权利要求1所述的适应症信息处理方法，其特征在于，所述对所述适应症信息进行分词处理，得到词序列，包括：
将所述适应症信息输入至预先训练好的分词模型中，以对所述适应症信息进行分词处理；
获取所述分词模型输出的分词处理结果，以得到词序列。
7.根据权利要求1所述的适应症信息处理方法，其特征在于，所述根据所述相似度确定与所述适应症信息对应的药品类别，以对所述待分类药品进行分类，包括：
根据所述相似度对与所述适应症信息对应的药品进行排序；
根据排序结果确定所述待分类药品的药品类别，以对所述待分类药品进行分类。
8.一种适应症信息处理装置，其特征在于，包括：
信息分词模块，被配置为获取待分类药品的适应症信息，并对所述适应症信息进行分词处理，得到词序列；
向量转换模块，被配置为根据词向量模型对所述词序列进行向量转换，得到第一词向量序列；
参数确定模块，被配置为获取药品语义库中已分类适应症信息的第二词向量序列，并利用孪生长短期记忆网络模型确定所述第一词向量序列与所述第二词向量序列之间的相似度；其中，所述孪生长短期记忆网络模型是基于句子对样本和样本相似度形成的；
药品分类模块，被配置为根据所述相似度确定与所述适应症信息对应的药品类别，以对所述待分类药品进行分类。
9.一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如权利要求1-7中任意一项所述的适应症信息处理方法。
10.一种电子设备，其特征在于，包括：
处理器；
存储器，用于存储所述处理器的可执行指令；
其中，所述处理器被配置为经由执行所述可执行指令来执行如权利要求1-7中任意一项所述的适应症信息处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010442869.7A CN111627566A (zh) | 2020-05-22 | 2020-05-22 | 适应症信息处理方法与装置、存储介质、电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010442869.7A CN111627566A (zh) | 2020-05-22 | 2020-05-22 | 适应症信息处理方法与装置、存储介质、电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111627566A true CN111627566A (zh) | 2020-09-04 |
Family
ID=72271970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010442869.7A Pending CN111627566A (zh) | 2020-05-22 | 2020-05-22 | 适应症信息处理方法与装置、存储介质、电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111627566A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115359925A (zh) * | 2022-10-20 | 2022-11-18 | 阿里巴巴（中国）有限公司 | 一种药品归集方法、设备及存储介质 |
| CN115801483A (zh) * | 2023-02-10 | 2023-03-14 | 北京京能高安屯燃气热电有限责任公司 | 一种信息共享处理方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103048A (zh) * | 2017-03-31 | 2017-08-29 | 苏州艾隆信息技术有限公司 | 药品信息匹配方法及系统 |
| CN108932342A (zh) * | 2018-07-18 | 2018-12-04 | 腾讯科技（深圳）有限公司 | 一种语义匹配的方法、模型的学习方法及服务器 |
| CN109543009A (zh) * | 2018-10-17 | 2019-03-29 | 龙马智芯（珠海横琴）科技有限公司 | 文本相似度评估系统及文本相似度评估方法 |
| CN109815478A (zh) * | 2018-12-11 | 2019-05-28 | 北京大学 | 基于卷积神经网络的药化实体识别方法及系统 |
| KR20190130183A (ko) * | 2018-04-16 | 2019-11-22 | 경북대학교 산학협력단 | 의약품 분류 장치, 이를 이용한 의약품 분류 방법 및 의약품 분류를 위한 학습 방법, 이를 수행하기 위한 기록매체 |
| CN110781298A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技（深圳）有限公司 | 药品分类方法、装置、计算机设备及存储介质 |
| CN111180087A (zh) * | 2020-01-02 | 2020-05-19 | 中国中医科学院中医药信息研究所 | 上市药品信息标准化方法、设备、服务器及存储介质 |
| CN111180086A (zh) * | 2019-12-12 | 2020-05-19 | 平安医疗健康管理股份有限公司 | 数据匹配方法、装置、计算机设备和存储介质 |
-
2020
- 2020-05-22 CN CN202010442869.7A patent/CN111627566A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107103048A (zh) * | 2017-03-31 | 2017-08-29 | 苏州艾隆信息技术有限公司 | 药品信息匹配方法及系统 |
| KR20190130183A (ko) * | 2018-04-16 | 2019-11-22 | 경북대학교 산학협력단 | 의약품 분류 장치, 이를 이용한 의약품 분류 방법 및 의약품 분류를 위한 학습 방법, 이를 수행하기 위한 기록매체 |
| CN108932342A (zh) * | 2018-07-18 | 2018-12-04 | 腾讯科技（深圳）有限公司 | 一种语义匹配的方法、模型的学习方法及服务器 |
| CN109543009A (zh) * | 2018-10-17 | 2019-03-29 | 龙马智芯（珠海横琴）科技有限公司 | 文本相似度评估系统及文本相似度评估方法 |
| CN109815478A (zh) * | 2018-12-11 | 2019-05-28 | 北京大学 | 基于卷积神经网络的药化实体识别方法及系统 |
| CN110781298A (zh) * | 2019-09-18 | 2020-02-11 | 平安科技（深圳）有限公司 | 药品分类方法、装置、计算机设备及存储介质 |
| CN111180086A (zh) * | 2019-12-12 | 2020-05-19 | 平安医疗健康管理股份有限公司 | 数据匹配方法、装置、计算机设备和存储介质 |
| CN111180087A (zh) * | 2020-01-02 | 2020-05-19 | 中国中医科学院中医药信息研究所 | 上市药品信息标准化方法、设备、服务器及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115359925A (zh) * | 2022-10-20 | 2022-11-18 | 阿里巴巴（中国）有限公司 | 一种药品归集方法、设备及存储介质 |
| CN115801483A (zh) * | 2023-02-10 | 2023-03-14 | 北京京能高安屯燃气热电有限责任公司 | 一种信息共享处理方法及系统 |
| CN115801483B (zh) * | 2023-02-10 | 2023-05-19 | 北京京能高安屯燃气热电有限责任公司 | 一种信息共享处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Şenel et al. | Semantic structure and interpretability of word embeddings | |
| US10733197B2 (en) | Method and apparatus for providing information based on artificial intelligence | |
| KR102075788B1 (ko) | 빅 데이터를 활용한 건강정보 콘텐츠 추천 서비스 시스템 | |
| US20160350288A1 (en) | Multilingual embeddings for natural language processing | |
| CN110720124A (zh) | 监测患者语言的使用以识别潜在的言语和相关的神经障碍 | |
| Chan et al. | Reproducible extraction of cross-lingual topics (rectr) | |
| CN113707323B (zh) | 基于机器学习的疾病预测方法、装置、设备及介质 | |
| CN114372532B (zh) | 标签标注质量的确定方法、装置、设备、介质及产品 | |
| Moreno-Garcia et al. | A novel application of machine learning and zero-shot classification methods for automated abstract screening in systematic reviews | |
| CN104484336A (zh) | 一种中文评论分析方法及其系统 | |
| Li et al. | A sentiment-statistical approach for identifying problematic mobile app updates based on user reviews | |
| CN111627566A (zh) | 适应症信息处理方法与装置、存储介质、电子设备 | |
| CN110532367A (zh) | 一种信息提示方法及系统 | |
| Zhang et al. | The effect of textual glosses on L2 vocabulary acquisition: A meta-analysis | |
| CN114299196A (zh) | 海报自动生成方法及系统、存储介质、终端设备 | |
| CN112052424A (zh) | 一种内容审核方法及装置 | |
| G. Rodrigo et al. | Machine learning from crowds: A systematic review of its applications | |
| CN111755090A (zh) | 病历查找方法、病历查找装置、存储介质与电子设备 | |
| Subramanian et al. | Development of multi-lingual models for detecting hope speech texts from social media comments | |
| Koss et al. | Social media mining in drug development—Fundamentals and use cases | |
| CN117373594A (zh) | 医疗信息确定方法、装置、设备及介质 | |
| CN110717101B (zh) | 基于应用行为的用户分类方法、装置和电子设备 | |
| Feng et al. | An emotion analysis dataset of course comment texts in massive online learning course platforms | |
| Voronov et al. | Forecasting popularity of news article by title analyzing with BN-LSTM network | |
| Zhao et al. | A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200904 |
|
| RJ01 | Rejection of invention patent application after publication |