CN112836058A - 医疗知识图谱建立方法及装置、医疗知识图谱查询方法及装置 - Google Patents
医疗知识图谱建立方法及装置、医疗知识图谱查询方法及装置 Download PDFInfo
- Publication number
- CN112836058A CN112836058A CN201911164403.9A CN201911164403A CN112836058A CN 112836058 A CN112836058 A CN 112836058A CN 201911164403 A CN201911164403 A CN 201911164403A CN 112836058 A CN112836058 A CN 112836058A
- Authority
- CN
- China
- Prior art keywords
- entity
- doctor
- patient
- medical knowledge
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
本发明公开了一种医疗知识图谱建立方法及装置,该方法包括:获取大量医患相关数据,并将每份医患相关数据处理为患者数据和医生数据;分别对所述患者数据和医生数据进行命名实体抽取,得到患者实体和医生实体;分别利用预先建立的患者向量转换模型和医生向量转换模型确定每个实体对应的患者嵌入向量和医生嵌入向量;根据各实体对应的患者嵌入向量和医生嵌入向量生成医疗知识图谱,并在所述医疗知识图谱中标记各实体所属的实体类别。本发明还公开了一种医疗知识图谱查询方法及装置。利用本发明建立的医疗知识图谱,可以准确描述病症、疾病与诊疗手段之间的关系,进而查询该医疗知识图谱,可以使用户得到更加准确且更符合对话习惯的疾病预测结果。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种医疗知识图谱建立方法及装置,还涉及一种医疗知识图谱查询方法及装置。
背景技术
目前,随着互联网和计算机技术的发展,网络上的信息量也有了迅猛的增长,知识图谱技术得到了飞速的发展。知识图谱,又称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
现有的医学知识图谱多是单纯的根据知识或病案构建而成的,由于医学领域中的病症、疾病与诊疗手段之间通常存在着错综复杂的关系,现有的医学知识图谱无法为用户提供准确有效的查询结果。
发明内容
本发明实施例一方面提供一种医疗知识图谱建立方法及装置,以准确描述病症、疾病与诊疗手段之间的关系。
本发明实施例另一方面提供一种医疗知识图谱查询方法及装置,可以为用户提供更加准确的疾病预测结果。
为此,本发明提供如下技术方案:
一种医疗知识图谱建立方法,所述方法包括:
获取大量医患相关数据,并将每份医患相关数据处理为患者数据和医生数据;
分别对所述患者数据和医生数据进行命名实体抽取,得到患者实体和医生实体;
分别利用预先建立的患者向量转换模型和医生向量转换模型确定每个实体对应的患者嵌入向量和医生嵌入向量;
根据各实体对应的患者嵌入向量和医生嵌入向量生成医疗知识图谱,并在所述医疗知识图谱中标记各实体所属的实体类别。
可选地,所述患者向量转换模型和所述医生向量转换模型均为神经网络模型;所述方法还包括按以下方式建立患者向量转换模型和医生向量转换模型:
收集多段医患相关数据,并将每段医患相关数据作为一份训练数据;
对每份训练数据进行命名实体抽取,得到患者实体样本和医生实体样本;
利用所述患者实体样本训练得到患者向量转换模型,并利用所述医生实体样本训练得到医生向量转换模型。
可选地,所述方法还包括:
对各实体对应的患者嵌入向量和医生嵌入向量进行降维处理;
根据降维处理后的嵌入向量生成可视化的医疗知识图谱。
可选地,所述方法还包括:
计算不同实体之间的相关性;
在所述医疗知识图谱中记录所述不同实体之间的相关性。
一种医疗知识图谱查询方法,所述方法包括:
接收用户的输入信息;
对所述输入信息进行命名实体抽取,得到用户实体;
确定所述用户实体对应的嵌入向量;
根据所述用户实体对应的嵌入向量在预先建立的医疗知识图谱中查找相似患者实体;
根据所述相似患者实体对应的医生嵌入向量确定相似医生实体;
根据所述相似医生实体生成预测结果;
输出所述预测结果。
可选地,所述根据所述用户实体对应的嵌入向量在预先建立的医疗知识图谱中查找相似患者实体包括:
获取所述医疗知识图谱中各患者实体对应的患者嵌入向量;
分别计算各患者实体对应的患者嵌入向量与所述用户实体对应的嵌入向量之间的距离;
将最大距离的患者实体作为相似患者实体。
可选地,所述根据所述相似患者实体对应的医生嵌入向量确定相似医生实体包括:
查找所述相似患者实体对应的医生嵌入向量指向的医生实体;
计算各医生实体与所述指向的医生实体的距离;
将距离大于设定阈值的医生实体作为相似医生实体。
可选地,所述根据所述相似患者实体对应的医生嵌入向量确定相似医生实体包括:
将所述相似患者实体对应的医生嵌入向量输入预先建立的预测模型,根据所述预测模型的输出得到相似医生实体。
可选地,所述根据所述相似医生实体生成预测结果包括:
如果所述相似医生实体有多个,则分别计算各相似医生实体的可能性;
根据可能性依次由高到低的相似医生实体生成预测结果。
可选地,所述输出所述预测结果包括:
将所述预测结果转换为自然语言文本;
输出所述自然语言文本。
可选地,所述将所述预测结果转换为自然语言文本包括:
将所述预测结果填充到预设模板中,得到自然语言文本;或者
将所述预测结果输入预先建立的文本转换模型,根据所述文本转换模型的输出得到自然语言文本。
一种医疗知识图谱建立装置,所述装置包括:
数据收集模块,用于获取大量医患相关数据,并将每份医患相关数据处理为患者数据和医生数据;
实体抽取模块,用于分别对所述患者数据和医生数据进行命名实体抽取,得到患者实体和医生实体;
向量转换模块,用于分别利用预先建立的患者向量转换模型和医生向量转换模型确定每个实体对应的患者嵌入向量和医生嵌入向量;
图谱生成模块,用于根据各实体对应的患者嵌入向量和医生嵌入向量生成医疗知识图谱,并在所述医疗知识图谱中标记各实体所属的实体类别。
可选地,所述患者向量转换模型和所述医生向量转换模型均为神经网络模型;
所述装置还包括模型建立模块,用于建立患者向量转换模型和医生向量转换模型;所述模型建立模块包括:
训练数据收集单元,用于收集多段医患相关数据,并将每段医患相关数据作为一份训练数据;
实体抽取单元,用于对每份训练数据进行命名实体抽取,得到患者实体样本和医生实体样本;
训练单元,用于利用所述患者实体样本训练得到患者向量转换模型,并利用所述医生实体样本训练得到医生向量转换模型。
可选地,所述装置还包括:
降维处理模块,用于对各实体对应的患者嵌入向量和医生嵌入向量进行降维处理;
视图生成模块,用于根据降维处理后的嵌入向量生成可视化的医疗知识图谱。
可选地,所述装置包括:
相关性计算模块,用于计算不同实体之间的相关性;
记录模块,用于在所述医疗知识图谱中记录所述不同实体之间的相关性。
一种医疗知识图谱查询装置,所述装置包括:
接收模块,用于接收用户的输入信息;
用户实体抽取模块,用于对所述输入信息进行命名实体抽取,得到用户实体;
向量计算模块,用于确定所述用户实体对应的嵌入向量;
实体查找模块,用于根据所述用户实体对应的嵌入向量在预先建立的医疗知识图谱中查找相似患者实体;
医生实体确定模块,用于根据所述相似患者实体对应的医生嵌入向量确定相似医生实体;
预测结果确定模块,用于根据所述相似医生实体生成预测结果;
输出模块,用于输出所述预测结果。
可选地,所述实体查找模块包括:
向量获取单元,用于获取所述医疗知识图谱中各患者实体对应的患者嵌入向量;
第一距离计算单元,用于分别计算各患者实体对应的患者嵌入向量与所述用户实体对应的嵌入向量之间的距离;
第一选择单元,用于将最大距离的患者实体作为相似患者实体。
可选地,所述医生实体确定模块包括:
查找单元,用于查找所述相似患者实体对应的医生嵌入向量指向的医生实体;
第二距离计算单元,用于计算各医生实体与所述指向的医生实体的距离;
第二选择单元,用于将距离大于设定阈值的医生实体作为相似医生实体。
可选地,所述医生实体确定模块,具体用于将所述相似患者实体对应的医生嵌入向量输入预先建立的预测模型,根据所述预测模型的输出得到相似医生实体。
可选地,所述预测结果确定模块包括:
可能性计算单元,用于在所述相似医生实体有多个时,分别计算各相似医生实体的可能性;
预测结果生成单元,用于根据可能性依次由高到低的相似医生实体生成预测结果。
可选地,所述输出模块包括:
文本转换单元,用于将所述预测结果转换为自然语言文本;
文本输出单元,用于输出所述自然语言文本。
可选地,所述文本转换单元包括:
模板转换单元,用于将所述预测结果填充到预设模板中,得到自然语言文本;或者
模型转换单元,用于将所述预测结果输入预先建立的文本转换模型,根据所述文本转换模型的输出得到自然语言文本。
一种计算机设备,包括:一个或多个处理器、存储器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,以实现前面所述的方法。
一种可读存储介质,其上存储有指令,所述指令被执行以实现前面所述的方法。
本发明实施例提供的医疗知识图谱建立方法及装置,从收集的大量医患对话数据中抽取得到患者实体和医生实体,根据各实体的患者嵌入向量和医生嵌入向量生成医疗知识图谱,并在所述医疗知识图谱中标记各实体对应的实体类别,从而可以使所述医疗知识图谱能够准确地描述病症、疾病与诊疗手段之间的关系。
进一步地,通过对嵌入向量进行降维处理,可以生成可视化的医疗知识图谱,将抽象的医疗数据进行可视化,从而可以更直观地观察各实体之间的关系。
本发明实施例提供的医疗知识图谱查询方法及装置,对接收的用户输入信息进行命名实体抽取,得到用户实体,并确定所述用户实体对应的嵌入向量,根据所述用户实体对应的嵌入向量在预先建立的医疗知识图谱中查找相似患者实体,根据所述相似患者实体对应的医生嵌入向量确定相似医生实体,根据所述相似医生实体生成预测结果,输出所述预测结果。由于所述医疗知识图谱能够准确地描述病症、疾病与诊疗手段之间的关系,因而在利用该医疗知识图谱进行查询时,可以得到更加准确的疾病预测结果;而且可以简单快速地得到查询结果。
进一步地,将根据所述相似医生实体生成的预测结果转换为自然语言文本输出,可以使提供给用户的查询结果更自然,符合对话习惯。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例医疗知识图谱建立方法的一种流程图;
图2是本发明实施例医疗知识图谱建立方法的另一种流程图;
图3是本发明实施例医疗知识图谱查询方法的一种流程图;
图4是本发明实施例医疗知识图谱建立装置的一种结构框图;
图5是本发明实施例医疗知识图谱建立装置的另一种结构框图;
图6是本发明实施例医疗知识图谱查询装置的一种结构框图;
图7是根据一示例性实施例示出的一种用于医疗知识图谱查询方法的装置的框图;
图8是本发明实施例中服务器的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
本发明实施例提供一种医疗知识图谱建立方法及装置,从收集的大量医患对话数据中抽取得到患者实体和医生实体,根据各实体的患者嵌入向量和医生嵌入向量生成医疗知识图谱,并在所述医疗知识图谱中标记各实体对应的实体类别。
如图1所示,是本发明实施例医疗知识图谱建立方法的一种流程图,包括以下步骤:
步骤101,获取大量医患相关数据,并将每份医患相关数据处理为患者数据和医生数据。
所述医患相关数据可以包括患者就诊时的一次完整的问诊对话数据,还可以包括医疗问答或病历等数据,还可以包括网上的医疗问答数据和病例,增加图谱的完整度,提升预测结果的准确性。
在本发明实施例中,将每一次完整问诊的数据作为一份医患相关数据。通常,医患相关数据中,经常会出现患者和医生交替说话的状态。针对该情况,将一份医患相关数据中患者对应的数据整合到一段中,构成患者数据,并将医生对应的数据整合到一段中,构成医生数据。
步骤102,分别对所述患者数据和医生数据进行命名实体抽取,得到患者实体和医生实体。
例如,针对患者数据抽取得到患者实体:疾病、症状、身体部位、患者的性别、年龄、发病身体部位、饮食、睡眠等;针对医生数据抽取得到医生实体:疾病、症状、身体部位(医生实体中的疾病、症状、身体部位代表其诊断或问询的内容)、科室、药物、检查手段、治疗手段等。
步骤103,分别利用预先建立的患者向量转换模型和医生向量转换模型确定每个实体对应的患者嵌入向量和医生嵌入向量。
所述患者向量转换模型和医生向量转换模型均可以是神经网络模型,例如BERT(Bidirectional Encoder Representations from Transformers)、LSTM(Long Short-Term Memory,长短期记忆网络)、GloVe模型等,所述患者向量转换模型和医生向量转换模型的建立过程如下:
(1)收集多段医患相关数据,并将每段医患相关数据作为一份训练数据;
(2)对每份训练数据进行命名实体抽取,得到患者实体样本和医生实体样本;
(3)利用所述患者实体样本训练或者微调(针对BERT这种神经网络模型的调整方法)得到患者向量转换模型,并利用所述医生实体样本训练或者微调(针对BERT这种神经网络模型的调整方法)得到医生向量转换模型。
具体地,每次从一段对话中选择一个或多个不重复的目标实体,用该段对话中所有的患者实体对所述目标实体进行预测来训练患者向量转换模型,并用合适的损失函数(例如SGD(Stochastic Gradient Descent,随机梯度下降),Adam算法等)进行更新,得到模型参数;同样用该段对话中所有医生实体对所述目标实体进行预测来训练得到医生向量转换模型。
相应地,在利用所述向量转换模型确定每个实体对应的嵌入向量时,可以将上述各实体输入所述向量转换模型,根据所述向量转换模型的输出即可得到所述实体对应的嵌入向量。利用所述患者向量转换模型得到的是实体对应的患者嵌入向量,利用所述医生向量转换模型得到的是实体对应的医生嵌入向量。
需要说明的是,不论是患者实体还是医生实体,每个实体均对应两个嵌入向量,即指向患者的患者嵌入向量、和指向医生的医生嵌入向量。
步骤104,根据各实体对应的患者嵌入向量和医生嵌入向量生成医疗知识图谱,并在所述医疗知识图谱中标记各实体所属的实体类别。
需要说明的是,该知识图谱中每个实体均对应两个嵌入向量,分别为指向患者的患者嵌入向量、和指向医生的医生嵌入向量。
该医疗知识图谱中记录的是各实体的嵌入向量以及各嵌入向量的指向,即所述嵌入向量所属的实体类别,换句话说,记录的是矢量空间的各实体。所述实体类别可以包括大类,即上述患者实体和医生实体,每个大类中还可以包括小类,比如对于医生实体,还可以进一步划分有:疾病、药物等小类。
本发明实施例提供的医疗知识图谱建立方法,从收集的大量医患对话数据中抽取得到患者实体和医生实体,根据各实体的患者嵌入向量和医生嵌入向量生成医疗知识图谱,并在所述医疗知识图谱中标记各实体对应的实体类别,从而可以使所述医疗知识图谱能够准确地描述病症、疾病与诊疗手段之间的关系。
如图2所示,是本发明实施例医疗知识图谱建立方法的另一种流程图,包括以下步骤:
步骤201,获取大量医患相关数据,并将每份医患相关数据处理为患者数据和医生数据。
步骤202,分别对所述患者数据和医生数据进行命名实体抽取,得到患者实体和医生实体。
步骤203,分别利用预先建立的患者向量转换模型和医生向量转换模型确定每个实体对应的患者嵌入向量和医生嵌入向量。
步骤204,对各实体对应的患者嵌入向量和医生嵌入向量进行降维处理。
比如通过PCA(Principal Component Analysis,主成分分析)、LDA等算法对特征数据(即各实体对应的嵌入向量)进行降维处理。
步骤205,根据降维处理后的嵌入向量生成可视化的医疗知识图谱。
可见,通过对嵌入向量进行降维处理,可以生成可视化的医疗知识图谱,将抽象的医疗数据进行可视化,从而可以更直观地观察各实体之间的关系。
进一步地,还可以根据各实体对应的嵌入向量(可以是降维前的嵌入向量,也可以是降维后的嵌入向量)计算不同实体之间的相关性。在本发明实施例中,不同实体之间的相关性可以根据实体之间的距离来确定,距离越近,相关性越强。比如,可以根据各实体对应的嵌入向量计算不同实体之间的余弦距离、绝对距离等;根据所述实体之间的距离确定所述实体之间的相关性。
上述相关性的计算主要针对的是患者实体和患者实体之间的相关性、以及医生实体和医生实体之间的相关性。
需要说明的是,在所述可视化的医疗知识图谱中,同样记录了各实体的嵌入向量以及所述嵌入向量所属的实体类别。
在实际应用中,可以同时生成如图1实施例中所描述的非可视化的医疗知识图谱及图2实施例中所描述的可视化的医疗知识图谱,也可以根据需要生成其中一种,对此本发明实施例不做限定。
利用上述医疗知识图谱,本发明实施例还提供一种医疗知识图谱查询方法,从用户的输入信息中抽取得到患者实体,确定所述患者实体对应的嵌入向量;然后在上述医疗知识图谱中查找相似患者实体,根据所述相似患者实体对应的医生嵌入向量确定相似医生实体;进而根据所述相似医生实体生成预测结果;输出所述预测结果。
如图3所示,是本发明实施例医疗知识图谱查询方法的一种流程图,包括以下步骤:
步骤301,接收用户的输入信息。
步骤302,对所述输入信息进行命名实体抽取,得到用户实体。
命名实体抽取的方式可以采用现有技术,对此不再详细描述。
步骤303,确定所述用户实体对应的嵌入向量。
具体地,可以利用预先建立的患者向量转换模型得到所述用户实体对应的嵌入向量。所述患者向量转换模型在前面医疗知识图谱建立方法的实施例中已有详细说明,在此不再赘述。
步骤304,根据所述用户实体对应的嵌入向量在预先建立的医疗知识图谱中查找相似患者实体。
可以通过实体之间的距离来确定与所述用户实体相似的患者实体,即所述相似患者实体,所述距离比如可以采用余弦距离、绝对距离等。
具体地,获取所述医疗知识图谱中各患者实体对应的患者嵌入向量,分别计算各患者实体对应的患者嵌入向量与所述用户实体对应的嵌入向量之间的距离,将最大距离的患者实体作为相似患者实体。
步骤305,根据所述相似患者实体对应的医生嵌入向量确定相似医生实体。
具体地,可以通过查找或预测方式确定与所述患者实体对应的医生实体。其中:
查找的方式如下:首先查找所述相似患者实体对应的医生嵌入向量指向的医生实体;计算各医生实体与所述指向的医生实体的距离,选择距离大于设定距离阈值的医生实体作为查找结果,即相似医生实体。实体之间的距离的计算可以如前面所述,即利用两者对应的嵌入向量计算其余弦距离、绝对距离等。
当然,如果所述医疗知识图谱中记录了不同实体之间的相关性,也可以直接根据所述相关性确定所述相似医生实体,比如,将与所述指向的医生实体的相关性大于设定相关性阈值的医生实体作为相似医生实体。
预测的方式是利用预先建立的预测模型,将所述相似患者实体对应的医生嵌入向量输入所述预测模型,根据所述预测模型的输出得到相似医生实体。所述预测模型可以采用神经网络模型或统计模型(例如SVM),所述模型可以利用已有的医患对话数据,根据输入医生嵌入向量预测医生实体训练得到。
步骤306,根据所述相似医生实体生成预测结果。
需要说明的是,所述相似医生实体可能有一个或多个。在有多个的情况下,可以根据各相似医生实体的可能性(比如根据其中各相似医生实体与所述指向的医生实体的距离做softmax等计算,得到各相似医生实体的可能性)来生成相应的预测结果。具体地,可以分别计算各相似医生实体的可能性,根据可能性依次由高到低的相似医生实体生成预测结果。
步骤307,输出所述预测结果。
需要说明的是,在实际应用中,可以直接将所述预测结果输出,也可以先对其进行处理,使输出的内容更具自然性。具体地,可以将所述预测结果转换为自然语言文本,然后再输出所述自然语言文本。
将所述预测结果转换为自然语言文本可以采用以下任意一种方式:
1)将所述预测结果填充到预设模板中,得到自然语言文本;
2)将所述预测结果输入预先建立的文本转换模型,根据所述文本转换模型的输出得到自然语言文本。
所述文本转换模型的训练过程如下:通过NER(Named Entity Recognition,命名实体识别)抽取得到每个语句的实体,并用关键词或神经网络等得到每句话的意图,包括肯定、否定和疑问。训练模型通过实体和意图生成原语句,最终得到文本转换模型。
下面举例进一步说明利用本发明医疗知识图谱查询方法得到预测结果的过程。
假设用户的输入信息为“最近总咳嗽”,通过命名实体抽取,得到的用户实体为“咳嗽”,计算得到对应该用户实体的嵌入向量为[0.5,0.5],然后查找医疗知识图谱,得到相似患者实体为“咳嗽”,根据该相似患者实体确定的相似医生实体如下:疾病类:“感冒”、“支气管炎”、药物类:“急支糖浆”。
在有多个相似医生实体的情况下,分别计算各相似医生实体的可能性,计算结果:“感冒”可能性0.4,“支气管炎”可能性0.6,药物:“急支糖浆”可能性为0.8。
基于上述计算结果,输出自然语言文本形式的预测结果为“很有可能是支气管炎,也有可能是感冒。建议服用急支糖浆缓解症状”。
本发明实施例提供的医疗知识图谱查询方法,对接收的用户输入信息进行命名实体抽取,得到用户实体,并确定所述用户实体对应的嵌入向量,根据所述用户实体对应的嵌入向量在预先建立的医疗知识图谱中查找相似患者实体,根据所述相似患者实体对应的医生嵌入向量确定相似医生实体,根据所述相似医生实体生成预测结果,输出所述预测结果。由于所述医疗知识图谱能够准确地描述病症、疾病与诊疗手段之间的关系,因而在利用该医疗知识图谱进行查询时,可以得到更加准确的疾病预测结果;而且可以简单快速地得到查询结果。
相应地,本发明实施例还提供一种医疗知识图谱建立装置,如图4所示,是该装置的一种结构框图。
在该实施例中,所述装置包括以下各模块:
数据收集模块401,用于获取大量医患相关数据,并将每份医患相关数据处理为患者数据和医生数据;
实体抽取模块402,用于分别对所述患者数据和医生数据进行命名实体抽取,得到患者实体和医生实体;
向量转换模块403,用于分别利用预先建立的患者向量转换模型和医生向量转换模型确定每个实体对应的患者嵌入向量和医生嵌入向量;
图谱生成模块404,用于根据各实体对应的患者嵌入向量和医生嵌入向量生成医疗知识图谱,并在所述医疗知识图谱中标记各实体所属的实体类别。
在本发明实施例中,所述医患相关数据可以包括患者就诊时的对话数据,还可以包括医疗问答或病历等数据,还可以包括网上的医疗问答数据和病例,增加图谱的完整度,提升预测结果的准确性。
所述患者向量转换模型和所述医生向量转换模型均可以采用神经网络模型,可以由模型建立模块(未图示)预先建立。所述模型建立模块可以包括以下各单元:
训练数据收集单元,用于收集多段医患相关数据,并将每段医患相关数据作为一份训练数据;
实体抽取单元,用于对每份训练数据进行命名实体抽取,得到患者实体样本和医生实体样本;
训练单元,用于利用所述患者实体样本训练得到患者向量转换模型,并利用所述医生实体样本训练得到医生向量转换模型。
相应地,所述向量转换模块403在利用所述向量转换模型确定每个实体对应的嵌入向量时,可以将上述各实体输入所述向量转换模型,根据所述向量转换模型的输出即可得到所述实体对应的嵌入向量。利用所述患者向量转换模型得到的是患者嵌入向量,利用所述医生向量转换模型得到的是医生嵌入向量。
本发明实施例提供的医疗知识图谱建立装置,从收集的大量医患对话数据中抽取得到患者实体和医生实体,根据各实体的患者嵌入向量和医生嵌入向量生成医疗知识图谱,并在所述医疗知识图谱中标记各实体对应的实体类别,从而可以使所述医疗知识图谱能够准确地描述病症、疾病与诊疗手段之间的关系。
如图5所示,是本发明实施例医疗知识图谱建立装置的另一种结构框图。
与图4所示实施例的区别在于,在该实施例中,所述装置还包括以下各模块:
降维处理模块501,用于对各实体对应的患者嵌入向量和医生嵌入向量进行降维处理;
视图生成模块502,用于根据降维处理后的嵌入向量生成可视化的医疗知识图谱。
进一步地,在本发明装置另一实施例中,还可以包括:相关性计算模块和记录模块(未图示)。
其中,所述相关性计算模块501用于计算不同实体之间的相关性;比如,可以根据实体之间的距离来确定不同实体之间的相关性,该相关性计算模块501具体可以包括以下各单元:
距离计算单元,用于根据各实体对应的嵌入向量计算不同实体之间的距离,比如余弦距离、绝对距离等;
相关性确定单元,用于根据所述实体之间的距离确定所述实体之间的相关性。
其中,所述记录模块用于在所述医疗知识图谱中记录所述不同实体之间的相关性。
需要说明的是,上述相关性的计算主要针对的是患者实体和患者实体之间的相关性、以及医生实体和医生实体之间的相关性。
利用本发明实施例提供的医疗知识图谱建立装置,不仅可以建立能够准确描述病症、疾病与诊疗手段之间的关系的医疗知识图谱,而且通过对嵌入向量进行降维处理,可以生成可视化的医疗知识图谱,将抽象的医疗数据进行可视化,从而可以更直观地观察各实体之间的关系。
相应地,本发明实施例还提供一种医疗知识图谱查询装置,如图6所示,是该装置的一种结构框图。
在该实施例中,所述医疗知识图谱查询装置包括以下各模块:
接收模块601,用于接收用户的输入信息;
用户实体抽取模块602,用于对所述输入信息进行命名实体抽取,得到用户实体;
向量计算模块603,用于确定所述用户实体对应的嵌入向量;
实体查找模块604,用于根据所述用户实体对应的嵌入向量在预先建立的医疗知识图谱中查找相似患者实体;
医生实体确定模块605,用于根据所述相似患者实体对应的医生嵌入向量确定相似医生实体;
预测结果确定模块606,用于根据所述相似医生实体生成预测结果;
输出模块607,用于输出所述预测结果。
上述用户实体抽取模块602具体可以利用预先建立的患者向量转换模型得到所述用户实体对应的嵌入向量。所述患者向量转换模型可以由相应的模型建立模块(未图示)预先建立。所述模型建立模块可以作为本发明装置的一部分,也可以独立于该装置,对此本发明实施例不做限定。
上述实体查找模块604具体可以通过实体之间的距离来确定与所述用户实体相似的患者实体,比如,所述实体查找模块604可以包括以下各单元:
向量获取单元,用于获取所述医疗知识图谱中各患者实体对应的患者嵌入向量;
第一距离计算单元,用于分别计算各患者实体对应的患者嵌入向量与所述用户实体对应的嵌入向量之间的距离;
第一选择单元,用于将最大距离的患者实体作为相似患者实体。
当然,如果所述医疗知识图谱中记录了不同实体之间的相关性,所述实体查找模块604也可以直接根据所述相关性确定与所述用户实体相似的患者实体,比如,将相关性大于设定相关性阈值的患者实体作为相似患者实体。
所述医生实体确定模块605具体本可以通过查找或预测方式确定与所述患者实体对应的医生实体。
相应地,在所述医生实体确定模块605的一种具体实现方式中,所述医生实体确定模块605可以包括以下各单元:
查找单元,用于查找所述相似患者实体对应的医生嵌入向量指向的医生实体;
第二距离计算单元,用于计算各医生实体与所述指向的医生实体的距离;
第二选择单元,用于将距离大于设定距离阈值的医生实体作为相似医生实体。
在所述医生实体确定模块605的另一种具体实现方式中,所述医生实体确定模块605可以将所述相似患者实体对应的医生嵌入向量输入预先建立的预测模型,根据所述预测模型的输出得到相似医生实体。
需要说明的是,所述相似医生实体可能有一个或多个。在只有一个相似医生实体的情况下,所述预测结果确定模块606可以根据该相似医生实体生成预测结果。在有多个相似医生实体的情况下,所述预测结果确定模块606可以根据这些相似医生实体生成预测结果,比如,所述预测结果确定模块606可以通过以下各单元生成预测结果:
可能性计算单元,用于在与所述相似医生实体有多个时,分别计算各相似医生实体的可能性;
预测结果生成单元,用于根据可能性依次由高到低的相似医生实体生成预测结果。
需要说明的是,在一种具体实现方式中,所述输出模块607可以直接将所述预测结果输出。比如,预测结果为“感冒”,则直接输出该预测结果。
在另一种具体实现方式中,所述输出模块607还可以将所述预测结果转换为自然语言文本,然后再输出所述自然语言文本。相应地,所述输出模块607可以包括:文本转换单元和文本输出单元;其中:
所述文本转换单元用于将所述预测结果转换为自然语言文本;
所述文本输出单元用于输出所述自然语言文本。
其中,所述文本转换单元可以通过多种方式将所述预测结果转换为自然语言文本,比如,所述文本转换单元可以包括:模板转换单元、或者模型转换单元;其中:
所述模板转换单元用于将所述预测结果填充到预设模板中,得到自然语言文本;
所述模型转换单元用于将所述预测结果输入预先建立的文本转换模型,根据所述文本转换模型的输出得到自然语言文本。
本发明实施例提供的医疗知识图谱查询装置,对接收的用户输入信息进行命名实体抽取,得到用户实体,并确定所述用户实体对应的嵌入向量,根据所述用户实体对应的嵌入向量在预先建立的医疗知识图谱中查找相似患者实体,根据所述相似患者实体对应的医生嵌入向量确定相似医生实体,根据所述相似医生实体生成预测结果,输出所述预测结果。由于所述医疗知识图谱能够准确地描述病症、疾病与诊疗手段之间的关系,因而在利用该医疗知识图谱进行查询时,可以得到更加准确的疾病预测结果;而且可以简单快速地得到查询结果。进一步地,将根据所述相似医生实体生成的预测结果转换为自然语言文本输出,可以使提供给用户的查询结果更自然,符合对话习惯。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
需要说明的是,本发明实施例的方法及装置,可以应用于各种终端设备中,比如手机、计算机、笔记本等设备。
图7是根据一示例性实施例示出的一种用于医疗知识图谱查询方法的装置800的框图。例如,装置800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图7,装置800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制装置800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理元件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理部件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在设备800的操作。这些数据的示例包括用于在装置800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电力组件806为装置800的各种组件提供电力。电力组件806可以包括电源管理系统,一个或多个电源,及其他与为装置800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述装置800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当装置800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为装置800提供各个方面的状态评估。例如,传感器组件814可以检测到设备800的打开/关闭状态,组件的相对定位,例如所述组件为装置800的显示器和小键盘,传感器组件814还可以检测装置800或装置800一个组件的位置改变,用户与装置800接触的存在或不存在,装置800方位或加速/减速和装置800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于装置800和其他设备之间有线或无线方式的通信。装置800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信部件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信部件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器804,上述指令可由装置800的处理器820执行以完成上述按键误触纠错方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由移动终端的处理器执行时,使得移动终端能够执行一种按键误触纠错方法,所述方法包括:在用户输入过程中,获取各按键被触发时的按压信息;根据获取的按压信息确定误触发按键;对误触发按键进行纠错;确定纠错后的完整输入串对应的各候选词。
图8是本发明实施例中服务器的结构示意图。该服务器1900可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(Central Processing Units,CPU)1922(例如,一个或一个以上处理器)和存储器1932,一个或一个以上存储应用程序1942或数据1944的存储介质1930(例如一个或一个以上海量存储设备)。其中,存储器1932和存储介质1930可以是短暂存储或持久存储。存储在存储介质1930的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对服务器中的一系列指令操作。更进一步地,中央处理器1922可以设置为与存储介质1930通信,在服务器1900上执行存储介质1930中的一系列指令操作。
服务器1900还可以包括一个或一个以上电源1926,一个或一个以上有线或无线网络接口1950,一个或一个以上输入输出接口1958,一个或一个以上键盘1956,和/或,一个或一个以上操作系统1941,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由装置的处理器执行时,使得装置能够执行上述按键误触纠错方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、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发明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,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种医疗知识图谱建立方法,其特征在于,所述方法包括:
获取大量医患相关数据,并将每份医患相关数据处理为患者数据和医生数据;
分别对所述患者数据和医生数据进行命名实体抽取,得到患者实体和医生实体;
分别利用预先建立的患者向量转换模型和医生向量转换模型确定每个实体对应的患者嵌入向量和医生嵌入向量;
根据各实体对应的患者嵌入向量和医生嵌入向量生成医疗知识图谱,并在所述医疗知识图谱中标记各实体所属的实体类别。
2.根据权利要求1所述的方法,其特征在于,所述患者向量转换模型和所述医生向量转换模型均为神经网络模型;所述方法还包括按以下方式建立患者向量转换模型和医生向量转换模型:
收集多段医患相关数据,并将每段医患相关数据作为一份训练数据;
对每份训练数据进行命名实体抽取,得到患者实体样本和医生实体样本;
利用所述患者实体样本训练得到患者向量转换模型,并利用所述医生实体样本训练得到医生向量转换模型。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对各实体对应的患者嵌入向量和医生嵌入向量进行降维处理;
根据降维处理后的嵌入向量生成可视化的医疗知识图谱。
4.一种医疗知识图谱查询方法,其特征在于,所述方法包括:
接收用户的输入信息;
对所述输入信息进行命名实体抽取,得到用户实体;
确定所述用户实体对应的嵌入向量;
根据所述用户实体对应的嵌入向量在预先建立的医疗知识图谱中查找相似患者实体;
根据所述相似患者实体对应的医生嵌入向量确定相似医生实体;
根据所述相似医生实体生成预测结果;
输出所述预测结果。
5.根据权利要求4所述的方法,其特征在于,所述根据所述用户实体对应的嵌入向量在预先建立的医疗知识图谱中查找相似患者实体包括:
获取所述医疗知识图谱中各患者实体对应的患者嵌入向量;
分别计算各患者实体对应的患者嵌入向量与所述用户实体对应的嵌入向量之间的距离;
将最大距离的患者实体作为相似患者实体。
6.根据权利要求4所述的方法,其特征在于,所述根据所述相似医生实体生成预测结果包括:
如果所述相似医生实体有多个,则分别计算各相似医生实体的可能性;
根据可能性依次由高到低的相似医生实体生成预测结果。
7.一种医疗知识图谱建立装置,其特征在于,所述装置包括:
数据收集模块,用于获取大量医患相关数据,并将每份医患相关数据处理为患者数据和医生数据;
实体抽取模块,用于分别对所述患者数据和医生数据进行命名实体抽取,得到患者实体和医生实体;
向量转换模块,用于分别利用预先建立的患者向量转换模型和医生向量转换模型确定每个实体对应的患者嵌入向量和医生嵌入向量;
图谱生成模块,用于根据各实体对应的患者嵌入向量和医生嵌入向量生成医疗知识图谱,并在所述医疗知识图谱中标记各实体所属的实体类别。
8.一种医疗知识图谱查询装置,其特征在于,所述装置包括:
接收模块,用于接收用户的输入信息;
用户实体抽取模块,用于对所述输入信息进行命名实体抽取,得到用户实体;
向量计算模块,用于确定所述用户实体对应的嵌入向量;
实体查找模块,用于根据所述用户实体对应的嵌入向量在预先建立的医疗知识图谱中查找相似患者实体;
医生实体确定模块,用于根据所述相似患者实体对应的医生嵌入向量确定相似医生实体;
预测结果确定模块,用于根据所述相似医生实体生成预测结果;
输出模块,用于输出所述预测结果。
9.一种计算机设备,其特征在于,包括:一个或多个处理器、存储器;
所述存储器用于存储计算机可执行指令,所述处理器用于执行所述计算机可执行指令,以实现如权利要求4至6任一项所述的方法。
10.一种可读存储介质,其上存储有指令,所述指令被执行以实现如权利要求4至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164403.9A CN112836058A (zh) | 2019-11-25 | 2019-11-25 | 医疗知识图谱建立方法及装置、医疗知识图谱查询方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911164403.9A CN112836058A (zh) | 2019-11-25 | 2019-11-25 | 医疗知识图谱建立方法及装置、医疗知识图谱查询方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836058A true CN112836058A (zh) | 2021-05-25 |
Family
ID=75922859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911164403.9A Pending CN112836058A (zh) | 2019-11-25 | 2019-11-25 | 医疗知识图谱建立方法及装置、医疗知识图谱查询方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836058A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407646A (zh) * | 2021-06-18 | 2021-09-17 | 电子科技大学 | 一种基于知识图谱的分布式医院信息综合查询系统 |
CN113569773A (zh) * | 2021-08-02 | 2021-10-29 | 南京信息工程大学 | 基于知识图谱和Softmax回归的干扰信号识别方法 |
CN115062628A (zh) * | 2022-06-15 | 2022-09-16 | 北京信息科技大学 | 一种基于知识图谱的医患交流对话自动模拟方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021281A (zh) * | 2016-04-29 | 2016-10-12 | 京东方科技集团股份有限公司 | 医学知识图谱的构建方法、其装置及其查询方法 |
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 |
CN107657063A (zh) * | 2017-10-30 | 2018-02-02 | 合肥工业大学 | 医学知识图谱的构建方法及装置 |
CN107862075A (zh) * | 2017-11-29 | 2018-03-30 | 浪潮软件股份有限公司 | 一种基于医疗卫生大数据的知识图谱构建方法及装置 |
CN108388580A (zh) * | 2018-01-24 | 2018-08-10 | 平安医疗健康管理股份有限公司 | 融合医学知识及应用病例的动态知识图谱更新方法 |
CN108492887A (zh) * | 2018-04-13 | 2018-09-04 | 合肥工业大学 | 医疗知识图谱构建方法及装置 |
US20180341863A1 (en) * | 2017-05-27 | 2018-11-29 | Ricoh Company, Ltd. | Knowledge graph processing method and device |
CN109213871A (zh) * | 2018-07-26 | 2019-01-15 | 南京邮电大学 | 患者信息知识图谱构建方法、可读存储介质和终端 |
CN109635121A (zh) * | 2018-11-07 | 2019-04-16 | 平安科技(深圳)有限公司 | 医疗知识图谱创建方法及相关装置 |
CN109766445A (zh) * | 2018-12-13 | 2019-05-17 | 平安科技(深圳)有限公司 | 一种知识图谱构建方法及数据处理装置 |
CN110085307A (zh) * | 2019-04-04 | 2019-08-02 | 华东理工大学 | 一种基于多源知识图谱融合的智能导诊方法和系统 |
CN110232971A (zh) * | 2019-05-24 | 2019-09-13 | 深圳市翩翩科技有限公司 | 一种医生推荐方法及装置 |
CN110334211A (zh) * | 2019-06-14 | 2019-10-15 | 电子科技大学 | 一种基于深度学习的中医诊疗知识图谱自动构建方法 |
CN110459320A (zh) * | 2019-08-20 | 2019-11-15 | 山东众阳健康科技集团有限公司 | 一种基于知识图谱的辅助诊疗系统 |
-
2019
- 2019-11-25 CN CN201911164403.9A patent/CN112836058A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021281A (zh) * | 2016-04-29 | 2016-10-12 | 京东方科技集团股份有限公司 | 医学知识图谱的构建方法、其装置及其查询方法 |
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 |
US20180341863A1 (en) * | 2017-05-27 | 2018-11-29 | Ricoh Company, Ltd. | Knowledge graph processing method and device |
CN107657063A (zh) * | 2017-10-30 | 2018-02-02 | 合肥工业大学 | 医学知识图谱的构建方法及装置 |
CN107862075A (zh) * | 2017-11-29 | 2018-03-30 | 浪潮软件股份有限公司 | 一种基于医疗卫生大数据的知识图谱构建方法及装置 |
CN108388580A (zh) * | 2018-01-24 | 2018-08-10 | 平安医疗健康管理股份有限公司 | 融合医学知识及应用病例的动态知识图谱更新方法 |
CN108492887A (zh) * | 2018-04-13 | 2018-09-04 | 合肥工业大学 | 医疗知识图谱构建方法及装置 |
CN109213871A (zh) * | 2018-07-26 | 2019-01-15 | 南京邮电大学 | 患者信息知识图谱构建方法、可读存储介质和终端 |
CN109635121A (zh) * | 2018-11-07 | 2019-04-16 | 平安科技(深圳)有限公司 | 医疗知识图谱创建方法及相关装置 |
CN109766445A (zh) * | 2018-12-13 | 2019-05-17 | 平安科技(深圳)有限公司 | 一种知识图谱构建方法及数据处理装置 |
CN110085307A (zh) * | 2019-04-04 | 2019-08-02 | 华东理工大学 | 一种基于多源知识图谱融合的智能导诊方法和系统 |
CN110232971A (zh) * | 2019-05-24 | 2019-09-13 | 深圳市翩翩科技有限公司 | 一种医生推荐方法及装置 |
CN110334211A (zh) * | 2019-06-14 | 2019-10-15 | 电子科技大学 | 一种基于深度学习的中医诊疗知识图谱自动构建方法 |
CN110459320A (zh) * | 2019-08-20 | 2019-11-15 | 山东众阳健康科技集团有限公司 | 一种基于知识图谱的辅助诊疗系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113407646A (zh) * | 2021-06-18 | 2021-09-17 | 电子科技大学 | 一种基于知识图谱的分布式医院信息综合查询系统 |
CN113569773A (zh) * | 2021-08-02 | 2021-10-29 | 南京信息工程大学 | 基于知识图谱和Softmax回归的干扰信号识别方法 |
CN113569773B (zh) * | 2021-08-02 | 2023-09-15 | 南京信息工程大学 | 基于知识图谱和Softmax回归的干扰信号识别方法 |
CN115062628A (zh) * | 2022-06-15 | 2022-09-16 | 北京信息科技大学 | 一种基于知识图谱的医患交流对话自动模拟方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107102746B (zh) | 候选词生成方法、装置以及用于候选词生成的装置 | |
CN111539443B (zh) | 一种图像识别模型训练方法及装置、存储介质 | |
RU2615632C2 (ru) | Способ и устройство распознавания коммуникационных сообщений | |
CN107436691B (zh) | 一种输入法进行纠错的方法、客户端、服务器及装置 | |
CN109918669B (zh) | 实体确定方法、装置及存储介质 | |
CN113792207B (zh) | 一种基于多层次特征表示对齐的跨模态检索方法 | |
WO2020088126A1 (zh) | 视频推荐方法、装置和计算机可读存储介质 | |
CN112836058A (zh) | 医疗知识图谱建立方法及装置、医疗知识图谱查询方法及装置 | |
CN109961094B (zh) | 样本获取方法、装置、电子设备及可读存储介质 | |
CN110175223A (zh) | 一种实现问题生成的方法及装置 | |
CN107564526B (zh) | 处理方法、装置和机器可读介质 | |
CN109165292A (zh) | 数据处理方法、装置以及移动终端 | |
CN110019675B (zh) | 一种关键词提取的方法及装置 | |
CN111368541A (zh) | 命名实体识别方法及装置 | |
CN108733718B (zh) | 搜索结果的显示方法、装置以及用于搜索结果的显示装置 | |
CN109471919B (zh) | 零代词消解方法及装置 | |
CN114880480A (zh) | 一种基于知识图谱的问答方法及装置 | |
CN113936697B (zh) | 语音处理方法、装置以及用于语音处理的装置 | |
CN110929176A (zh) | 一种信息推荐方法、装置及电子设备 | |
CN111538998B (zh) | 文本定密方法和装置、电子设备及计算机可读存储介质 | |
CN112768064A (zh) | 疾病预测装置及设备、症状信息处理方法、装置及设备 | |
CN116166843A (zh) | 基于细粒度感知的文本视频跨模态检索方法和装置 | |
CN110968246A (zh) | 中文智能手写输入识别方法及装置 | |
CN112836026B (zh) | 基于对话的问诊方法及装置 | |
JP7208968B2 (ja) | 情報処理方法、装置および記憶媒体 |
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 |