CN112949296A - 基于黎曼空间的词嵌入方法和装置、介质及设备 - Google Patents
基于黎曼空间的词嵌入方法和装置、介质及设备 Download PDFInfo
- Publication number
- CN112949296A CN112949296A CN201911261454.3A CN201911261454A CN112949296A CN 112949296 A CN112949296 A CN 112949296A CN 201911261454 A CN201911261454 A CN 201911261454A CN 112949296 A CN112949296 A CN 112949296A
- Authority
- CN
- China
- Prior art keywords
- word embedding
- entity
- medical text
- medical
- text entity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012937 correction Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 20
- 201000010099 disease Diseases 0.000 claims description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 238000003058 natural language processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 238000003745 diagnosis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 206010068319 Oropharyngeal pain Diseases 0.000 description 2
- 201000007100 Pharyngitis Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002496 gastric effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010011409 Cross infection Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002224 dissection Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002074 nanoribbon Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
Abstract
本公开提供了一种基于黎曼空间的词嵌入方法与装置、计算机可读介质及电子设备，涉及自然语言处理技术领域。该方法包括：确定对关于医疗文本所构成的黎曼空间的曲率修正因子；获取医疗文本实体，并将曲率修正因子的属性值作为医疗文本实体的标签；将包含标签的医疗文本实体输入至训练后的词嵌入模型，以通过词嵌入模型中带有调整参数的神经网络得到医疗文本实体对应的关注度；基于关注度确定目标医疗实体，并通过词嵌入模型实现目标医疗文本实体的词嵌入。本技术方案通过弯曲空间的形式使得词嵌入结果与真实世界数据更加符合，增强了词嵌入结果的表现范围。同时，避免了基于欧氏空间来实现词嵌入带来的误差。
Description
技术领域
本公开涉及自然语言处理技术领域，具体而言，涉及一种基于黎曼空间的词嵌入方法和装置、计算机可读介质和电子设备。
背景技术
随着医疗信息化建设的普及，临床电子病历成为关注的焦点，激起了人们对于医疗信息检索和信息提取的浓厚兴趣。信息检索和提取可以极大的帮助人们处理那些浩瀚庞大的电子病历数据，而它们的应用依赖于术语标识(Term Identification)，以通过计算机访问存储在电子病历中的信息。此处的术语(Term)是用于临床知识交流的手段，因为他们可以用于标识该领域的概念。例如：手术名字、诊断名字、药品名称、检验名称、实验名称和剖解部位的名字等等。从而，准确的标识临床交流中术语(Term)，才有利于计算机准确理解相关的临床电子病历。一般采用词嵌入技术标识临床交流中术语。
词嵌入(Word Embedding)，也称词的分布式表示(Distributed wordrepresentations)，是一种稠密的低维度的词表示，每一个维度表示词的潜在特征，维度的值为浮点数。相关技术提供的词嵌入处理方法中，将这种表示方法把庞大的词表映射到一个低维欧氏空间，通过不同概念在欧氏空间的向量顶点的距离抽象表示概念的关系。
然而，相关技术提供的词嵌入处理方法存在较高的误差。
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
本公开实施例的目的在于提供一种基于黎曼空间的词嵌入方法、基于黎曼空间的词嵌入装置、计算机可读介质及电子设备，进而至少在一定程度上提升了词嵌入处理的准确度。
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。
根据本公开实施例的第一方面，提供了一种基于黎曼空间的词嵌入方法，包括：
确定对关于医疗文本所构成的黎曼空间的曲率修正因子；获取医疗文本实体，并将上述曲率修正因子的属性值作为上述医疗文本实体的标签；将包含上述标签的医疗文本实体输入至训练后的词嵌入模型，以通过上述词嵌入模型中带有调整参数的神经网络得到上述医疗文本实体对应的关注度；基于上述关注度确定目标医疗实体，并通过上述词嵌入模型实现上述目标医疗文本实体的词嵌入。
在本公开的一种实施例中，基于前述方案，上述曲率修正因子至少包括以下信息中的一种：医生生物钟、医生对病历的处理速度、疾病流行程度和疾病的类型。
在本公开的一种实施例中，基于前述方案，上述获取医疗文本实体，包括：根据电子病历中的结构化文本、半结构化文本和/或自由文本确定医疗文本实体。
在本公开的一种实施例中，基于前述方案，上述通过上述词嵌入模型中带有调整参数的神经网络得到上述医疗文本实体对应的关注度，包括：上述带有调整参数的神经网络根据上述医疗文本实体的标签确定上述医疗文本实体对应的关注度；
其中，上述调整参数用于表征上述曲率修正因子对于上述黎曼空间曲率的影响程度。
在本公开的一种实施例中，基于前述方案，上述基于上述关注度确定目标医疗实体，包括：在上述黎曼空间曲率大于预设阈值时，修改纳排条件，以从上述医疗文本实体中确定上述目标医疗文本实体。
在本公开的一种实施例中，基于前述方案，上述通过上述词嵌入模型实现上述目标医疗文本实体的词嵌入，包括：确定目标医疗文本实体的上下文的表示，以及确定上述上下文表示与上述目标医疗文本实体之间的关系映射。
在本公开的一种实施例中，基于前述方案，在上述通过上述词嵌入模型中带有调整参数的神经网络得到上述医疗文本实体对应的关注度之前，上述方法还包括：通过词的独热表示将上述医疗文本实体表示为词向量；将上述词向量的顺序拼接作为上述词嵌入模型的输入。
根据本公开实施例的第二方面，提供了一种基于黎曼空间的词嵌入装置，该装置包括：
曲率修正因子确模块，用于：确定对关于医疗文本所构成的黎曼空间的曲率修正因子；实体获取模块，用于：获取医疗文本实体，并将上述曲率修正因子的属性值作为上述医疗文本实体的标签；关注度确定模块，用于：将包含上述标签的医疗文本实体输入至训练后的词嵌入模型，以通过上述词嵌入模型中带有调整参数的神经网络得到上述医疗文本实体对应的关注度；以及，词嵌入模块，用于：基于上述关注度确定目标医疗实体，并通过上述词嵌入模型实现上述目标医疗文本实体的词嵌入。
根据本公开实施例的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例第一方面任意一项所述的基于黎曼空间的词嵌入方法。
根据本公开实施例的第四方面，提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上述实施例第一方面任意一项所述的基于黎曼空间的词嵌入方法。
本公开实施例提供的技术方案可以包括以下有益效果：
在本公开的一些实施例中，确定对关于医疗文本所构成的黎曼空间的曲率修正因子，进一步地，获取医疗文本实体，并将上述曲率修正因子的属性值作为所述医疗文本实体的标签；再将包含所述标签的医疗文本实体输入至训练后的词嵌入模型，以通过带有调整参数的神经网络得到上述医疗文本实体对应的关注度；最终基于关注度确定目标医疗实体，并通过词嵌入模型的输出实现所述目标医疗文本实体的词嵌入。本技术方案提供的词嵌入过程中通过引入黎曼空间的曲率修正因子，并基于实体属性值确定实体关注度，从而通过弯曲空间的形式使得词嵌入结果与真实世界数据更加符合，增强了词嵌入结果的表现范围。同时，避免相关技术中基于欧氏空间(属于平直空间)实现词嵌入带来的误差。
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。在附图中：
图1示出本公开示例性实施例中用于实现基于黎曼空间的词嵌入方法的系统架构示意图；
图2示出了根据本公开的一实施例的基于黎曼空间的词嵌入方法的流程示意图；
图3示出了根据本公开的另一实施例的基于黎曼空间的词嵌入方法的流程示意图；
图4示出了根据本公开的再一实施例的基于黎曼空间的词嵌入方法的流程示意图；
图5示出了根据本公开的一实施例的基于黎曼空间的词嵌入装置的结构示意图；
图6示出本公开示例性实施例中计算机存储介质的结构示意图；以及，
图7示出本公开示例性实施例中电子设备的结构示意图。
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。
此外，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例中。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例的充分理解。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没有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方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本示例实施方式中首先提供了一种用于实现基于黎曼空间的词嵌入方法的系统架构，可以应用于各种数据处理场景。参考图1所示，该系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送请求指令等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图片处理应用、购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如获取用户利用终端设备101、102、103输入的对关于医疗文本所构成的黎曼空间的曲率修正因子，以及获取医疗文本实体，并将所述曲率修正因子的属性值作为所述医疗文本实体的标签(仅为示例)。服务器105可以将包含所述标签的医疗文本实体输入至训练后的词嵌入模型，以通过所述词嵌入模型中带有调整参数的神经网络得到所述医疗文本实体对应的关注度(仅为示例)。服务器105还可以基于所述关注度确定目标医疗实体，并通过所述词嵌入模型实现所述目标医疗文本实体的词嵌入。
词嵌入学习通常是在无标注语料上进行，直接抽取基于词的特征作为输入。词嵌入表示已成功应用于词性标注、组块分析、命名实体识别和语义角色标注、情感分析、语义层次关系抽取以及词的相似度计算和词关系相似度计算等自然语言处理任务。具体的，词嵌入表示始于Bengio等2003年基于神经网络的语言模型研究，该模型把词的上下文特征作为输入经过隐层的变换，输出固定长度的词向量，模型得到的词向量每一个维度已经失去了具体的语言学意义，可以看成是词的抽象属性。随着深度学习框架的提出，各种优化的词嵌入学习模型被提出，优化的目标主要是学习速度大大提升并且能处理的数据量增大。Mikolov等基于循环神经网络学习分布式词表示，并发布了开源实现word2vec，该词表示在词相似度评价和关系相似度评价上取得了很好的结果。组合上下文和聚合上下文分别对应于word2vec的上下文抽取算法CBOW和Skip-gram。
相关技术提供的词嵌入为：在欧氏空间，利用向量顶点之间的欧氏距离确定不同概念之间的关系；或者，通过词嵌入Word Embedding的方法将不同关系映射到欧氏空间内，通过他们顶点连线的平行性揭示出不同关系之间的推理特征。然而，欧氏空间属于平直空间，实际诊疗过程和真实条件下的患者健康状况要更加复杂。例如，以来自真实的医疗环境，反映实际诊疗过程和真实条件下的患者健康状况的数据为基础的知识汇集过程当中，各个概念之间并不是简单的机械的距离关系，会受到真实世界的复杂性的影响。可见，基于欧式空间的词嵌入方法限制了现有基于欧氏空间Word Embedding的表现范围。同时，关系推理过程没有考虑真实世界外在因素(如黎曼空间的曲率修正因子)对于关系的影响，容易造成误差
针对相关技术中所存在的上述问题，本技术方案提供了一种基于黎曼空间的词嵌入方法及装置，计算机存储介质和电子设备。以下先对基于黎曼空间的词嵌入方法进行说明：
图2示出了根据本公开的实施例的基于黎曼空间的词嵌入方法的流程示意图。本实施例提供的基于黎曼空间的词嵌入方法，至少在一定程度上克服现有技术中存在的上述问题。
其中，本实施例提供的基于黎曼空间的词嵌入方法的执行主体可以是具有计算处理功能的设备，比如服务器等。
参考图2，本实施例提供的基于黎曼空间的词嵌入方法包括：
步骤S210，确定对关于医疗文本所构成的黎曼空间的曲率修正因子；
步骤S220，获取医疗文本实体，并将所述曲率修正因子的属性值作为所述医疗文本实体的标签；
步骤S230，将包含所述标签的医疗文本实体输入至训练后的词嵌入模型，以通过所述词嵌入模型中带有调整参数的神经网络得到所述医疗文本实体对应的关注度；以及，
步骤S240，基于所述关注度确定目标医疗实体，并通过所述词嵌入模型实现所述目标医疗文本实体的词嵌入。
在图2所示实施例提供的词嵌入过程中，通过引入黎曼空间的曲率修正因子，并基于实体属性值确定实体关注度，从而通过弯曲空间的形式使得词嵌入结果与真实世界数据更加符合，增强了词嵌入结果的表现范围。同时，避免相关技术中基于欧氏空间(属于平直空间)实现词嵌入带来的误差。
以下对图2中所示嵌入模型的训练方法实施例的技术方案的各个步骤的实现细节进行详细阐述：
在示例性的实施例中，步骤S210中确定对关于医疗文本所构成的黎曼空间的曲率修正因子。其中，曲率修正因子至少包括以下信息中的一种：医生生物钟、医生对病历的处理速度、疾病流行程度和疾病的类型。本技术方案提供一种黎曼空间病患与诊断关系假设，继而通过上述对弯曲空间的曲率修正因子(如，医生生物钟)对医生诊疗事件的影响。
在示例性的实施例中，步骤S220中，获取医疗文本实体，并将所述曲率修正因子的属性值作为所述医疗文本实体的标签。上述医疗文本实体如：症状实体、体征实体、手术实体、诊断实体、检验指标结果实体、医生的诊断结果实体等。并且每个实体信息都可以对应成一个向量。示例性的，这些向量为临床知识总结、院内感染监控、临床决策支持等数据分析和数据挖掘应用提供数据基础和支撑。
示例性的，电子病历中包含结构化、半结构化和自由文本这三种数据。其中，医嘱、检验检查等数据存储在数据库中，属于全结构化数据；病历中的表格以网页形式存在，属于半结构化数据；主诉、现病史、病程录等段落属于自由文本。进一步地，可以根据电子病历中的结构化文本、半结构化文本和/或自由文本确定上述医疗文本实体。
通过将这三种数据的抽取以统一的神经网络模型的向量化可以用来建立临床辅助诊断系统。从而，本技术方案要从真实世界电子病历自由文本当中挖掘诊断过程，并利用真实世界电子病历自由文本进行验证，最终达到基于自由文本的词嵌入的目的。
在示例性的实施例中，当上述曲率影响因子为医生生物钟的情况下，第一实体为医生在凌晨两点确定的，第二实体为医生在上午十点确定的。则第一实体对应的标签为“凌晨两点”、第二实体对应的标签为“上午十点”。当上述曲率影响因子为医生对病历的处理速度的情况下，第三实体为医生在对病历的处理速度为20份/天的情况下确定的，第四实体为医生在对病历的处理速度为200份/天的情况下确定的。则第三实体对应的标签为“20份/天”、第四实体对应的标签为“200份/天”。
在示例性的实施例中，在步骤S230中，将包含所述标签的医疗文本实体输入至训练后的词嵌入模型，以通过所述词嵌入模型中带有调整参数的神经网络得到所述医疗文本实体对应的关注度。
本实施例中，上述调整参数用于表征所述曲率修正因子对于所述黎曼空间曲率的影响程度。并且通过上述带有调整参数的神经网络根据所述医疗文本实体的标签确定所述医疗文本实体对应的关注度。具体的：
在示例性的实施例中，输入模型的实体所对应的标签影响该实体的关注度。例如，医生对病历的处理速度越高，则有可能产生质量不高的病历(即产生质量不高/参考价值不大的医学文本实体)。从而，通过训练后的词嵌入模型中的调整参数，根据实体对应的标签将质量较高/参考价值较大的医学文本实体的关注度值确定的较高，反之，根据实体对应的标签将质量较低/参考价值较小的医学文本实体的关注度值确定的较低。以进一步地，将关注度值较低的易学文本实体进行删减，从而确定目标医学文本实体。
在示例性的实施例中，图3示出了根据本公开的另一施例的基于黎曼空间的词嵌入方法的流程示意图。参考图3，该图所示实施例提供的方法包括步骤S310-步骤S330。
以下结合图4对图3所示实施例的各个步骤的具体实施方式进行说明：
在步骤S310中，通过词的独热表示将所述医疗文本实体表示为词向量，将所述词向量的顺序拼接作为所述词嵌入模型的输入。
示例性的，通过独热表示(One-hot Representation)词表示方法把每个医学文本实体表示为一个向量。这个向量的维度是词表大小，其中绝大多数元素为0，有一个维度的值为1，这个维度就代表了当前的词。例如：关于医学文本实体“咽喉痛”和“胃部手术”的独热表示为：
“咽喉痛”表示为[0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 …]，
“胃部手术”表示为[0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 …]。
示例性的，参考图4，将每个医学文本实体表示为词向411之后，将上述词向量的顺序拼接作为所述词嵌入模型的输入，以解决数据稀疏问题。其中，数据稀疏问题是指即某些在文本中通常很少出现的词,在某一局部文本中突然大量地出现。通在步骤S41过将词向量的顺序拼接作为词嵌入模型的输入来解决数据稀疏问题，有利于提升词嵌入的准确度。
在步骤S320中，确定目标医疗文本实体的上下文的表示，以及确定所述上下文表示与所述目标医疗文本实体之间的关系映射。
示例性的，参考图4，在步骤S42中通过上述带有调整参数的神经网络来确定目标医疗文本实体的上下文的表示，以及确定上下文表示与该目标医疗文本实体(如421)之间的关系映射。本实施例中，在黎曼空间(弯曲空间)中，确定词向量之间的距离，进而确定不同实体之间的关系。其中，对黎曼控件的曲率影响因子包含多种，该处以医生生物钟为例进行说明：
在四维时空中，可以把两点间的距离推广为“间隔”，可表示为式一：
ds2＝-c2dt2+dx2+dy2+dz2 式一
其中，上述间隔的平方应与坐标微元的二次方有关，即：
ds2--dxμdxν 式二
可见，上述式二的左边是标量，式二的右边是逆变矢量，可以使得坐标微分元与一个二阶协变张量缩并为：
ds2＝gμνdxμdxν 式三
示例性的，该张量称度规张量共十六个分量，可用矩阵表示为式四：
示例性的，A、B之间的一根曲线长度可用积分给出式五所示：
进一步地，由变分原理得到：
沿曲线选择一个标量参数，并注意到ds2＝gμνdxμdxν，则式六可写为：
其中，拉格朗日函数如式八所示：
另外，广义生物钟可以表示为：
则将式八带入拉格朗日方程，得到式九：
从而，可得短程线方程：
最终，可以基于上式十将医生生物钟特征构建空间曲率修正因子。
继续参加图3，在步骤S330中，在所述黎曼空间曲率大于预设阈值时，修改纳排条件，以从所述医疗文本实体中确定所述目标医疗文本实体。
在示例性的实施例中，参考图4，在步骤S43中，通过弯曲空间极端情况下出现的“奇点”效应(如实体432)，则说明该实体质量较差。例如，对黎曼控件的曲率影响因子为医生生物钟的情况下，实体432为医生在凌晨两点确定的，实体431为医生在上午十点确定的。也就是说，实体432对应的标签为“凌晨两点”、实体431对应的标签为“上午十点”。然而，医生在深夜确定的实体存在较高的不准确性。进而，在实体432处极易出现曲率值大于预设阈值的情况。
在这种情况下，通过修改纳排条件，例如，将标签为凌晨一点至凌晨六点的实体进行删除。本方案对于极度弯曲空间的数据，可以引入新的纳排规则，以确保模型不受、少受极端数据的影响，从而提升词嵌入质量。
本技术方案提供的基于黎曼控件的词嵌入方法，由于弯曲空间与真实世界数据更加符合，通过空间曲率修正因子的引入，使词嵌入更加符合真实世界的数据。而弯曲空间的形式使得词嵌入结果与真实世界数据更加符合，增强了词嵌入结果的表现范围。同时，避免相关技术中基于欧氏空间(属于平直空间)实现词嵌入带来的误差。进而，通过修正的WordEmbedding数据提高临床预测模型的在真实世界当中的范化能力。
另外，常规欧氏空间下的词嵌入可以看作黎曼空间下词嵌入的低空间弯曲下的近似，可以让本工作与大量以前的工作兼容。
本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由处理器(包含CPU和GPU)执行的计算机程序。例如，通过GPU实现对上述风险预测模型的模型训练，或者基于训练后的风险预测模型，使用CPU或GPU实现对待测对象的风险等级预测处理等。在该计算机程序被CPU执行时，执行本公开提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中，该存储介质可以是只读存储器，磁盘或光盘等。
此外，需要注意的是，上述附图仅是根据本公开示例性实施方式的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
以下介绍本公开的基于黎曼空间的词嵌入装置实施例，可以用于执行本公开上述实施例提供的基于黎曼空间的词嵌入方法。
图5示出了根据本公开的实施例的基于黎曼空间的词嵌入装置的结构示意图，参考图5，本实施例提供的基于黎曼空间的词嵌入装置500，包括：曲率修正因子确模块501、实体获取模块502、关注度确定模块503和词嵌入模块504。
其中，上述曲率修正因子确模块501，用于：确定对关于医疗文本所构成的黎曼空间的曲率修正因子；
上述实体获取模块502，用于：获取医疗文本实体，并将所述曲率修正因子的属性值作为所述医疗文本实体的标签；
上述关注度确定模块503，用于：将包含所述标签的医疗文本实体输入至训练后的词嵌入模型，以通过所述词嵌入模型中带有调整参数的神经网络得到所述医疗文本实体对应的关注度；
上述词嵌入模块504，用于：基于所述关注度确定目标医疗实体，并通过所述词嵌入模型实现所述目标医疗文本实体的词嵌入。
在本公开的一种实施例中，基于前述方案，所述曲率修正因子至少包括以下信息中的一种：医生生物钟、医生对病历的处理速度、疾病流行程度和疾病的类型。
在本公开的一种实施例中，基于前述方案，上述实体获取模块502，具体用于：根据电子病历中的结构化文本、半结构化文本和/或自由文本确定医疗文本实体。
在本公开的一种实施例中，基于前述方案，上述关注度确定模块503，具体用于：所述带有调整参数的神经网络根据所述医疗文本实体的标签确定所述医疗文本实体对应的关注度；
其中，所述调整参数用于表征所述曲率修正因子对于所述黎曼空间曲率的影响程度。
在本公开的一种实施例中，基于前述方案，上述词嵌入模块504，包括：目标医学文本实体确定子模块；该目标医学文本实体确定子模块用于：在所述黎曼空间曲率大于预设阈值时，修改纳排条件，以从所述医疗文本实体中确定所述目标医疗文本实体。
在本公开的一种实施例中，基于前述方案，上述词嵌入模块504，包括：词嵌入子模块；该词嵌入子模块用于：确定目标医疗文本实体的上下文的表示，以及确定所述上下文表示与所述目标医疗文本实体之间的关系映射。
在本公开的一种实施例中，基于前述方案，该基于黎曼空间的词嵌入装置500还包括：输入模块。
该输入模块用于：在所述通过所述词嵌入模型中带有调整参数的神经网络得到所述医疗文本实体对应的关注度之前，通过词的独热表示将所述医疗文本实体表示为词向量；以及，将所述词向量的顺序拼接作为所述词嵌入模型的输入。
由于本公开的示例性的实施例的基于黎曼空间的词嵌入装置的各个功能模块与上述基于黎曼空间的词嵌入方法的示例实施例的步骤对应，因此对于本公开基于黎曼空间的词嵌入装置实施例中未披露的细节，请参照本公开上述的基于黎曼空间的词嵌入方法的实施例。
以下介绍本公开的基于黎曼空间的词嵌入装置实施例，可以用于执行本公上述实施例提供的基于黎曼空间的词嵌入方法。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备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。
在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。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，本公开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，当上述程序产品在终端设备上运行时，上述程序代码用于使上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公开各种示例性实施方式的步骤。
参考图6所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品600，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，本公开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。
上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公开操作的程序代码，上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)。
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。
所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
下面参照图7来描述根据本公开的这种实施方式的电子设备700。图7显示的电子设备700仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示，电子设备700以通用计算设备的形式表现。电子设备700的组件可以包括但不限于：上述至少一个处理单元710、上述至少一个存储单元720、连接不同系统组件(包括存储单元720和处理单元710)的总线730。
其中，上述存储单元存储有程序代码，上述程序代码可以被上述处理单元710执行，使得上述处理单元710执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，上述处理单元710可以执行如图2中所示的：步骤S210，确定对关于医疗文本所构成的黎曼空间的曲率修正因子；步骤S220，获取医疗文本实体，并将所述曲率修正因子的属性值作为所述医疗文本实体的标签；步骤S230，将包含所述标签的医疗文本实体输入至训练后的词嵌入模型，以通过所述词嵌入模型中带有调整参数的神经网络得到所述医疗文本实体对应的关注度；以及，基于所述关注度确定目标医疗实体，并通过所述词嵌入模型实现所述目标医疗文本实体的词嵌入。
存储单元720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)7201和/或高速缓存存储单元7202，还可以进一步包括只读存储单元(ROM)7203。
存储单元720还可以包括具有一组(至少一个)程序模块7205的程序/实用工具7204，这样的程序模块7205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730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700也可以与一个或多个外部设备800(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700交互的设备通信，和/或与使得该电子设备700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750进行。并且，电子设备700还可以通过网络适配器770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760通过总线730与电子设备700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700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、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
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)
1.一种基于黎曼空间的词嵌入方法，其特征在于，所述方法包括：
确定对关于医疗文本所构成的黎曼空间的曲率修正因子；
获取医疗文本实体，并将所述曲率修正因子的属性值作为所述医疗文本实体的标签；
将包含所述标签的医疗文本实体输入至训练后的词嵌入模型，以通过所述词嵌入模型中带有调整参数的神经网络得到所述医疗文本实体对应的关注度；
基于所述关注度确定目标医疗实体，并通过所述词嵌入模型实现所述目标医疗文本实体的词嵌入。
2.根据权利要求1所述的基于黎曼空间的词嵌入方法，其特征在于，所述曲率修正因子至少包括以下信息中的一种：医生生物钟、医生对病历的处理速度、疾病流行程度和疾病的类型。
3.根据权利要求1所述的基于黎曼空间的词嵌入方法，其特征在于，所述获取医疗文本实体，包括：
根据电子病历中的结构化文本、半结构化文本和/或自由文本确定医疗文本实体。
4.根据权利要求1所述的基于黎曼空间的词嵌入方法，其特征在于，所述通过所述词嵌入模型中带有调整参数的神经网络得到所述医疗文本实体对应的关注度，包括：
所述带有调整参数的神经网络根据所述医疗文本实体的标签确定所述医疗文本实体对应的关注度；
其中，所述调整参数用于表征所述曲率修正因子对于所述黎曼空间曲率的影响程度。
5.根据权利要求4所述的基于黎曼空间的词嵌入方法，其特征在于，所述基于所述关注度确定目标医疗实体，包括：
在所述黎曼空间曲率大于预设阈值时，修改纳排条件，以从所述医疗文本实体中确定所述目标医疗文本实体。
6.根据权利要求4所述的基于黎曼空间的词嵌入方法，其特征在于，所述通过所述词嵌入模型实现所述目标医疗文本实体的词嵌入，包括：
确定目标医疗文本实体的上下文的表示，以及确定所述上下文表示与所述目标医疗文本实体之间的关系映射。
7.根据权利要求1所述的基于黎曼空间的词嵌入方法，其特征在于，在所述通过所述词嵌入模型中带有调整参数的神经网络得到所述医疗文本实体对应的关注度之前，所述方法还包括：
通过词的独热表示将所述医疗文本实体表示为词向量；
将所述词向量的顺序拼接作为所述词嵌入模型的输入。
8.一种基于黎曼空间的词嵌入装置，其特征在于，所述装置包括：
曲率修正因子确模块，用于：确定对关于医疗文本所构成的黎曼空间的曲率修正因子；
实体获取模块，用于：获取医疗文本实体，并将所述曲率修正因子的属性值作为所述医疗文本实体的标签；
关注度确定模块，用于：将包含所述标签的医疗文本实体输入至训练后的词嵌入模型，以通过所述词嵌入模型中带有调整参数的神经网络得到所述医疗文本实体对应的关注度；
词嵌入模块，用于：基于所述关注度确定目标医疗实体，并通过所述词嵌入模型实现所述目标医疗文本实体的词嵌入。
9.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的基于黎曼空间的词嵌入方法。
10.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至7中任一项所述的基于黎曼空间的词嵌入方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911261454.3A CN112949296A (zh) | 2019-12-10 | 2019-12-10 | 基于黎曼空间的词嵌入方法和装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911261454.3A CN112949296A (zh) | 2019-12-10 | 2019-12-10 | 基于黎曼空间的词嵌入方法和装置、介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112949296A true CN112949296A (zh) | 2021-06-11 |
Family
ID=76226121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911261454.3A Pending CN112949296A (zh) | 2019-12-10 | 2019-12-10 | 基于黎曼空间的词嵌入方法和装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949296A (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6636858B1 (en) * | 2000-02-03 | 2003-10-21 | Michael T. Coffey | Method for formatting, associating organizing, and retrieving data of and from a database stored in a computer system |
| US20070109402A1 (en) * | 2005-11-01 | 2007-05-17 | Kabushiki Kaisha Toshiba | Medical image display system, medical image display method, and medical image display program |
| US20120071780A1 (en) * | 2010-07-13 | 2012-03-22 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method and a System for Classifying Neural Signals, and a Method of Selecting Electrodes for Direct Neural Control |
| US20120316993A1 (en) * | 2011-06-11 | 2012-12-13 | Stanley Benjamin Smith | Method and system for pricing and exchange of streams of data stored on tags readable by electronic means, streams of data in digital messages, and streams of data from electronic devices |
| US20150130792A1 (en) * | 2013-11-14 | 2015-05-14 | Microsoft Corporation | Integration of labels into a 3d geospatial model |
| WO2017194995A1 (en) * | 2016-05-11 | 2017-11-16 | Institut National De La Sante Et De La Recherche Medicale (Inserm) | A method for determining the temporal progression of a biological phenomenon and associated methods and devices |
| US20180278543A1 (en) * | 2017-03-22 | 2018-09-27 | At&T Intellectual Property I, L.P. | Methods, devices and systems for managing network video traffic |
| US20190005019A1 (en) * | 2017-06-29 | 2019-01-03 | Accenture Global Solutions Limited | Contextual pharmacovigilance system |
| CN109493977A (zh) * | 2018-11-09 | 2019-03-19 | 天津新开心生活科技有限公司 | 文本数据处理方法、装置、电子设备及计算机可读介质 |
| US20190108444A1 (en) * | 2017-10-11 | 2019-04-11 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for customizing kernel machines with deep neural networks |
| CN109615014A (zh) * | 2018-12-17 | 2019-04-12 | 清华大学 | 一种基于kl散度优化的数据分类系统与方法 |
| CN109871818A (zh) * | 2019-02-27 | 2019-06-11 | 东南大学 | 基于法向量分布直方图和协方差描述子的人脸识别方法 |
| US20190220749A1 (en) * | 2018-01-17 | 2019-07-18 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Text processing method and device based on ambiguous entity words |
-
2019
- 2019-12-10 CN CN201911261454.3A patent/CN112949296A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6636858B1 (en) * | 2000-02-03 | 2003-10-21 | Michael T. Coffey | Method for formatting, associating organizing, and retrieving data of and from a database stored in a computer system |
| US20070109402A1 (en) * | 2005-11-01 | 2007-05-17 | Kabushiki Kaisha Toshiba | Medical image display system, medical image display method, and medical image display program |
| US20120071780A1 (en) * | 2010-07-13 | 2012-03-22 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Method and a System for Classifying Neural Signals, and a Method of Selecting Electrodes for Direct Neural Control |
| US20120316993A1 (en) * | 2011-06-11 | 2012-12-13 | Stanley Benjamin Smith | Method and system for pricing and exchange of streams of data stored on tags readable by electronic means, streams of data in digital messages, and streams of data from electronic devices |
| US20150130792A1 (en) * | 2013-11-14 | 2015-05-14 | Microsoft Corporation | Integration of labels into a 3d geospatial model |
| WO2017194995A1 (en) * | 2016-05-11 | 2017-11-16 | Institut National De La Sante Et De La Recherche Medicale (Inserm) | A method for determining the temporal progression of a biological phenomenon and associated methods and devices |
| US20180278543A1 (en) * | 2017-03-22 | 2018-09-27 | At&T Intellectual Property I, L.P. | Methods, devices and systems for managing network video traffic |
| US20190005019A1 (en) * | 2017-06-29 | 2019-01-03 | Accenture Global Solutions Limited | Contextual pharmacovigilance system |
| US20190108444A1 (en) * | 2017-10-11 | 2019-04-11 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for customizing kernel machines with deep neural networks |
| US20190220749A1 (en) * | 2018-01-17 | 2019-07-18 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Text processing method and device based on ambiguous entity words |
| CN109493977A (zh) * | 2018-11-09 | 2019-03-19 | 天津新开心生活科技有限公司 | 文本数据处理方法、装置、电子设备及计算机可读介质 |
| CN109615014A (zh) * | 2018-12-17 | 2019-04-12 | 清华大学 | 一种基于kl散度优化的数据分类系统与方法 |
| CN109871818A (zh) * | 2019-02-27 | 2019-06-11 | 东南大学 | 基于法向量分布直方图和协方差描述子的人脸识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| QIUHAO LU等: "Learning Electronic Health Records through Hyperbolic Embedding of Medical Ontologies", ACM, 30 September 2019 (2019-09-30) * |
| 李正宇;陈欢欢;: "统计流形学习中的文本度量方法", 小型微型计算机系统, no. 03, 15 March 2018 (2018-03-15) * |
| 李海生;孙莉;武玉娟;吴晓群;蔡强;杜军平;: "非刚性三维模型检索特征提取技术研究", 软件学报, no. 02, 9 October 2017 (2017-10-09) * |
| 王燕鹏;韩涛;赵亚娟;陈芳;王思培;: "人工智能领域关键技术挖掘分析", 世界科技研究与发展, no. 04, 25 April 2019 (2019-04-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7100087B2 (ja) | 情報を出力する方法および装置 | |
| CN109599185B (zh) | 疾病数据处理方法、装置、电子设备及计算机可读介质 | |
| US10740561B1 (en) | Identifying entities in electronic medical records | |
| US11823798B2 (en) | Container-based knowledge graphs for determining entity relations in non-narrative text | |
| US11037657B2 (en) | Personalized questionnaire for health risk assessment | |
| CN113015977A (zh) | 使用自然语言处理的对疾病和病症的基于深度学习的诊断和转诊 | |
| CN110517767B (zh) | 辅助诊断方法、装置、电子设备及存储介质 | |
| CN108920453A (zh) | 数据处理方法、装置、电子设备及计算机可读介质 | |
| US20200279147A1 (en) | Method and apparatus for intelligently recommending object | |
| US11495332B2 (en) | Automated prediction and answering of medical professional questions directed to patient based on EMR | |
| CN110609910B (zh) | 医学知识图谱构建方法及装置、存储介质和电子设备 | |
| US20210241906A1 (en) | Machine-aided dialog system and medical condition inquiry apparatus and method | |
| CN113657105A (zh) | 基于词汇增强的医学实体抽取方法、装置、设备及介质 | |
| CN112599213B (zh) | 一种分类编码确定方法、装置、设备及存储介质 | |
| Kaswan et al. | AI-based natural language processing for the generation of meaningful information electronic health record (EHR) data | |
| CN112614559A (zh) | 病历文本处理方法、装置、计算机设备和存储介质 | |
| US11532387B2 (en) | Identifying information in plain text narratives EMRs | |
| CN113297852B (zh) | 一种医学实体词的识别方法和装置 | |
| CN112800244B (zh) | 一种中医药及民族医药知识图谱的构建方法 | |
| CN114613462A (zh) | 医疗数据处理方法和装置、电子设备及存储介质 | |
| CN117542467A (zh) | 基于患者数据的专病标准数据库自动构建方法 | |
| CN114064938B (zh) | 医学文献的关系抽取方法、装置、电子设备及存储介质 | |
| CN112949296A (zh) | 基于黎曼空间的词嵌入方法和装置、介质及设备 | |
| CN110060749B (zh) | 基于sev-sdg-cnn的电子病历智能诊断方法 | |
| CN113657325A (zh) | 用于确定标注样式信息的方法、装置、介质及程序产品 |
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 |