CN111986761A - 多维度并发症信息抽取方法、装置、电子设备及介质 - Google Patents
多维度并发症信息抽取方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111986761A CN111986761A CN202010916995.1A CN202010916995A CN111986761A CN 111986761 A CN111986761 A CN 111986761A CN 202010916995 A CN202010916995 A CN 202010916995A CN 111986761 A CN111986761 A CN 111986761A
- Authority
- CN
- China
- Prior art keywords
- complication
- entity
- extracted
- extraction
- vector
- 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.)
- Granted
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 143
- 201000010099 disease Diseases 0.000 claims abstract description 98
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 98
- 239000013598 vector Substances 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 6
- 230000011218 segmentation Effects 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 28
- 230000009193 crawling Effects 0.000 claims description 25
- 230000015654 memory Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 16
- 125000002015 acyclic group Chemical group 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012015 optical character recognition Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 abstract description 11
- 238000001356 surgical procedure Methods 0.000 description 12
- 210000000056 organ Anatomy 0.000 description 10
- 206010003011 Appendicitis Diseases 0.000 description 8
- 230000006378 damage Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 208000027418 Wounds and injury Diseases 0.000 description 6
- 238000013145 classification model Methods 0.000 description 6
- 208000014674 injury Diseases 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 206010028980 Neoplasm Diseases 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 208000015181 infectious disease Diseases 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000001737 promoting effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及智慧医疗,提供一种多维度并发症信息抽取方法、装置、电子设备及介质。该方法能够提取医疗查询问句,并抽取对象实体,爬取与对象实体相关的并发症数据,拼接并发症数据与对象实体,得到待抽取文本,将待抽取文本转换为待抽取向量,将待抽取向量输入至指针抽取模型中,得到抽取结果,当抽取结果为并发症疾病实体时,生成追溯问句,确定追溯意图,确定意图结果。本发明不仅能够准确抽取出所述对象实体的并发症疾病实体,还能够触发追溯问句的生成,进而从其他维度抽取到所述并发症疾病实体的意图结果,以便更好地辅助相关人员对患者的治疗。此外,本发明还涉及区块链技术,所述并发症疾病实体及所述意图结果可存储于区块链中。
Description
技术领域
本发明涉及智慧医疗技术领域,尤其涉及一种多维度并发症信息抽取方法、装置、电子设备及介质。
背景技术
从手术并发症的有关文本描述中抽取出手术的并发症疾病实体,能够辅助医生对患者的术后观察。目前,通过实体抽取模型从有关文本描述中抽取手术的并发症疾病实体,然而,由于疾病实体中包含手术并发症外,还包含非手术并发症的其他疾病实体,因此,现有的实体抽取模型无法准确地抽取出手术的并发症疾病实体。
发明内容
鉴于以上内容,有必要提供一种多维度并发症信息抽取方法、装置、电子设备及介质,不仅能够准确抽取出所述对象实体的并发症疾病实体,还能够触发追溯问句的生成,进而从其他维度抽取到所述并发症疾病实体的意图结果,以便更好地辅助相关人员对患者的治疗。
一方面,本发明提出一种多维度并发症信息抽取方法,所述多维度并发症信息抽取方法包括:
当接收到并发症抽取请求时,从所述并发症抽取请求中提取医疗查询问句;
从所述医疗查询问句中抽取对象实体,并爬取与所述对象实体相关的并发症数据;
拼接所述并发症数据与所述对象实体,得到待抽取文本,并将所述待抽取文本转换为待抽取向量;
将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果;
当所述抽取结果为所述对象实体的并发症疾病实体时,根据所述并发症疾病实体生成追溯问句;
确定所述追溯问句中的追溯意图,并根据所述追溯意图从所述并发症数据中确定所述并发症疾病实体的意图结果。
根据本发明优选实施例,所述从所述并发症抽取请求中提取医疗查询问句包括:
从预设线程池中获取所有闲置线程,并获取每个闲置线程的处理速率;
将处理速率最大的闲置线程确定为目标线程;
利用所述目标线程解析所述并发症抽取请求,得到所述并发症抽取请求携带的数据信息;
获取预设标签,所述预设标签是指预先定义好的标签;
从所述数据信息中获取与所述预设标签对应的信息作为所述医疗查询问句。
根据本发明优选实施例,所述从所述医疗查询问句中抽取对象实体包括:
过滤所述医疗查询问句中的特殊字符,得到过滤后的文本;
根据自定义词典对所述过滤后的文本进行切分,得到多个切分序列,每个切分序列包括所述过滤后的文本中的所有词语;
根据所述多个切分序列构建多个有向无环图;
根据所述自定义词典中的权值计算每个有向无环图的切分概率;
将切分概率最大的有向无环图对应的切分序列确定为目标序列;
获取所述目标序列中的所有词语,得到多个分词;
计算每个分词与预设实体列表中的每个预设实体的相似度;
选取相似度最大的预设实体作为所述对象实体。
根据本发明优选实施例,所述爬取与所述对象实体相关的并发症数据包括以下一种或者多种方式的组合:
获取预设社交账号,并从所述预设社交账号中爬取包含所述对象实体的数据作为所述并发症数据;及/或
获取与所述对象实体相关联的目标书籍,获取配置标识,并利用光学字符识别技术从所述目标书籍中识别出与所述配置标识对应的数据作为所述并发症数据;及/或
从预设网站中爬取与所述对象实体相关的数据作为所述并发症数据。
根据本发明优选实施例,所述将所述待抽取文本转换为待抽取向量包括:
对所述待抽取文本进行切分,得到所述待抽取文本的切分词语及所述切分词语的序号;
将所述切分词语映射至预设映射表中,得到所述切分词语的映射向量;
按照所述序号从小至大的顺序拼接所述映射向量,得到拼接向量;
对所述拼接向量进行降维处理,得到所述待抽取向量。
根据本发明优选实施例,所述将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果包括:
获取所述指针抽取模型中的第一子模型,并获取所述指针抽取模型中的第二子模型;
将所述待抽取向量输入至所述第一子模型中,得到起始位置,并将所述待抽取向量输入至所述第二子模型中,得到终点位置;
当所述起始位置为非负值,及所述终点位置为非负值时,根据所述起始位置及所述终点位置确定位置范围;
从所述待抽取向量中获取与所述位置范围对应的向量值作为并发症疾病向量;
从所述预设映射表中获取与所述并发症疾病向量对应的信息作为所述并发症疾病实体。
根据本发明优选实施例,所述确定所述追溯问句中的追溯意图包括:
依次遍历所述追溯问句中的追溯词;
将遍历到的追溯词与预设意图表中的意图词进行匹配;
将与所述意图词匹配成功的追溯词确定为所述追溯意图。
另一方面,本发明还提出一种多维度并发症信息抽取装置,所述多维度并发症信息抽取装置包括:
提取单元,用于当接收到并发症抽取请求时,从所述并发症抽取请求中提取医疗查询问句;
爬取单元,用于从所述医疗查询问句中抽取对象实体,并爬取与所述对象实体相关的并发症数据;
转换单元,用于拼接所述并发症数据与所述对象实体,得到待抽取文本,并将所述待抽取文本转换为待抽取向量;
输入单元,用于将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果;
生成单元,用于当所述抽取结果为所述对象实体的并发症疾病实体时,根据所述并发症疾病实体生成追溯问句;
确定单元,用于确定所述追溯问句中的追溯意图,并根据所述追溯意图从所述并发症数据中确定所述并发症疾病实体的意图结果。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述多维度并发症信息抽取方法。
另一方面,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述多维度并发症信息抽取方法。
由以上技术方案可以看出,本发明能够当接收到并发症抽取请求时,从所述并发症抽取请求中提取医疗查询问句,从所述医疗查询问句中抽取对象实体,并爬取与所述对象实体相关的并发症数据,拼接所述并发症数据与所述对象实体,得到待抽取文本,并将所述待抽取文本转换为待抽取向量,通过拼接所述并发症数据与所述对象实体,能够剔除无关实体,以提高并发症疾病实体的抽取准确性,将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果,当所述抽取结果为所述对象实体的并发症疾病实体时,根据所述并发症疾病实体生成追溯问句,在获取到所述并发症疾病实体时,能够触发追溯问句的生成,进而从另一个维度抽取到所述并发症疾病实体的意图结果,实现多维度并发症信息的抽取,确定所述追溯问句中的追溯意图,并根据所述追溯意图从所述并发症数据中确定所述并发症疾病实体的意图结果。本发明通过拼接所述并发症数据与所述对象实体,能够准确抽取出所述对象实体的并发症疾病实体,同时,在抽取到所述并发症疾病实体时,能够触发追溯问句的生成,进而从其他维度抽取到所述并发症疾病实体的意图结果,以便更好地辅助相关人员对患者的治疗。本发明还应用于智慧医疗场景中,从而推动智慧城市的建设。
附图说明
图1是本发明多维度并发症信息抽取方法的较佳实施例的流程图。
图2是本发明多维度并发症信息抽取装置的较佳实施例的功能模块图。
图3是本发明实现多维度并发症信息抽取方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明多维度并发症信息抽取方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述多维度并发症信息抽取方法应用于智慧医疗场景中,从而推动智慧城市的建设。所述多维度并发症信息抽取方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific IntegratedCircuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,当接收到并发症抽取请求时,从所述并发症抽取请求中提取医疗查询问句。
在本发明的至少一个实施例中,所述并发症抽取请求中携带的信息包括,但不限于:触发用户的ID、所述医疗查询问句、查询维度等。
进一步地,所述查询维度包括,但不限于:原因、临床表现等。
在本发明的至少一个实施例中,所述电子设备从所述并发症抽取请求中提取医疗查询问句包括:
从预设线程池中获取所有闲置线程,并获取每个闲置线程的处理速率;
将处理速率最大的闲置线程确定为目标线程;
利用所述目标线程解析所述并发症抽取请求,得到所述并发症抽取请求携带的数据信息;
获取预设标签,所述预设标签是指预先定义好的标签;
从所述数据信息中获取与所述预设标签对应的信息作为所述医疗查询问句。
例如,所述预设标签可以是query。
通过处理速率最大的目标线程解析所述并发症抽取请求,由于无需等待所述目标线程处理其他请求,以及所述目标线程的处理速率较大,因此,能够快速获取到所述数据信息,进而通过预设标签与医疗查询问句的映射关系,能够准确确定所述医疗查询问句。
S11,从所述医疗查询问句中抽取对象实体,并爬取与所述对象实体相关的并发症数据。
在本发明的至少一个实施例中,所述对象实体可以是任意手术,例如,所述对象实体可以是阑尾炎手术、肿瘤手术等。
在本发明的至少一个实施例中,所述电子设备从所述医疗查询问句中抽取对象实体包括:
过滤所述医疗查询问句中的特殊字符,得到过滤后的文本;
根据自定义词典对所述过滤后的文本进行切分,得到多个切分序列,每个切分序列包括所述过滤后的文本中的所有词语;
根据所述多个切分序列构建多个有向无环图;
根据所述自定义词典中的权值计算每个有向无环图的切分概率;
将切分概率最大的有向无环图对应的切分序列确定为目标序列;
获取所述目标序列中的所有词语,得到多个分词;
计算每个分词与预设实体列表中的每个预设实体的相似度;
选取相似度最大的预设实体作为所述对象实体。
其中,所述特殊字符包括,但不限于:标点符号、符号图案等。
进一步地,所述自定义词典中存储多个自定义词及每个自定义词对应的权值,其中,所述多个自定义词可以包括疾病实体等。例如,所述多个自定义词包括:阑尾炎。
更进一步地,所述预设实体列表中可以包括多个手术名称,例如,所述预设实体列表包括:阑尾炎手术、肿瘤手术等。
通过对所述医疗查询问句中的多余字符进行过滤,能够缓解电子设备对所述对象实体的抽取压力,进而通过构建所述多个有向无环图的切分概率能够准确确定所述多个分词,此外,通过相似度的计算能够准确确定所述对象实体。
在本发明的至少一个实施例中,所述电子设备爬取与所述对象实体相关的并发症数据包括以下一种或者多种方式的组合:
获取预设社交账号,并从所述预设社交账号中爬取包含所述对象实体的数据作为所述并发症数据;及/或
获取与所述对象实体相关联的目标书籍,获取配置标识,并利用光学字符识别(Optical Character Recognition,OCR)技术从所述目标书籍中识别出与所述配置标识对应的数据作为所述并发症数据;及/或
从预设网站中爬取与所述对象实体相关的数据作为所述并发症数据。
其中,所述配置标识是指预先配置好的标识,所述配置标识表征所述并发症数据。
通过上述多种实施方式,能够更全面地获取到所述并发症数据。
S12,拼接所述并发症数据与所述对象实体,得到待抽取文本,并将所述待抽取文本转换为待抽取向量。
在本发明的至少一个实施例中,所述待抽取文本包括所述并发症数据及所述对象实体。
在本发明的至少一个实施例中,所述电子设备拼接所述并发症数据与所述对象实体,得到待抽取文本包括:
获取第一标识符,并获取第二标识符;
依次拼接所述第一标识符、所述并发症数据、所述第二标识符及所述对象实体,得到所述待抽取文本。
其中,所述第一标识符是指文本开头的标识符,所述第二标识符是不同文本直接的分隔符。
例如:第一标识符是[CLS],第二标识符是[SEP],所述对象实体为:阑尾炎手术,所述并发症数据为:引起切口的感染以及损伤到阑尾周围的脏器。所述电子设备对所述并发症数据与所述对象实体进行拼接后,得到所述待抽取文本为:[CLS]引起切口的感染以及损伤到阑尾周围的脏器[SEP]所述对象实体[SEP]。
在本发明的至少一个实施例中,所述电子设备将所述待抽取文本转换为待抽取向量包括:
对所述待抽取文本进行切分,得到所述待抽取文本的切分词语及所述切分词语的序号;
将所述切分词语映射至预设映射表中,得到所述切分词语的映射向量;
按照所述序号从小至大的顺序拼接所述映射向量,得到拼接向量;
对所述拼接向量进行降维处理,得到所述待抽取向量。
其中,所述预设映射表中存储多个词语与每个词语的向量。
通过上述实施方式,能够准确获取到所述切分词语的映射向量,进而通过拼接所述映射向量能够快速确定出所述拼接向量,进一步对所述拼接向量进行降维处理,使得到的待抽取向量满足指针抽取模型的输入向量阈值。
S13,将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果。
在本发明的至少一个实施例中,所述指针抽取模型是由两个分类模型组成的模型,其中一个分类模型用于筛选出所述待抽取向量中并发症疾病实体的起始位置,另一个分类模型用于筛选出所述待抽取向量中并发症疾病实体的终点位置。
在本发明的至少一个实施例中,当所述起始位置为非负值,及所述终点位置为非负值时,所述抽取结果为所述并发症疾病实体。
在本发明的至少一个实施例中,所述电子设备将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果包括:
获取所述指针抽取模型中的第一子模型,并获取所述指针抽取模型中的第二子模型;
将所述待抽取向量输入至所述第一子模型中,得到起始位置,并将所述待抽取向量输入至所述第二子模型中,得到终点位置;
当所述起始位置为非负值,及所述终点位置为非负值时,根据所述起始位置及所述终点位置确定位置范围;
从所述待抽取向量中获取与所述位置范围对应的向量值作为并发症疾病向量;
从所述预设映射表中获取与所述并发症疾病向量对应的信息作为所述并发症疾病实体。
通过上述实施方式,能够剔除无关实体,以提高并发症疾病实体的抽取准确性。
S14,当所述抽取结果为所述对象实体的并发症疾病实体时,根据所述并发症疾病实体生成追溯问句。
在本发明的至少一个实施例中,所述追溯问句是指对所述并发症疾病实体的进一步追问,例如,当所述并发症疾病实体为:损伤到阑尾周围的脏器时,所述追溯问句可以是损伤到阑尾周围的脏器的原因,或者所述追溯问句也可以是损伤到阑尾周围的脏器的临床表现。
在本发明的至少一个实施例中,所述电子设备根据所述并发症疾病实体生成追溯问句包括:
获取与所述医疗查询问句请求对应的问句模板;
将所述并发症疾病实体填充至所述问句模板中,得到所述追溯问句。
S15,确定所述追溯问句中的追溯意图,并根据所述追溯意图从所述并发症数据中确定所述并发症疾病实体的意图结果。
需要强调的是,为进一步保证上述并发症疾病实体及上述意图结果的私密和安全性,上述并发症疾病实体及上述意图结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述追溯意图可以是原因、临床表现等维度。进一步地,所述意图结果是指与所述追溯意图对应的结果。
在本发明的至少一个实施例中,所述电子设备确定所述追溯问句中的追溯意图包括:
依次遍历所述追溯问句中的追溯词;
将遍历到的追溯词与预设意图表中的意图词进行匹配;
将与所述意图词匹配成功的追溯词确定为所述追溯意图。
通过上述实施方式,能够快速确定出所述追溯意图。
在本发明的至少一个实施例中,所述方法还包括:
确定所述并发症抽取请求的触发用户;
根据所述并发症疾病实体及所述意图结果生成提示信息;
将所述提示信息发送至所述触发用户的终端设备。
通过上述实施方式,能够快速生成所述提示信息,并能够及时将所述提示信息发送至所述触发用户。
由以上技术方案可以看出,本发明能够当接收到并发症抽取请求时,从所述并发症抽取请求中提取医疗查询问句,从所述医疗查询问句中抽取对象实体,并爬取与所述对象实体相关的并发症数据,拼接所述并发症数据与所述对象实体,得到待抽取文本,并将所述待抽取文本转换为待抽取向量,通过拼接所述并发症数据与所述对象实体,能够剔除无关实体,以提高并发症疾病实体的抽取准确性,将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果,当所述抽取结果为所述对象实体的并发症疾病实体时,根据所述并发症疾病实体生成追溯问句,在获取到所述并发症疾病实体时,能够触发追溯问句的生成,进而从另一个维度抽取到所述并发症疾病实体的意图结果,实现多维度并发症信息的抽取,确定所述追溯问句中的追溯意图,并根据所述追溯意图从所述并发症数据中确定所述并发症疾病实体的意图结果。本发明通过拼接所述并发症数据与所述对象实体,能够准确抽取出所述对象实体的并发症疾病实体,同时,在抽取到所述并发症疾病实体时,能够触发追溯问句的生成,进而从其他维度抽取到所述并发症疾病实体的意图结果,以便更好地辅助相关人员对患者的治疗。本发明还应用于智慧医疗场景中,从而推动智慧城市的建设。
如图2所示,是本发明多维度并发症信息抽取装置的较佳实施例的功能模块图。所述多维度并发症信息抽取装置11包括提取单元110、爬取单元111、转换单元112、输入单元113、生成单元114、确定单元115及发送单元116。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
当接收到并发症抽取请求时,提取单元110从所述并发症抽取请求中提取医疗查询问句。
在本发明的至少一个实施例中,所述并发症抽取请求中携带的信息包括,但不限于:触发用户的ID、所述医疗查询问句、查询维度等。
进一步地,所述查询维度包括,但不限于:原因、临床表现等。
在本发明的至少一个实施例中,所述提取单元110从所述并发症抽取请求中提取医疗查询问句包括:
从预设线程池中获取所有闲置线程,并获取每个闲置线程的处理速率;
将处理速率最大的闲置线程确定为目标线程;
利用所述目标线程解析所述并发症抽取请求,得到所述并发症抽取请求携带的数据信息;
获取预设标签,所述预设标签是指预先定义好的标签;
从所述数据信息中获取与所述预设标签对应的信息作为所述医疗查询问句。
例如,所述预设标签可以是query。
通过处理速率最大的目标线程解析所述并发症抽取请求,由于无需等待所述目标线程处理其他请求,以及所述目标线程的处理速率较大,因此,能够快速获取到所述数据信息,进而通过预设标签与医疗查询问句的映射关系,能够准确确定所述医疗查询问句。
爬取单元111从所述医疗查询问句中抽取对象实体,并爬取与所述对象实体相关的并发症数据。
在本发明的至少一个实施例中,所述对象实体可以是任意手术,例如,所述对象实体可以是阑尾炎手术、肿瘤手术等。
在本发明的至少一个实施例中,所述爬取单元111从所述医疗查询问句中抽取对象实体包括:
过滤所述医疗查询问句中的特殊字符,得到过滤后的文本;
根据自定义词典对所述过滤后的文本进行切分,得到多个切分序列,每个切分序列包括所述过滤后的文本中的所有词语;
根据所述多个切分序列构建多个有向无环图;
根据所述自定义词典中的权值计算每个有向无环图的切分概率;
将切分概率最大的有向无环图对应的切分序列确定为目标序列;
获取所述目标序列中的所有词语,得到多个分词;
计算每个分词与预设实体列表中的每个预设实体的相似度;
选取相似度最大的预设实体作为所述对象实体。
其中,所述特殊字符包括,但不限于:标点符号、符号图案等。
进一步地,所述自定义词典中存储多个自定义词及每个自定义词对应的权值,其中,所述多个自定义词可以包括疾病实体等。例如,所述多个自定义词包括:阑尾炎。
更进一步地,所述预设实体列表中可以包括多个手术名称,例如,所述预设实体列表包括:阑尾炎手术、肿瘤手术等。
通过对所述医疗查询问句中的多余字符进行过滤,能够缓解电子设备对所述对象实体的抽取压力,进而通过构建所述多个有向无环图的切分概率能够准确确定所述多个分词,此外,通过相似度的计算能够准确确定所述对象实体。
在本发明的至少一个实施例中,所述爬取单元111爬取与所述对象实体相关的并发症数据包括以下一种或者多种方式的组合:
获取预设社交账号,并从所述预设社交账号中爬取包含所述对象实体的数据作为所述并发症数据;及/或
获取与所述对象实体相关联的目标书籍,获取配置标识,并利用光学字符识别(Optical Character Recognition,OCR)技术从所述目标书籍中识别出与所述配置标识对应的数据作为所述并发症数据;及/或
从预设网站中爬取与所述对象实体相关的数据作为所述并发症数据。
其中,所述配置标识是指预先配置好的标识,所述配置标识表征所述并发症数据。
通过上述多种实施方式,能够更全面地获取到所述并发症数据。
转换单元112拼接所述并发症数据与所述对象实体,得到待抽取文本,并将所述待抽取文本转换为待抽取向量。
在本发明的至少一个实施例中,所述待抽取文本包括所述并发症数据及所述对象实体。
在本发明的至少一个实施例中,所述转换单元112拼接所述并发症数据与所述对象实体,得到待抽取文本包括:
获取第一标识符,并获取第二标识符;
依次拼接所述第一标识符、所述并发症数据、所述第二标识符及所述对象实体,得到所述待抽取文本。
其中,所述第一标识符是指文本开头的标识符,所述第二标识符是不同文本直接的分隔符。
例如:第一标识符是[CLS],第二标识符是[SEP],所述对象实体为:阑尾炎手术,所述并发症数据为:引起切口的感染以及损伤到阑尾周围的脏器。所述转换单元112对所述并发症数据与所述对象实体进行拼接后,得到所述待抽取文本为:[CLS]引起切口的感染以及损伤到阑尾周围的脏器[SEP]所述对象实体[SEP]。
在本发明的至少一个实施例中,所述转换单元112将所述待抽取文本转换为待抽取向量包括:
对所述待抽取文本进行切分,得到所述待抽取文本的切分词语及所述切分词语的序号;
将所述切分词语映射至预设映射表中,得到所述切分词语的映射向量;
按照所述序号从小至大的顺序拼接所述映射向量,得到拼接向量;
对所述拼接向量进行降维处理,得到所述待抽取向量。
其中,所述预设映射表中存储多个词语与每个词语的向量。
通过上述实施方式,能够准确获取到所述切分词语的映射向量,进而通过拼接所述映射向量能够快速确定出所述拼接向量,进一步对所述拼接向量进行降维处理,使得到的待抽取向量满足指针抽取模型的输入向量阈值。
输入单元113将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果。
在本发明的至少一个实施例中,所述指针抽取模型是由两个分类模型组成的模型,其中一个分类模型用于筛选出所述待抽取向量中并发症疾病实体的起始位置,另一个分类模型用于筛选出所述待抽取向量中并发症疾病实体的终点位置。
在本发明的至少一个实施例中,当所述起始位置为非负值,及所述终点位置为非负值时,所述抽取结果为所述并发症疾病实体。
在本发明的至少一个实施例中,所述输入单元113将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果包括:
获取所述指针抽取模型中的第一子模型,并获取所述指针抽取模型中的第二子模型;
将所述待抽取向量输入至所述第一子模型中,得到起始位置,并将所述待抽取向量输入至所述第二子模型中,得到终点位置;
当所述起始位置为非负值,及所述终点位置为非负值时,根据所述起始位置及所述终点位置确定位置范围;
从所述待抽取向量中获取与所述位置范围对应的向量值作为并发症疾病向量;
从所述预设映射表中获取与所述并发症疾病向量对应的信息作为所述并发症疾病实体。
通过上述实施方式,能够剔除无关实体,以提高并发症疾病实体的抽取准确性。
当所述抽取结果为所述对象实体的并发症疾病实体时,生成单元114根据所述并发症疾病实体生成追溯问句。
在本发明的至少一个实施例中,所述追溯问句是指对所述并发症疾病实体的进一步追问,例如,当所述并发症疾病实体为:损伤到阑尾周围的脏器时,所述追溯问句可以是损伤到阑尾周围的脏器的原因,或者所述追溯问句也可以是损伤到阑尾周围的脏器的临床表现。
在本发明的至少一个实施例中,所述生成单元114根据所述并发症疾病实体生成追溯问句包括:
获取与所述医疗查询问句请求对应的问句模板;
将所述并发症疾病实体填充至所述问句模板中,得到所述追溯问句。
确定单元115确定所述追溯问句中的追溯意图,并根据所述追溯意图从所述并发症数据中确定所述并发症疾病实体的意图结果。
需要强调的是,为进一步保证上述并发症疾病实体及上述意图结果的私密和安全性,上述并发症疾病实体及上述意图结果还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述追溯意图可以是原因、临床表现等维度。进一步地,所述意图结果是指与所述追溯意图对应的结果。
在本发明的至少一个实施例中,所述确定单元115确定所述追溯问句中的追溯意图包括:
依次遍历所述追溯问句中的追溯词;
将遍历到的追溯词与预设意图表中的意图词进行匹配;
将与所述意图词匹配成功的追溯词确定为所述追溯意图。
通过上述实施方式,能够快速确定出所述追溯意图。
在本发明的至少一个实施例中,所述确定单元115确定所述并发症抽取请求的触发用户;
所述生成单元114根据所述并发症疾病实体及所述意图结果生成提示信息;
发送单元116将所述提示信息发送至所述触发用户的终端设备。
通过上述实施方式,能够快速生成所述提示信息,并能够及时将所述提示信息发送至所述触发用户。
由以上技术方案可以看出,本发明能够当接收到并发症抽取请求时,从所述并发症抽取请求中提取医疗查询问句,从所述医疗查询问句中抽取对象实体,并爬取与所述对象实体相关的并发症数据,拼接所述并发症数据与所述对象实体,得到待抽取文本,并将所述待抽取文本转换为待抽取向量,通过拼接所述并发症数据与所述对象实体,能够剔除无关实体,以提高并发症疾病实体的抽取准确性,将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果,当所述抽取结果为所述对象实体的并发症疾病实体时,根据所述并发症疾病实体生成追溯问句,在获取到所述并发症疾病实体时,能够触发追溯问句的生成,进而从另一个维度抽取到所述并发症疾病实体的意图结果,实现多维度并发症信息的抽取,确定所述追溯问句中的追溯意图,并根据所述追溯意图从所述并发症数据中确定所述并发症疾病实体的意图结果。本发明通过拼接所述并发症数据与所述对象实体,能够准确抽取出所述对象实体的并发症疾病实体,同时,在抽取到所述并发症疾病实体时,能够触发追溯问句的生成,进而从其他维度抽取到所述并发症疾病实体的意图结果,以便更好地辅助相关人员对患者的治疗。本发明还应用于智慧医疗场景中,从而推动智慧城市的建设。
如图3所示,是本发明实现多维度并发症信息抽取方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如多维度并发症信息抽取程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成提取单元110、爬取单元111、转换单元112、输入单元113、生成单元114、确定单元115及发送单元116。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种多维度并发症信息抽取方法,所述处理器13可执行所述计算机可读指令从而实现:
当接收到并发症抽取请求时,从所述并发症抽取请求中提取医疗查询问句;
从所述医疗查询问句中抽取对象实体,并爬取与所述对象实体相关的并发症数据;
拼接所述并发症数据与所述对象实体,得到待抽取文本,并将所述待抽取文本转换为待抽取向量;
将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果;
当所述抽取结果为所述对象实体的并发症疾病实体时,根据所述并发症疾病实体生成追溯问句;
确定所述追溯问句中的追溯意图,并根据所述追溯意图从所述并发症数据中确定所述并发症疾病实体的意图结果。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
当接收到并发症抽取请求时,从所述并发症抽取请求中提取医疗查询问句;
从所述医疗查询问句中抽取对象实体,并爬取与所述对象实体相关的并发症数据;
拼接所述并发症数据与所述对象实体,得到待抽取文本,并将所述待抽取文本转换为待抽取向量;
将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果;
当所述抽取结果为所述对象实体的并发症疾病实体时,根据所述并发症疾病实体生成追溯问句;
确定所述追溯问句中的追溯意图,并根据所述追溯意图从所述并发症数据中确定所述并发症疾病实体的意图结果。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,既可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种多维度并发症信息抽取方法,其特征在于,所述多维度并发症信息抽取方法包括:
当接收到并发症抽取请求时,从所述并发症抽取请求中提取医疗查询问句;
从所述医疗查询问句中抽取对象实体,并爬取与所述对象实体相关的并发症数据;
拼接所述并发症数据与所述对象实体,得到待抽取文本,并将所述待抽取文本转换为待抽取向量;
将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果;
当所述抽取结果为所述对象实体的并发症疾病实体时,根据所述并发症疾病实体生成追溯问句;
确定所述追溯问句中的追溯意图,并根据所述追溯意图从所述并发症数据中确定所述并发症疾病实体的意图结果。
2.如权利要求1所述的多维度并发症信息抽取方法,其特征在于,所述从所述并发症抽取请求中提取医疗查询问句包括:
从预设线程池中获取所有闲置线程,并获取每个闲置线程的处理速率;
将处理速率最大的闲置线程确定为目标线程;
利用所述目标线程解析所述并发症抽取请求,得到所述并发症抽取请求携带的数据信息;
获取预设标签,所述预设标签是指预先定义好的标签;
从所述数据信息中获取与所述预设标签对应的信息作为所述医疗查询问句。
3.如权利要求1所述的多维度并发症信息抽取方法,其特征在于,所述从所述医疗查询问句中抽取对象实体包括:
过滤所述医疗查询问句中的特殊字符,得到过滤后的文本;
根据自定义词典对所述过滤后的文本进行切分,得到多个切分序列,每个切分序列包括所述过滤后的文本中的所有词语;
根据所述多个切分序列构建多个有向无环图;
根据所述自定义词典中的权值计算每个有向无环图的切分概率;
将切分概率最大的有向无环图对应的切分序列确定为目标序列;
获取所述目标序列中的所有词语,得到多个分词;
计算每个分词与预设实体列表中的每个预设实体的相似度;
选取相似度最大的预设实体作为所述对象实体。
4.如权利要求1所述的多维度并发症信息抽取方法,其特征在于,所述爬取与所述对象实体相关的并发症数据包括以下一种或者多种方式的组合:
获取预设社交账号,并从所述预设社交账号中爬取包含所述对象实体的数据作为所述并发症数据;及/或
获取与所述对象实体相关联的目标书籍,获取配置标识,并利用光学字符识别技术从所述目标书籍中识别出与所述配置标识对应的数据作为所述并发症数据;及/或
从预设网站中爬取与所述对象实体相关的数据作为所述并发症数据。
5.如权利要求1所述的多维度并发症信息抽取方法,其特征在于,所述将所述待抽取文本转换为待抽取向量包括:
对所述待抽取文本进行切分,得到所述待抽取文本的切分词语及所述切分词语的序号;
将所述切分词语映射至预设映射表中,得到所述切分词语的映射向量;
按照所述序号从小至大的顺序拼接所述映射向量,得到拼接向量;
对所述拼接向量进行降维处理,得到所述待抽取向量。
6.如权利要求1所述的多维度并发症信息抽取方法,其特征在于,所述将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果包括:
获取所述指针抽取模型中的第一子模型,并获取所述指针抽取模型中的第二子模型;
将所述待抽取向量输入至所述第一子模型中,得到起始位置,并将所述待抽取向量输入至所述第二子模型中,得到终点位置;
当所述起始位置为非负值,及所述终点位置为非负值时,根据所述起始位置及所述终点位置确定位置范围;
从所述待抽取向量中获取与所述位置范围对应的向量值作为并发症疾病向量;
从所述预设映射表中获取与所述并发症疾病向量对应的信息作为所述并发症疾病实体。
7.如权利要求1所述的多维度并发症信息抽取方法,其特征在于,所述确定所述追溯问句中的追溯意图包括:
依次遍历所述追溯问句中的追溯词;
将遍历到的追溯词与预设意图表中的意图词进行匹配;
将与所述意图词匹配成功的追溯词确定为所述追溯意图。
8.一种多维度并发症信息抽取装置,其特征在于,所述多维度并发症信息抽取装置包括:
提取单元,用于当接收到并发症抽取请求时,从所述并发症抽取请求中提取医疗查询问句;
爬取单元,用于从所述医疗查询问句中抽取对象实体,并爬取与所述对象实体相关的并发症数据;
转换单元,用于拼接所述并发症数据与所述对象实体,得到待抽取文本,并将所述待抽取文本转换为待抽取向量;
输入单元,用于将所述待抽取向量输入至预先构建的指针抽取模型中,得到抽取结果;
生成单元,用于当所述抽取结果为所述对象实体的并发症疾病实体时,根据所述并发症疾病实体生成追溯问句;
确定单元,用于确定所述追溯问句中的追溯意图,并根据所述追溯意图从所述并发症数据中确定所述并发症疾病实体的意图结果。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的多维度并发症信息抽取方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的多维度并发症信息抽取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010916995.1A CN111986761B (zh) | 2020-09-03 | 2020-09-03 | 多维度并发症信息抽取方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010916995.1A CN111986761B (zh) | 2020-09-03 | 2020-09-03 | 多维度并发症信息抽取方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111986761A true CN111986761A (zh) | 2020-11-24 |
CN111986761B CN111986761B (zh) | 2024-06-25 |
Family
ID=73448038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010916995.1A Active CN111986761B (zh) | 2020-09-03 | 2020-09-03 | 多维度并发症信息抽取方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111986761B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140067847A1 (en) * | 2012-09-06 | 2014-03-06 | Koninklijke Philips N.V. | Generating a query |
CN104965992A (zh) * | 2015-07-13 | 2015-10-07 | 南开大学 | 一种基于在线医疗问答信息的文本挖掘方法 |
CN105359144A (zh) * | 2013-06-04 | 2016-02-24 | 谷歌公司 | 用于意图查询的自然语言搜索结果 |
KR101875306B1 (ko) * | 2017-01-11 | 2018-07-05 | 전북대학교산학협력단 | 의료용어 클러스터를 이용한 질병정보제공시스템 |
CN109522393A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
CN109545373A (zh) * | 2018-11-08 | 2019-03-29 | 新博卓畅技术(北京)有限公司 | 一种人体疾病症状特征自动抽取方法、系统及设备 |
CN109635122A (zh) * | 2018-11-28 | 2019-04-16 | 平安科技(深圳)有限公司 | 智能疾病问询方法、装置、设备及存储介质 |
KR20190119275A (ko) * | 2018-04-12 | 2019-10-22 | 한국과학기술원 | 의료 도메인 지식 구조 및 검색 의도를 고려한 질의 확장 기법 |
US20200242133A1 (en) * | 2019-01-30 | 2020-07-30 | Babylon Partners Limited | Reducing a search space for a match to a query |
CN111524598A (zh) * | 2020-04-21 | 2020-08-11 | 赵述武 | 一种围术期并发症预测方法及系统 |
-
2020
- 2020-09-03 CN CN202010916995.1A patent/CN111986761B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140067847A1 (en) * | 2012-09-06 | 2014-03-06 | Koninklijke Philips N.V. | Generating a query |
CN105359144A (zh) * | 2013-06-04 | 2016-02-24 | 谷歌公司 | 用于意图查询的自然语言搜索结果 |
CN104965992A (zh) * | 2015-07-13 | 2015-10-07 | 南开大学 | 一种基于在线医疗问答信息的文本挖掘方法 |
KR101875306B1 (ko) * | 2017-01-11 | 2018-07-05 | 전북대학교산학협력단 | 의료용어 클러스터를 이용한 질병정보제공시스템 |
KR20190119275A (ko) * | 2018-04-12 | 2019-10-22 | 한국과학기술원 | 의료 도메인 지식 구조 및 검색 의도를 고려한 질의 확장 기법 |
CN109522393A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
CN109545373A (zh) * | 2018-11-08 | 2019-03-29 | 新博卓畅技术(北京)有限公司 | 一种人体疾病症状特征自动抽取方法、系统及设备 |
CN109635122A (zh) * | 2018-11-28 | 2019-04-16 | 平安科技(深圳)有限公司 | 智能疾病问询方法、装置、设备及存储介质 |
US20200242133A1 (en) * | 2019-01-30 | 2020-07-30 | Babylon Partners Limited | Reducing a search space for a match to a query |
CN111524598A (zh) * | 2020-04-21 | 2020-08-11 | 赵述武 | 一种围术期并发症预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
REFRESH&GROW: "问题生成(QG)与答案生成(QA)", pages 1 - 4, Retrieved from the Internet <URL:https://blog.csdn.net/ZJL0105/article/details/82818887> * |
Also Published As
Publication number | Publication date |
---|---|
CN111986761B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111694826B (zh) | 基于人工智能的数据增强方法、装置、电子设备及介质 | |
CN113032528B (zh) | 案件分析方法、装置、设备及存储介质 | |
CN111985241B (zh) | 医学信息查询方法、装置、电子设备及介质 | |
CN113094478B (zh) | 表情回复方法、装置、设备及存储介质 | |
CN113724830B (zh) | 基于人工智能的用药风险检测方法及相关设备 | |
CN113268597B (zh) | 文本分类方法、装置、设备及存储介质 | |
CN114418398A (zh) | 场景任务开发方法、装置、设备及存储介质 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
WO2021174923A1 (zh) | 概念词序列生成方法、装置、计算机设备及存储介质 | |
CN113420143B (zh) | 文书摘要生成方法、装置、设备及存储介质 | |
CN113627186B (zh) | 基于人工智能的实体关系检测方法及相关设备 | |
CN116757207A (zh) | 基于人工智能的icd自动编码方法及相关设备 | |
CN113420545B (zh) | 摘要生成方法、装置、设备及存储介质 | |
CN111986761B (zh) | 多维度并发症信息抽取方法、装置、电子设备及介质 | |
CN113486680B (zh) | 文本翻译方法、装置、设备及存储介质 | |
CN111933241B (zh) | 医疗数据解析方法、装置、电子设备及存储介质 | |
CN112989820B (zh) | 法律文书定位方法、装置、设备及存储介质 | |
CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
CN113486848A (zh) | 文档表格识别方法、装置、设备及存储介质 | |
CN113421575B (zh) | 声纹识别方法、装置、设备及存储介质 | |
CN112199493B (zh) | 用药准确性确定方法、装置、电子设备及存储介质 | |
CN113468334B (zh) | 密文情感分类方法、装置、设备及存储介质 | |
CN111291153A (zh) | 一种信息搜索的方法和装置 | |
CN113434895B (zh) | 文本解密方法、装置、设备及存储介质 | |
CN113268562B (zh) | 文本情感识别方法、装置、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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220921 Address after: Room 2601 (Unit 07), Qianhai Free Trade Building, No. 3048, Xinghai Avenue, Nanshan Street, Qianhai Shenzhen-Hong Kong Cooperation Zone, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Ping An Smart Healthcare Technology Co.,Ltd. Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000 Applicant before: Ping An International Smart City Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant |