CN112015994A - 药物推荐方法、装置、设备及介质 - Google Patents

Abstract

本发明涉及人工智能技术领域，提供一种药物推荐方法、装置、设备及介质，方法包括：通过获取用户综合信息，通过文本识别模型识别出用户综合信息中包含的肯定表征词和否定表征词，通过药物推荐模型对所有肯定表征词进行药物类型识别，得到第一推荐结果，同时将否定表征词进行词意转换得到转换词，并将各转换词与所有肯定表征词组合得到组合集，通过药物推荐模型进行药物类型识别，得到第二推荐结果，去重得到第三推荐结果，第一推荐结果中去除第三推荐结果中包含的药物类型，得到最终推荐结果并推荐给用户。本发明实现准确地推荐药物数据给用户，提高了药物推荐的准确率。本发明适用于智慧医疗等领域，可进一步推动智慧城市的建设。

Description

药物推荐方法、装置、设备及介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种药物推荐方法、药物推荐方法、装置、设备及介质。

背景技术

互联网的出现和普及给用户带来了大量的信息，满足了用户在信息时代对信息的需求，但是随着互联网的迅速发展，信息量也在大幅增长，这会导致用户在面对大量信息时无法从中获得自己真正需要的信息，从而降低了对信息的使用效率。解决这一问题较好的办法就是推荐系统，它可以在大量的信息中为用户推荐合适的内容，以便用户从推荐的内容中获取自己喜好的信息。

在实际的大多数应用场景中，用户都希望通过应用程序的相关推荐系统获取自己喜好的信息，比如，如果用户想获取当天自己喜好的最新新闻，就通过应用程序产品的新闻推荐系统推荐相关新闻，如果用户想获取针对症状的喜好的药物，就通过应用程序产品的药物推荐系统推荐药物清单，如果用户想获取最近自己喜欢的发布歌曲，就通过应用程序产品的音乐推荐系统推荐歌曲清单，但是，在现有的技术方案中大部分都是针对肯定喜好词进行推荐，导致推荐结果会存在用户不喜好的信息，特别是在肯定喜好词与否定喜好词模棱两可的情况下，就会造成用户查看到不喜好的信息，推荐准确度不高，影响用户的使用体验，还会存在流失用户的风险。

发明内容

本发明提供一种药物推荐、药物推荐方法、装置、计算机设备及存储介质，实现了准确地推荐药物数据给用户，提高了药物推荐的准确率，避免了不喜好的药物数据推荐给用户，提升了用户的体验满意度，并提升了主题推荐的有效性，本发明适用于智慧医疗等领域，可进一步推动智慧城市的建设。

一种药物推荐方法，包括：

接收到用户的药物推荐请求，获取所述药物推荐请求中的用户综合信息；

通过文本识别模型，对所述用户综合信息进行词义识别，得到识别结果；所述识别结果包括肯定结果和否定结果；所述肯定结果包括至少一个肯定表征词，所述否定结果包括至少一个否定表征词；

将所有所述肯定表征词输入药物推荐模型中，通过所述药物推荐模型对所有所述肯定表征词进行药物类型识别，得到第一推荐结果；

将各所述否定表征词进行词义转换，得到与各所述否定表征词对应的转换词，并将所有所述肯定表征词与各所述转换词分别组合，得到与所述转换词对应的组合集；

将各所述组合集分别输入所述药物推荐模型中，通过所述药物推荐模型对各所述组合集进行药物类型识别，得到与各所述组合集对应的第二推荐结果；

将所有所述第二推荐结果中的药物类型进行去重，得到第三推荐结果；

从所述第一推荐结果中去除所述第三推荐结果中的药物类型，得到与所述用户综合信息对应的最终推荐结果，自数据库中获取与所述最终推荐结果中的药物类型相匹配的药物数据，并将获取的所述药物数据推荐给用户。

一种药物推荐装置，包括：

获取模块，用于接收到用户的药物推荐请求，获取所述药物推荐请求中的用户综合信息；

识别模块，用于通过文本识别模型，对所述用户综合信息进行词义识别，得到识别结果；所述识别结果包括肯定结果和否定结果；所述肯定结果包括至少一个肯定表征词，所述否定结果包括至少一个否定表征词；

第一推荐模块，用于将所有所述肯定表征词输入药物推荐模型中，通过所述药物推荐模型对所有所述肯定表征词进行药物类型识别，得到第一推荐结果；

组合模块，用于将各所述否定表征词进行词义转换，得到与各所述否定表征词对应的转换词，并将所有所述肯定表征词与各所述转换词分别组合，得到与所述转换词对应的组合集；

第二推荐模块，用于将各所述组合集分别输入所述药物推荐模型中，通过所述药物推荐模型对各所述组合集进行药物类型识别，得到与各所述组合集对应的第二推荐结果；

第三推荐模块，用于将所有所述第二推荐结果中的药物类型进行去重，得到第三推荐结果；

第一输出模块，用于从所述第一推荐结果中去除所述第三推荐结果中的药物类型，得到与所述用户综合信息对应的最终推荐结果，自数据库中获取与所述最终推荐结果中的药物类型相匹配的药物数据，并将获取的所述药物数据推荐给用户。一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述药物推荐方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述药物推荐方法的步骤。

本发明提供的药物推荐方法、装置、计算机设备及存储介质，通过接收到用户的药物推荐请求，获取所述药物推荐请求中的用户综合信息；通过文本识别模型，对所述用户综合信息进行词义识别，得到识别结果；将所有所述肯定表征词输入药物推荐模型中，通过所述药物推荐模型对所有所述肯定表征词进行药物类型识别，得到第一推荐结果；将各所述否定表征词进行词义转换，得到与各所述否定表征词对应的转换词，并将所有所述肯定表征词与各所述转换词分别组合，得到与所述转换词对应的组合集；将各所述组合集分别输入所述药物推荐模型中，通过所述药物推荐模型对各所述组合集进行药物类型识别，得到与各所述组合集对应的第二推荐结果；将所有所述第二推荐结果中的药物类型进行去重，得到第三推荐结果；从所述第一推荐结果中去除所述第三推荐结果中的药物类型，得到与所述用户综合信息对应的最终推荐结果，自数据库中获取与所述最终推荐结果中的药物类型相匹配的药物数据，并将获取的所述药物数据推荐给用户，因此，本发明提供了药物推荐方法，通过获取用户综合信息，通过文本识别模型识别出用户综合信息中包含的肯定表征词和否定表征词，将所有肯定表征词输入药物推荐模型中，并进行药物类型识别，得到第一推荐结果，同时将否定表征词进行词意转换得到转换词，并将各转换词与所有肯定表征词组合得到组合集，通过药物推荐模型对各组合集进行药物类型识别，得到第二推荐结果，对所有第二推荐结果去重，得到第三推荐结果，第一推荐结果中去除第三推荐结果中包含的药物类型，得到最终推荐结果并推荐给用户，实现了准确地推荐药物数据给用户，能够提供给用户喜好的药物清单，提高了药物推荐的准确率，避免了不喜好的药物数据展示给用户，特别是过敏的药物数据，提升了用户的体验满意度，并提升了药物推荐的有效性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例中药物推荐方法的应用环境示意图；

图2是本发明一实施例中药物推荐方法的流程图；

图3是本发明一实施例中药物推荐方法的步骤S10的流程图；

图4是本发明一实施例中药物推荐方法的步骤S20的流程图；

图5是本发明另一实施例中药物推荐方法的步骤S20的流程图；

图6是本发明一实施例中药物推荐方法的步骤S70的流程图；

图7是本发明一实施例中药物推荐装置的原理框图；

图8是本发明一实施例中药物推荐装置的获取模块的原理框图；

图9是本发明一实施例中计算机设备的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供的药物推荐方法，可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一实施例中，如图2所示，提供一种药物推荐方法，其技术方案主要包括以下步骤S10-S70：

S10，接收到用户的药物推荐请求，获取所述药物推荐请求中的用户综合信息。

可理解地，在药物推荐系统的应用场景下，所述用户为自身感觉体表欠佳、体能低或代谢差等不良症状的用户，用户希望能够通过应用程序产品获取针对用户当前的症状情况而推荐的用户喜好的和用户不过敏的药物清单，在用户输入完成所述用户综合信息并确认之后，触发所述药物推荐请求，所述药物推荐请求包含有所述用户综合信息，所述用户综合信息为用户自身体现的症状情况以及对药物喜好的信息，所述用户综合信息包括肯定表征词和否定表征词，所述肯定表征词为用户通过肯定的语义表达症状或/和喜好的词语，所述否定表征词为用户通过否定的语义表达症状或/和喜好的词语，例如：用户综合信息为“最近感觉口干舌燥，不发烧，不咳嗽，想要液体的、非输液、不苦味、非冲剂的调理产品”，肯定表征词有“口干”、“舌燥”和“液体”，否定表征词有“不发烧”、“不咳嗽”、“非输液”、“不苦味”和“非冲剂”，其中，获取所述用户综合信息的方式可以根据需求设定，比如可以通过读取应用程序产品中输入完成的文本内容，可以通过应用程序产品中的机器人对话管理与用户进行对话输出的文本内容中获取。

其中，推荐系统还可以应用在大多数应用场景中，每个时刻用户的喜好都会变化，都有可能接收到用户的不同与喜好相关的数据推荐请求，数据推荐请求中的用户数据可以通过在用户通过应用程序产品录制的语音数据之后将其转换成的文本内容中获取，还可以通过在用户通过应用程序产品拍摄用户的人脸之后进行情绪识别出用户情绪的文本内容中获取等等，所述用户数据为用户此时希望获取到喜好和非喜好的数据的文本描述，肯定表征词否定表征词肯定表征词否定表征词例如：用户数据为“想查看近期发生的积极的、有热度、非娱乐和不惊悚的新闻”，肯定的词语有“近期”“积极”和“热度”，否定的词语有“非娱乐”和“不惊悚”。

在一实施例中，如图3所示，所述步骤S10中，即所述接收到用户的药物推荐请求，包括：

S101，获取所述药物推荐请求中的待推荐信息。

可理解地，接收到用户的药物推荐请求，所述药物推荐请求中包含所述待推荐信息，所述待推荐信息为用户在应用程序产品上输入的与所述用户的症状或/和喜好相关的信息，其获取方式可以根据需要设定，比如获取方式可以为通过所述用户在应用程序产品上输入完后点击按键获取，也可以根据所述数据推荐请求中包含的所述待推荐信息的存储路径获取等等。

S102，通过信息识别模型识别出所述待推荐信息的文件类型，得到类型结果。

可理解地，所述信息识别模型为对所述待推荐信息进行识别的预设的识别模型，将所述待推荐信息输入至所述信息识别模型，所述信息识别模型对所述待推荐信息进行文件类型的识别，根据所述待推荐信息的文件类型的格式确定所述类型结果，所述类型结果包括文本、语音和图像，例如：待推荐信息为音频文件时，通过信息识别模型识别后得到类型结果为语音。

S103，获取与所述类型结果匹配的转换模型，通过所述转换模型对所述待推荐信息进行文本转换，得到所述用户综合信息。

可理解地，根据所述类型结果确定与所述类型结果对应的转换模型，所述转换模型包括文本转换模型、语音转换模型和图像转换模型，即若所述类型结果为文本时，则获取文本转换模型，若所述类型结果为语音时，则获取语音转换模型，若所述类型结果为图像时，则获取图像转换模型，所述转换模型为训练完成的神经网络模型，如此，获取更具针对性的转换模型能够提升转换效率和准确率。将所述用户输入信息输入至与所述类型结果对应的转换模型，通过所述转换模型进行文本转换，所述文本转换为将文本、语音或图像的所述待推荐信息转换成纯文本内容的转换过程，所述文本转换包括语音转换模型中的语音识别技术的转换过程，也包括图像转换模型中的人脸情绪识别技术的转换过程，其中，所述语音识别技术为以语音为研究对象，通过语音文本转换自动识别出语音中的文字，所述语音文本转换的过程为对语音的信息进行预处理(VAD，即首尾端的静音切除)及声音分帧，将声音分帧后的每一帧进行特征提取，提取出每一帧的包含声音信息的特征向量，在将每一特征向量进行声学模型的转换，转成与其对应的音素向量，通过字典库中查找每一个音素向量对应的中文或者英文，再通过语音模型识别出字与字之间或者词语与词语之间的相互关联的概率，最后得出最高概率的文本，即为转换后的纯文本内容，所述人脸情绪识别技术为提取人脸表情核心部位(眼睛，眉毛，鼻子和嘴巴)的特征后进行识别出与人的情绪描述相关的结果的技术，将转换后的纯文本内容确定为所述用户综合信息。

如此，通过对用户输入的所述待推荐信息进行文本、语音和图像的识别，根据不同的识别结果对应不同的转换模型，从所述待推荐信息中获取出所述用户综合信息，提供了多种输入渠道给用户，提升了用户体验度，以及通过更具针对性的转换模型对所述待推荐信息进行文本转换，提高了转换的质量和有效性，并提升了转换的准确率。

S20，通过文本识别模型，对所述用户综合信息进行词义识别，得到识别结果；所述识别结果包括肯定结果和否定结果；所述肯定结果包括至少一个肯定表征词，所述否定结果包括至少一个否定表征词。

可理解地，所述文本识别模型为基于Word2vec模型且训练完成的神经网络模型，所述文本识别模型用于识别文本中肯定表征词和否定表征词的模型，所述文本识别模型的网络结构包括所述Word2vec模型的网络结构，所述文本识别模型包含Word2vec算法，所述Word2vec算法为将输入的文本的各个字或词语转换成与其对应的词向量，根据转换后的词向量之间的距离来判断彼此之间的(词法、语义上的)相似性，输出识别结果，所述词义识别包括肯定词义识别和否定字识别，所述词义识别为通过所述Word2vec算法识别出各单元词的词义，所述肯定词义识别为对各序列标注后的所述单元词进行名词短语的肯定特征进行识别，得到所述待处理语句，所述否定字识别为对单元句中的序列标注为“O”(“O”表示不属于任何类型，即不属于名词短语)的单元词进行所述否定字特征提取，根据提取的所述否定字特征识别出单元句中是否包含有否定字，所述识别结果包括所述肯定结果和所述否定结果，所述识别结果表明了用户的症状或/和喜好结果，所述肯定结果为用户感兴趣的、喜好的、症状表征的、带有肯定语义的词语的集合，所述肯定结果包括若干个所述肯定表征词，所述肯定表征词为感兴趣的或者喜好的或者症状表征的词语，所述肯定表征词中无否定字，所述肯定结果为用户不感兴趣的、不喜好的、非症状表征的、带有否定语义的词语的集合，所述否定结果包括若干个所述否定表征词，所述否定表征词为不感兴趣的或者不喜好的或者非症状表征的词语，所述否定表征词中含有否定字。

在一实施例中，如图4所示，所述步骤S20中，即所述通过文本识别模型，对所述用户综合信息进行词义识别，包括：

S201，通过所述文本识别模型对所述用户综合信息进行语句拆分，得到各单元句。

可理解地，所述语句拆分为将所述用户综合信息拆分成一个个所述单元句，所述语句拆分为将所述用户综合信息按照所述用户综合信息中的标点符号进行隔开，将隔开的文本确定为所述单元句，所述单元句不包含标点符号，例如：用户综合信息为“最近感觉口干舌燥，不发烧，不咳嗽，想要液体的、非输液、不苦味、非冲剂的调理产品”，拆分成单元句为“最近感觉口干舌燥”、“不发烧”、“不咳嗽”、“想要液体的”、“非输液”、“不苦味”和“非冲剂的调理产品”。

S202，通过所述文本识别模型对所述单元句拆分词语，得到与所述单元句对应的单元词。

可理解地，通过所述文本识别模型对各所述单元句进行所述拆分词语处理，所述拆分词语处理为将各所述单元句拆分成一个字或一个词语，被拆分后的字或词语确定为所述单元词，并与其对应的所述单元句关联，以及运用BIO序列标注法给各所述单元词进行标注，所述BIO序列标注法为将每个单元词标注为“B-X”、“I-X”或者“O”。其中，“B-X”表示此字所在的单元词属于X类型并且此字在此单元词的开头，“I-X”表示此字所在的单元词属于X类型并且此字在此单元词的中间或结尾位置，“O”表示不属于任何类型，其中，将X表示为名词短语(Noun Phrase,NP)。

S203，通过所述文本识别模型对所有与所述单元句对应的所述单元词进行肯定词义识别，得到至少一个待处理语句，并对所有与所述待处理语句对应的所述单元句进行否定字识别，检测所述单元句中是否包含有否定字。

可理解地，通过所述文本识别模型中的所述Word2vec算法，对各所述单元词进行所述肯定词义识别，所述肯定词义识别为对各序列标注后的所述单元词进行名词短语的肯定特征进行识别，得到所述待处理语句，所述肯定特征为与主题相似的特征，例如：用户综合信息为“最近感觉口干舌燥，不发烧，不咳嗽，想要液体的、非输液、不苦味、非冲剂的调理产品”，经过肯定词义识别后得到待处理语句有“口干”、“舌燥”、“发烧”、“咳嗽”、“液体”、“输液”、“苦味”、“冲剂”和“调理”。

其中，通过所述文本识别模型识别与各所述待处理语句对应的所述单元句中的否定字，所述否定字识别为对单元句中的序列标注为“O”的单元词进行所述否定字特征提取，根据提取的所述否定字特征识别出单元句中是否包含有否定字，所述否定字包括“非”、“不”、“没”和“除”等等，检测与各所述待处理语句对应的所述单元句中是否包含有所述否定字。

在一实施例中，如图5所示，所述步骤S203之后，即所述检测所述单元句中是否包含有否定字之后，还包括：

S206，若检测到与所述待处理语句对应的所述单元句中不存在所述否定字，将所述待处理语句确定为所述肯定表征词。

可理解地，如果检测到与所述待处理语句对应的所述单元句中不包含任何一个所述否定字，将所述待处理语句记录为所述肯定表征词。

S207，将所有所述肯定表征词确定为所述肯定结果。

可理解地，将所有所述肯定表征词进行汇总，得到所述肯定结果。

本发明实现了通过所述文本识别模型对所述用户综合信息进行语句拆分，得到各单元句；通过所述文本识别模型对所述单元句拆分词语，得到与所述单元句对应的单元词；通过所述文本识别模型对所有与所述单元句对应的所述单元词进行肯定词义识别，得到至少一个待处理语句，并对所有与所述待处理语句对应的所述单元句进行否定字识别，检测所述单元句中是否包含有否定字；若检测到与所述待处理语句对应的所述单元句中不存在所述否定字，将所述待处理语句确定为所述肯定表征词；将所有所述肯定表征词确定为所述肯定结果，如此，实现了通过对用户综合信息进行语句拆分和拆分词语，再通过文本识别模型进行肯定词义识别和否定字识别，自动识别出用户综合信息中的肯定表征词，提高了识别的准确率和有效性，并且保证了肯定表征词的识别质量。

S204，若检测到与所述待处理语句对应的所述单元句中包含有所述否定字，将所述待处理语句和与所述待处理语句对应的所述单元句中的所述否定字进行组合，得到所述否定表征词。

可理解地，如果检测到与所述待处理语句对应的所述单元句中包含有任何一个所述否定字，将所述待处理语句和与所述待处理语句对应的所述单元句中的所述否定字进行合并，即与所述待处理语句对应的所述单元句中的所述否定字放在所述待处理语句的前面，合并成一个词语，将合并后的该词语记录为所述否定表征词。

S205，将所有所述否定表征词确定为所述否定结果。

可理解地，将所有所述否定表征词进行汇总，得到所述否定结果。

本发明通过所述文本识别模型对所述用户综合信息进行语句拆分，得到各单元句；通过所述文本识别模型对所述单元句拆分词语，得到与所述单元句对应的单元词；通过所述文本识别模型对所有与所述单元句对应的所述单元词进行肯定词义识别，得到至少一个待处理语句，并对所有与所述待处理语句对应的所述单元句进行否定字识别，检测所述单元句中是否包含有否定字；若检测到与所述待处理语句对应的所述单元句中包含有所述否定字，将所述待处理语句和与所述待处理语句对应的所述单元句中的所述否定字进行组合，得到所述否定表征词；将所有所述否定表征词确定为所述否定结果，如此，实现了通过对用户综合信息进行语句拆分和拆分词语，再通过文本识别模型进行肯定词义识别和否定字识别，自动识别出用户综合信息中的否定表征词，提高了识别的准确率和有效性，并且保证了否定表征词的识别质量。

S30，将所有所述肯定表征词输入药物推荐模型中，通过所述药物推荐模型对所有所述肯定表征词进行药物类型识别，得到第一推荐结果。

可理解地，所述药物推荐模型为训练完成的基于深度学习的多分类神经网络模型，所述药物推荐模型的网络结构可以根据需求设定，比如药物推荐模型的网络结构为随机森林模型的网络结构、支持向量机模型的网络结构或者逻辑回归模型的网络结构等等，作为优选，所述药物推荐模型的网络结构为支持向量机模型的网络结构，将所有所述肯定表征词输入至所述药物推荐模型，通过所述药物推荐模型对所有所述肯定表征词进行词向量转换及拼接，再将拼接后的数组转换成向量矩阵，对该向量矩阵进行所述药物类型识别，所述药物类型识别为对转换后的向量矩阵进行药物特征提取，根据提取的药物特征进行识别出推荐的药物类型的清单，所述药物特征为与主题相关的特征，将识别出推荐的药物类型的清单确定为所述第一推荐结果，所述第一推荐结果为根据所有所述肯定表征词识别出的所有的药物类型的置信度大于预设阈值的药物类型的集合，优选地，所述预设阈值设定为60％，所述第一推荐结果表明了在所有药物类型中符合所有所述肯定表征词的词义的药物类型。

在一实施例中，所述步骤S30之前，即所述将所有所述肯定表征词输入药物推荐模型中之前，包括：

S301，获取包含多个喜好样本的喜好样本集；一个所述喜好样本与一个药物类型标签数组关联；一个所述喜好样本包括至少一个肯定表征词。

可理解地，所述喜好样本集包含有多个所述喜好样本，所述喜好样本为历史收集的用户输入的与症状或/和喜好相关的词语，所述喜好样本中包含有至少一个肯定表征词，所述肯定表征词为用户通过肯定的语义表达的词语，一个所述喜好样本与一个药物类型标签数组关联，所述药物类型标签数组为与所述喜好样本相关的药物类型的标签集合。

S302，将所述喜好样本输入含有初始参数的多分类神经网络模型。

可理解地，将所述喜好样本输入所述多分类神经网络模型，所述多分类神经网络模型包括所述初始参数，所述初始参数为所述多分类神经网络模型的所有参数，所述初始参数包括所述多分类神经网络模型的网络结构中的参数，所述多分类神经网络模型中包含有多分支任务的药物类型的分类识别。

S303，通过所述多分类神经网络模型对所述喜好样本进行药物类型识别，得到样本推荐结果。

可理解地，所述药物类型识别为对转换后的向量矩阵进行药物特征提取，根据提取的药物特征进行识别出推荐的药物类型的清单，所述药物特征为与药物的特性相关的特征，所述多分类神经网络模型通过多分支任务对所述喜好样本进行所述药物类型识别，从而得到所述样本推荐结果，所述样本推荐结果为根据所述喜好样本中的肯定表征词识别出的所有的药物类型的置信度大于预设阈值的药物类型的集合。

S304，根据所述样本推荐结果和所述药物类型标签数组，得到损失值。

可理解地，将所述样本推荐结果和所述药物类型标签数组输入所述多分类神经网络模型中的损失函数，通过所述损失函数计算出所述损失值，所述损失函数可以根据需求设定，比如交叉熵损失函数，多标签分类损失函数等等，作为优选，所述损失函数设定为多标签分类损失函数。

S305，在所述损失值未达到预设的收敛条件时，迭代更新所述多分类神经网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述多分类神经网络模型记录为药物推荐模型。

可理解地，所述收敛条件可以为所述损失值经过了2000次计算后值为很小且不会再下降的条件，即在所述损失值经过2000次计算后值为很小且不会再下降时，停止训练，并将收敛之后的所述多分类神经网络模型记录为药物推荐模型；所述收敛条件也可以为所述损失值小于设定阈值的条件，即在所述损失值小于设定阈值时，停止训练，并将收敛之后的所述多分类神经网络模型记录为药物推荐模型，如此，在所述损失值未达到预设的收敛条件时，不断更新迭代所述多分类神经网络模型的初始参数，并触发通过所述多分类神经网络模型对所述喜好样本进行药物类型识别，得到样本推荐结果的步骤，可以不断向准确的结果靠拢，让识别的准确率越来越高。

S40，将各所述否定表征词进行词义转换，得到与各所述否定表征词对应的转换词，并将所有所述肯定表征词与各所述转换词分别组合，得到与所述转换词对应的组合集。

可理解地，将各所述否定表征词进行词义转换，所述词义转换为将所述否定表征词中的否定字去除，或者将所述否定表征词进行反义词转换，将词义转换后的所述否定表征词确定为所述转换词，将所有所述肯定表征词与各个所述转换词一一组合，得到与所述否定表征词相同数量的所述组合集，即所述组合集与所述转换词一一对应，例如：肯定表征词有“口干”、“舌燥”和“液体”，否定表征词有“不发烧”、“不咳嗽”、“非输液”、“不苦味”和“非冲剂”，组合集分别为“口干，舌燥，液体，发烧”、“口干，舌燥，液体，咳嗽”、“口干，舌燥，液体，输液”、“输液，苦味”和“口干，舌燥，液体，冲剂”。

S50，将各所述组合集分别输入所述药物推荐模型中，通过所述药物推荐模型对各所述组合集进行药物类型识别，得到与各所述组合集对应的第二推荐结果。

可理解地，将各所述组合集分别输入至所述药物推荐模型，通过所述药物推荐模型对所述组合集进行词向量转换及拼接，再将拼接后的数组转换成向量矩阵，对该向量矩阵进行所述药物类型识别，得到与各所述组合集对应的第二推荐结果，所述第二推荐结果为根据一个所述组合集识别出的所有的药物类型的置信度大于预设阈值的药物类型的集合。

S60，将所有所述第二推荐结果中的药物类型进行去重，得到第三推荐结果。

可理解地，对所有所述第二推荐结果进行汇总，并对汇总后的所有所述第二推荐结果进行去重处理，所述去重处理为删除重复的药物类型，将去重后的药物类型的清单确定为所述第三推荐结果。

S70，从所述第一推荐结果中去除所述第三推荐结果中的药物类型，得到与所述用户综合信息对应的最终推荐结果，自数据库中获取与所述最终推荐结果中的药物类型相匹配的药物数据，并将获取的所述药物数据推荐给用户。

可理解地，在所述第一推荐结果中的所有药物类型中去除所述第三推荐结果中的药物类型，得到所述最终推荐结果，所述最终推荐结果为向用户推荐的符合所述用户综合信息的药物类型清单，从数据库中获取与所述最终推荐结果中的所有药物类型相匹配的药物数据，所述匹配方式可以根据需求设定，比如通过文本相似度算法将最终推荐结果中的药物类型与所述药物数据关联的药物类型之间的相似度进行匹配，所述药物数据都会与一个或多个所述药物类型关联，所述药物数据为已定义的且与一种或多种药物类型相关的数据，将获取的所述药物数据通过与所述用户对应的客户端中的应用程序产品的显示界面进行展示，以推荐给用户。

本发明实现了通过接收到用户的药物推荐请求，获取所述药物推荐请求中的用户综合信息；通过文本识别模型，对所述用户综合信息进行词义识别，得到识别结果；将所有所述肯定表征词输入药物推荐模型中，通过所述药物推荐模型对所有所述肯定表征词进行药物类型识别，得到第一推荐结果；将各所述否定表征词进行词义转换，得到与各所述否定表征词对应的转换词，并将所有所述肯定表征词与各所述转换词分别组合，得到与所述转换词对应的组合集；将各所述组合集分别输入所述药物推荐模型中，通过所述药物推荐模型对各所述组合集进行药物类型识别，得到与各所述组合集对应的第二推荐结果；将所有所述第二推荐结果中的药物类型进行去重，得到第三推荐结果；从所述第一推荐结果中去除所述第三推荐结果中的药物类型，得到与所述用户综合信息对应的最终推荐结果，自数据库中获取与所述最终推荐结果中的药物类型相匹配的药物数据，并将获取的所述药物数据推荐给用户，因此，本发明提供了药物推荐方法，通过获取用户综合信息，通过文本识别模型识别出用户综合信息中包含的肯定表征词和否定表征词，将所有肯定表征词输入药物推荐模型中，并进行药物类型识别，得到第一推荐结果，同时将否定表征词进行词意转换得到转换词，并将各转换词与所有肯定表征词组合得到组合集，通过药物推荐模型对各组合集进行药物类型识别，得到第二推荐结果，对所有第二推荐结果去重，得到第三推荐结果，第一推荐结果中去除第三推荐结果中包含的药物类型，得到最终推荐结果并推荐给用户，实现了准确地推荐药物数据给用户，能够提供给用户喜好的药物清单，提高了药物推荐的准确率，避免了不喜好的药物数据展示给用户，特别是过敏的药物数据，提升了用户的体验满意度，并提升了药物推荐的有效性。

在一实施例中，如图6所示，所述步骤S70中，即所述自数据库中获取与所述最终推荐结果中的药物类型相匹配的药物数据，包括：

S701，将所述最终推荐结果中的药物类型输入预设的文本相似度模型；

可理解地，所述文本相似度模型为训练完成的深度神经网络模型，作为优选，所述文本相似度模型的网络结构为Word2vec模型的网络结构，即所述文本相似度模型包含有Word2vec相似度算法，将所述最终推荐结果中的所有所述药物类型至所述文本相似度模型中。

S702，通过文本相似度模型中的Word2vec相似度算法计算出所述最终推荐结果中的药物类型和与所述数据库中的各药物数据关联的药物类型的相似度值；

可理解地，所述文本相似度模型采用了一个具有三层的神经网络，并且根据词频用哈夫曼编码技术将相似词频词汇的隐藏层激活的内容出于大致相同的位置，最后，通过Kmeans聚类方法，将相似的词向量聚在一起，最后训练完成后形成了基于Word2vec模型的深度神经网络模型，所述Word2vec相似度算法为通过将句子进行分词，然后将每个词汇映射成N维的词向量，这样可以将两个词汇的相似度比较转化为对两个词向量的相似度比较的算法，其计算过程中可以利用余弦相似度、欧氏距离等方法对词汇进行语义分析，如此，获取所述数据库中所述有所述药物数据，所述数据库中的所述药物数据均与药物类型关联，通过Word2vec相似度算法能够计算出所述最终推荐结果中的药物类型和与所述数据库中的各药物数据关联的药物类型的相似度值。

S703，将与大于预设阈值的所述相似度值对应的药物数据确定为推荐药物数据，将所有推荐药物数据按照与其对应的所述相似度值由大到小的顺序排序，将排序后的所有所述推荐药物数据确定为与所述最终推荐结果中的药物类型相匹配的药物数据。

可理解地，所述预设阈值可以根据需求设置，将大于所述预设阈值的所述相似度值确定为推荐相似值，将与所述推荐相似值对应的所述药物类型对应的所述药物数据确定为所述推荐药物数据，将所有所述推荐药物数据按照与其对应的所述推荐相似值由大到小的顺序进行排序，并将排序后的所有所述推荐药物数据记录为与所述最终推荐结果中的药物类型相匹配的药物数据。

本发明实现了通过将所述最终推荐结果中的药物类型输入预设的文本相似度模型；通过文本相似度模型中的Word2vec相似度算法计算出所述最终推荐结果中的药物类型和与所述数据库中的各药物数据关联的药物类型的相似度值；将与大于预设阈值的所述相似度值对应的药物数据确定为推荐药物数据，将所有推荐药物数据按照与其对应的所述相似度值由大到小的顺序排序，将排序后的所有所述推荐药物数据确定为与所述最终推荐结果中的药物类型相匹配的药物数据，如此，实现了通过Word2vec相似度算法计算出相似度值，最终确定匹配的药物数据，提高了匹配的准确性和可靠性。

在一实施例中，提供一种药物推荐装置，该药物推荐装置与上述实施例中药物推荐方法一一对应。如图7所示，该药物推荐装置包括获取模块11、识别模块12、第一推荐模块13、组合模块14、第二推荐模块15、第三推荐模块16和第一输出模块17。各功能模块详细说明如下：

获取模块11，用于接收到患者的药物推荐请求，获取所述药物推荐请求中的患者综合信息；

识别模块12，用于通过文本识别模型，对所述患者综合信息进行词义识别，得到识别结果；所述识别结果包括肯定结果和否定结果；所述肯定结果包括至少一个肯定表征词，所述否定结果包括至少一个否定表征词；

第一推荐模块13，用于将所有所述肯定表征词输入药物推荐模型中，通过所述药物推荐模型对所有所述肯定表征词进行药物类型识别，得到第一推荐结果；

组合模块14，用于将各所述否定表征词进行词义转换，得到与各所述否定表征词对应的转换词，并将所有所述肯定表征词与各所述转换词分别组合，得到与所述转换词对应的组合集；

第二推荐模块15，用于将各所述组合集分别输入所述药物推荐模型中，通过所述药物推荐模型对各所述组合集进行药物类型识别，得到与各所述组合集对应的第二推荐结果；

第三推荐模块16，用于将所有所述第二推荐结果中的药物类型进行去重，得到第三推荐结果；

第一输出模块17，用于从所述第一推荐结果中去除所述第三推荐结果中的药物类型，得到与所述患者综合信息对应的最终推荐结果，自数据库中获取与所述最终推荐结果中的药物类型相匹配的药物数据，并将获取的所述药物数据推荐给患者。

在一实施例中，如图8所示，所述获取模块11包括：

信息获取子模块111，用于获取所述药物推荐请求中的待推荐信息；

类型识别子模块112，用于通过信息识别模型识别出所述待推荐信息的文件类型，得到类型结果；

转换子模块113，用于获取与所述类型结果匹配的转换模型，通过所述转换模型对所述待推荐信息进行文本转换，得到所述患者综合信息。

关于药物推荐装置的具体限定可以参见上文中对于药物推荐方法的限定，在此不再赘述。上述药物推荐装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种药物推荐方法，或者药物推荐方法。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中药物推荐方法，或者处理器执行计算机程序时实现上述实施例中药物推荐方法。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中药物推荐方法，或者计算机程序被处理器执行时实现上述实施例中药物推荐方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种药物推荐方法，其特征在于，包括：

接收到用户的药物推荐请求，获取所述药物推荐请求中的用户综合信息；

通过文本识别模型，对所述用户综合信息进行词义识别，得到识别结果；所述识别结果包括肯定结果和否定结果；所述肯定结果包括至少一个肯定表征词，所述否定结果包括至少一个否定表征词；

将所有所述肯定表征词输入药物推荐模型中，通过所述药物推荐模型对所有所述肯定表征词进行药物类型识别，得到第一推荐结果；

将各所述否定表征词进行词义转换，得到与各所述否定表征词对应的转换词，并将所有所述肯定表征词与各所述转换词分别组合，得到与所述转换词对应的组合集；

将各所述组合集分别输入所述药物推荐模型中，通过所述药物推荐模型对各所述组合集进行药物类型识别，得到与各所述组合集对应的第二推荐结果；

将所有所述第二推荐结果中的药物类型进行去重，得到第三推荐结果；

从所述第一推荐结果中去除所述第三推荐结果中的药物类型，得到与所述用户综合信息对应的最终推荐结果，自数据库中获取与所述最终推荐结果中的药物类型相匹配的药物数据，并将获取的所述药物数据推荐给用户。

2.如权利要求1所述的药物推荐方法，其特征在于，所述接收到用户的药物推荐请求，包括：

获取所述药物推荐请求中的待推荐信息；

通过信息识别模型识别出所述待推荐信息的文件类型，得到类型结果；

获取与所述类型结果匹配的转换模型，通过所述转换模型对所述待推荐信息进行文本转换，得到所述用户综合信息。

3.如权利要求1所述的药物推荐方法，其特征在于，所述通过文本识别模型，对所述用户综合信息进行词义识别，包括：

通过所述文本识别模型对所述用户综合信息进行语句拆分，得到各单元句；

通过所述文本识别模型对所述单元句拆分词语，得到与所述单元句对应的单元词；

通过所述文本识别模型对所有与所述单元句对应的所述单元词进行肯定词义识别，得到至少一个待处理语句，否定字识别并对所有与所述待处理语句对应的所述单元句进行否定字识别，检测所述单元句中是否包含有否定字；

若检测到与所述待处理语句对应的所述单元句中包含有所述否定字，将所述待处理语句和与所述待处理语句对应的所述单元句中的所述否定字进行组合，得到所述否定表征词；

将所有所述否定表征词确定为所述否定结果。

4.如权利要求3所述的药物推荐方法，其特征在于，所述检测所述单元句中是否包含有否定字之后，还包括：

若检测到与所述待处理语句对应的所述单元句中不存在所述否定字，将所述待处理语句确定为所述肯定表征词；

将所有所述肯定表征词确定为所述肯定结果。

5.如权利要求1所述的药物推荐方法，其特征在于，所述将所有所述肯定表征词输入药物推荐模型中之前，包括：

获取包含多个喜好样本的喜好样本集；一个所述喜好样本与一个药物类型标签数组关联；一个所述喜好样本包括至少一个肯定表征词；

将所述喜好样本输入含有初始参数的多分类神经网络模型；

通过所述多分类神经网络模型对所述喜好样本进行药物类型识别，得到样本推荐结果；

根据所述样本推荐结果和所述药物类型标签数组，得到损失值；

在所述损失值未达到预设的收敛条件时，迭代更新所述多分类神经网络模型的初始参数，直至所述损失值达到所述预设的收敛条件时，将收敛之后的所述多分类神经网络模型记录为药物推荐模型。

6.如权利要求1所述的药物推荐方法，其特征在于，所述自数据库中获取与所述最终推荐结果中的药物类型相匹配的药物数据，包括：

将所述最终推荐结果中的药物类型输入预设的文本相似度模型；

通过文本相似度模型中的Word2vec相似度算法计算出所述最终推荐结果中的药物类型和与所述数据库中的各药物数据关联的药物类型的相似度值；

将与大于预设阈值的所述相似度值对应的药物数据确定为推荐药物数据，将所有推荐药物数据按照与其对应的所述相似度值由大到小的顺序排序，将排序后的所有所述推荐药物数据确定为与所述最终推荐结果中的药物类型相匹配的药物数据。

7.一种药物推荐装置，其特征在于，包括：

获取模块，用于接收到用户的药物推荐请求，获取所述药物推荐请求中的用户综合信息；

识别模块，用于通过文本识别模型，对所述用户综合信息进行词义识别，得到识别结果；所述识别结果包括肯定结果和否定结果；所述肯定结果包括至少一个肯定表征词，所述否定结果包括至少一个否定表征词；

第一推荐模块，用于将所有所述肯定表征词输入药物推荐模型中，通过所述药物推荐模型对所有所述肯定表征词进行药物类型识别，得到第一推荐结果；

组合模块，用于将各所述否定表征词进行词义转换，得到与各所述否定表征词对应的转换词，并将所有所述肯定表征词与各所述转换词分别组合，得到与所述转换词对应的组合集；

第二推荐模块，用于将各所述组合集分别输入所述药物推荐模型中，通过所述药物推荐模型对各所述组合集进行药物类型识别，得到与各所述组合集对应的第二推荐结果；

第三推荐模块，用于将所有所述第二推荐结果中的药物类型进行去重，得到第三推荐结果；

第一输出模块，用于从所述第一推荐结果中去除所述第三推荐结果中的药物类型，得到与所述用户综合信息对应的最终推荐结果，自数据库中获取与所述最终推荐结果中的药物类型相匹配的药物数据，并将获取的所述药物数据推荐给用户。

8.如权利要求7所述的药物推荐装置，其特征在于，所述获取模块包括：

信息获取子模块，用于获取所述药物推荐请求中的待推荐信息；

类型识别子模块，用于通过信息识别模型识别出所述待推荐信息的文件类型，得到类型结果；

转换子模块，用于获取与所述类型结果匹配的转换模型，通过所述转换模型对所述待推荐信息进行文本转换，得到所述用户综合信息。

9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述药物推荐方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述药物推荐方法。

Images