CN113626461A - 信息查找方法、终端设备及计算机可读存储介质 - Google Patents
信息查找方法、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113626461A CN113626461A CN202110913434.0A CN202110913434A CN113626461A CN 113626461 A CN113626461 A CN 113626461A CN 202110913434 A CN202110913434 A CN 202110913434A CN 113626461 A CN113626461 A CN 113626461A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- data set
- qualitative
- quantitative
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 104
- 238000013210 evaluation model Methods 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims description 20
- 230000001131 transforming effect Effects 0.000 claims description 2
- 239000003814 drug Substances 0.000 description 19
- 229940079593 drug Drugs 0.000 description 15
- 230000036772 blood pressure Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012502 risk assessment Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 208000000059 Dyspnea Diseases 0.000 description 3
- 206010013975 Dyspnoeas Diseases 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001647 drug administration Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000001121 heart beat frequency Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000000265 leukocyte Anatomy 0.000 description 1
- 238000013507 mapping Methods 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
- 230000007170 pathology Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medicinal Chemistry (AREA)
- Pharmacology & Pharmacy (AREA)
- Toxicology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请适用于大数据技术领域，提供了一种涉及信息查找方法、终端设备及计算机可读存储介质，包括：获取目标事件的定量数据集，所述定量数据集中包括至少一个定量数据；将所述定量数据集输入到训练后到评估模型，输出第一评估值；若所述第一评估值大于预设阈值，则根据所述定量数据集转换得到所述目标事件的定性数据集，所述定性数据集中包括至少一个定性数据；从预设知识库中查找与所述定性数据集相匹配的目标内容，其中，所述目标内容为基于所述定量数据集对所述目标事件的注解信息。通过上述方法，有效提高信息查找的准确率和全面性，提升用户体验。
Description
技术领域
本申请属于大数据技术领域，尤其一种涉及信息查找方法、终端设备及计算机可读存储介质。
背景技术
信息查询成为很多应用场景中用户快速获取所需信息的渠道。例如，在医疗大数据领域中，可以基于预测模型进行用药风险筛查。具体的，现有技术中，通常是将患者的基本体征数据和用药剂量等定量数据输入预测模型，输出用药的风险值。风险值较高，说明用药风险较大；风险值较低，说明用药风险较小。
由上可知，现有技术中，预测模型输出的是单一的定量结果。例如：在用药风险分析应用场景中，预测模型输出的可能仅为一个风险值。用户根据该风险值无法获得用药后果、治疗建议、造成风险的原因等相关的可解释的内容。因此，现有的信息查找方法无法获取到准确的、全面的信息，用户体验度较差。
发明内容
本申请实施例提供了一种涉及信息查找方法、终端设备及计算机可读存储介质，可以有效提高信息查找的准确率和全面性，提升用户体验。
第一方面，本申请实施例提供了一种信息查找方法，包括：
获取目标事件的定量数据集，所述定量数据集中包括至少一个定量数据；
将所述定量数据集输入到训练后到评估模型，输出第一评估值；
若所述第一评估值大于预设阈值，则根据所述定量数据集转换得到所述目标事件的定性数据集，所述定性数据集中包括至少一个定性数据；
从预设知识库中查找与所述定性数据集相匹配的目标内容，其中，所述目标内容为基于所述定量数据集对所述目标事件的注解信息。
本申请实施例中，通过训练后的评估模型先对定量数据进行评估，当定量数据满足评估条件时，再将定量数据转换为定性数据，相当于对定量数据进行了初步筛选。通常根据定量数据无法直接获得对目标事件的注解内容，本申请实施例中，通过将定量数据转换为定性数据，再从预设知识库中查找与定性数据相匹配的目标内容，以实现获取对目标事件的注解内容的目的。通过上述方法，用户可以根据定量数据获取目标事件的注解内容，提高了信息查找的全面性；另外，将评估模型和知识库相结合，有效提高了信息查找的准确度。
在第一方面的一种可能的实现方式中，所述若所述第一评估值大于预设阈值，则根据所述定量数据集转换得到所述目标事件的定性数据集，包括：
若所述第一评估值大于预设阈值，则从所述定量数据集中确定出第一目标数据；
根据所述第一目标数据转换得到所述定性数据集。
在第一方面的一种可能的实现方式中，所述若所述第一评估值大于预设阈值，则从所述定量数据集中确定出第一目标数据，包括：
将所述定量数据集中满足预设条件的定量数据记为第二目标数据，其中，所述预设条件为所述定量数据超出所述定量数据对应的预设数值范围；
根据所述第二目标数据确定所述第一目标数据。
在第一方面的一种可能的实现方式中，所述根据所述第二目标数据确定所述第一目标数据，包括：
将所述第二目标数据按照从大到小的顺序排序，获得数据序列；
将所述数据序列中前N个所述第二目标数据确定为所述第一目标数据，其中，所述N为正整数。
在第一方面的一种可能的实现方式中，所述根据所述第一目标数据转换得到所述定性数据集，包括：
获取预设字典，所述预设字典中包括多个定量数据各自对应的定性数据；
从所述预设字典中获取所述第一目标数据对应的所述定性数据。
在第一方面的一种可能的实现方式中，所述预设知识库中包括多个实体、以及每个实体的关联实体；
所述从预设知识库中查找与所述定性数据集相匹配的目标内容，包括：
对于所述定性数据集中的每个所述定性数据，在所述预设知识库中查找与所述定性数据相匹配的目标实体；
计算所述定性数据与所述目标实体之间的相似度；
若所述相似度大于预设相似度，则将所述预设知识库中所述目标实体的关联实体确定为所述目标内容。
在第一方面的一种可能的实现方式中，在若所述第一评估值大于预设阈值，则根据所述定量数据集转换得到所述目标事件的定性数据之后，所述方法还包括：
计算所述定性数据集中每个所述定性数据对应的第一评估系数；
根据所述第一评估系数计算第二评估值；
根据所述第二评估值对所述评估模型进行校准。
在第一方面的一种可能的实现方式中，所述计算所述定性数据集中每个所述定性数据对应的第一评估系数，包括：
获取第三目标数据，所述第三目标数据为所述定量数据集中与所述定性数据对应的定量数据；
计算所述第三目标数据与所述第三目标数据对应的预设数据值范围的差值百分比；
根据所述差值百分比所在的预设区间确定所述第三目标数据对应的第二评估系数；
根据所述第二评估系数计算所述定性数据对应的第一评估系数。
第二方面，本申请实施例提供了一种信息查找装置，包括：
获取单元，用于获取目标事件的定量数据集，所述定量数据集中包括至少一个定量数据；
评估单元，用于将所述定量数据集输入到训练后到评估模型，输出第一评估值；
转换单元，用于若所述第一评估值大于预设阈值，则根据所述定量数据集转换得到所述目标事件的定性数据集，所述定性数据集中包括至少一个定性数据；
查找单元，用于从预设知识库中查找与所述定性数据集相匹配的目标内容，其中，所述目标内容为基于所述定量数据集对所述目标事件的注解信息。
第三方面，本申请实施例提供了一种终端设备，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上述第一方面中任一项所述的信息查找方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，本申请实施例提供了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上述第一方面中任一项所述的信息查找方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的信息查找方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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是本申请实施例提供的信息查找方法的流程示意图；
图2是本申请另一实施例提供的信息查找方法的流程示意图；
图3是本申请实施例提供的信息查找装置的结构框图
图4是本申请实施例提供终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。
参见图1，是本申请实施例提供的信息查找方法的流程示意图，作为示例而非限定，所述方法可以包括以下步骤：
S101，获取目标事件的定量数据集，定量数据集中包括至少一个定量数据。
定量数据为定量指标对应的数据。定性数据是指不能直接量化而需通过其他途径实现量化的评估指标。目标事件是指需要根据定量数据获得可解释内容的事件。
示例性的，在医疗领域的一个应用场景中，目标事件可以是用药风险分析。相应的，目标事件的定量数据集中可以包括如病状、历史用药剂量和影像学检查结果等数据。例如，定量数据为白细胞含量(4.0～10.0)x10/L。目标事件的定性数据可以为呼吸困难、心脏衰竭等病征，这些病症可以通过每分钟呼吸次数、心脏跳动频率等定量数据评估得出。
在天气预警的一个应用场景中，定量数据可以为气温、风向和风力等数据，定性数据可以为大风、暴雨、闪电等天气现象，这些天气现象可以通过气温、风向、风力和降水量等定量数据评估得出。
S102，将定量数据集输入到训练后到评估模型，输出第一评估值。
实际应用中，评估模型可以是神经网络模型、分类模型(如聚类模型)等等。
可选的，可以预先训练评估模型。具体的：获取多组训练数据，每组训练数据中包括评估值和该评估值对应的一个定量数据集；将多组训练数据输入到预设的评估模型中进行训练；当训练精度达到预设精度时，获得训练后的评估模型。
示例性的，当预设的评估模型为神经网络模型时，评估模型可以包括特征提取层、分类层和归一化层。特征提取层用于提取输入数据的特征向量；分类层用于根据特征向量进行分类；归一化层用于将分类结果归一化到某个数据区间(例如0-100)。归一化层输出的数据即为评估值。
以用药风险分析应用场景为例，评估值为患者当前身体状况(患病)下，服用对应药物会给身体带来的负面影响对应的量化数值。例如，评估值的取值范围为0到100。当评估值小于50时，表示用药风险较低，即患者当前身体状态下服用对应药物带来的负面影响较小；当评估值大于50时，表示用于风险较高，即患者当前身体状态下服用对应药物带来的负面影响较大。
以天气预警应用场景为例，评估值可以为降雨/雪概率、降雨量等量化数值。例如，评估值表示降雨概率，且评估值的取值范围为0到100。当评估值小于50时，表示降雨概率较低；当评估值大50时，表示降雨概率较高。
S103，若第一评估值大于预设阈值，则根据定量数据集转换得到目标事件的定性数据集，定性数据集中包括至少一个定性数据。
如上述示例所示，可以为第一评估值设定一个预设阈值。仍以用药风险分析应用场景为例，当第一评估值超过预设阈值时，表示用药风险较高，即患者当前身体状态下，服用对应药物带来的负面影响较大，此时需要进一步分析负面影响是什么、产生负面影响的原因是什么等信息。
实际应用中，影响第一评估值的定量数据较多，如果将每个定量数据均转换为定性指标，数据处理量较大。为了减少数据量，提高数据处理效率，可以从定量数据中选取决策占比较大的定量数据。
在一个实施例中，S103可以包括：
I、若第一评估值大于预设阈值，则从定量数据集中确定出第一目标数据。可选的，从定量数据集中确定出第一目标数据的一种实现方式为：
将定量数据集中满足预设条件的定量数据记为第二目标数据，根据第二目标数据确定第一目标数据。其中，预设条件为：定量数据超出该定量数据对应的预设数值范围。
预设数值范围用于表示正常情况下定量数据的数据范围。示例性的，假设血压为140(定量数据)，血压对应的预设数值范围为90-120，即血压140超出了血压的预设数值范围，则将血压140确定为第二目标数据。
可选的，从定量数据集中确定出第一目标数据的另一种实现方式为：
剔除定量数据中的最大值和最小值，得到剔除后的定量数据；计算剔除后的定量数据的统计值；将剔除后的定量数据中大于统计值的数据记为第二目标数据；根据第二目标数据确定第一目标数据。
其中，统计值可以为平均值、均方差、标准差、中位数等用于表示剔除后的定量数据的平均水平的数值。
进一步的，根据第二目标数据确定第一目标数据的一种实现方式为：将第二目标数据均记为第一目标数据。
为了进一步提取决策占比较大的定量数据，可选的，根据第二目标数据确定第一目标数据的另一种实现方式为：将第二目标数据按照从大到小的顺序排序，获得数据序列；将数据序列中前N个第二目标数据确定为第一目标数据，其中，N为正整数。
II、根据第一目标数据转换得到所述定性数据集。
可选的，步骤II的一种实现方式为：
获取预设字典，预设字典中包括多个定量数据各自对应的定性数据；从预设字典中获取第一目标数据对应的定性数据。
预设字典可以为根据专业相关文献构建的数据库。例如，在用药风险分析应用场景中，预设字典可以为根据医学指南或医学文献等构建的数据库。
示例性的，假设病例中有定量指标A＝100，B＝80，C＝20；A、B、C可以作为评估模型的入参。已知D、E、F为预设知识库中的风险因素。预设字典中规定当A>50、B>50可认为发生了D，当A>50、C<50，发生了E，当75<B<85时，不发生F。那么评估模型的入参A、B、C三种定量数据就可以转义为预设知识库的入参，也就是定性数据D、E、非F。当评估模型计算出风险指数(即评估值)为70，代表用药风险高危的结论时，可进一步判断哪些定量指标发挥了较高的决策权重。假设A、B达到了决策权重的阈值，具有高逻辑权重时，那么由A>50、B>50(即定量数据)可认为发生了D(即定性数据)，以及当75<B<85时不发生F可知，D、非F这两个定性数据是预设知识库的关键风险因素。
S104，从预设知识库中查找与定性数据集相匹配的目标内容，其中，目标内容为基于定量数据集对目标事件的注解信息。
在用药风险分析的应用场景中，目标事件的注解信息可以包括用药后果、治疗建议、来源出处、是否可干预等全面的可解释性内容。在其他应用场景中，目标事件的注解信息可以为用于对定性数据的含义、内容等的解释性内容。例如，在天气预警应用场景中，注解信息可以包括造成天气类型(雨雪、冰雹、大风等)的原因、危害、预防措施和出行建议等。
在本申请实施例中，预设知识库是根据专家知识等建立的规则库。预设知识库中包括实体、实体属性和实体间的关系，例如：风险因素(实体)对应的导致后果(实体)和治疗建议(实体)，这三个实体之间的对应关系即为实体间的关系。
预设知识库中的实体的名称和预设字典中的定性数据的名称可能存在不一致的情况。例如：预设知识库中的实体名称为“呼吸困难”，而预设字典中的定性数据的名称为“呼吸急促”或“呼吸频率较高”等。但两者表达意思相近。如果按照预设字典中的定性数据的名称，可能在预设知识库中查找不到相同的实体。
为了解决上述问题，提高信息查找的准确度，在一个实施例中，S104可以包括：
对于定性数据集中的每个定性数据，在预设知识库中查找与定性数据相匹配的目标实体；计算定性数据与目标实体之间的相似度；若相似度大于预设相似度，则将预设知识库中目标实体的关联实体确定为目标内容。
在本申请实施例中，相似度可以用编辑距离、余弦距离、马氏距离、欧式距离等数据表示，在此不做任何限定。
优选的，目标实体与定性数据至少一个字符或汉字相同。
本申请实施例中，通过训练后的评估模型先对定量数据进行评估，当定量数据满足评估条件时，再将定量数据转换为定性数据，相当于对定量数据进行了初步筛选。通常根据定量数据无法直接获得对目标事件的注解内容，本申请实施例中，通过将定量数据转换为定性数据，再从预设知识库中查找与定性数据相匹配的目标内容，以实现获取对目标事件的注解内容的目的。通过上述方法，用户可以根据定量数据获取目标事件的注解内容，无需人工查找，节约了信息的查找时间，提高了查找效率；另外，将评估模型和知识库相结合，有效提高了信息查找的准确度。
参见图2，是本申请另一实施例提供的信息查找方法的流程示意图。如图3所示，所述方法可以包括以下步骤：
S201，获取目标事件的定量数据集，定量数据集中包括至少一个定量数据。
S202，将定量数据集输入到训练后到评估模型，输出第一评估值。
S203，若第一评估值大于预设阈值，则根据定量数据集转换得到目标事件的定性数据集，定性数据集中包括至少一个定性数据。
S201-S202与S101-S102相同，具体可参见S101-S102的描述，在此不再赘述。
S204，计算定性数据集中每个定性数据对应的第一评估系数。
在一个实施例中，S204包括：
获取第三目标数据，第三目标数据为定量数据集中与定性数据对应的定量数据；计算第三目标数据与第三目标数据对应的预设数据值范围的差值百分比；根据差值百分比所在的预设区间确定第三目标数据对应的第二评估系数；根据第二评估系数计算定性数据对应的第一评估系数。
示例性的，定性数据为血压高，定性数据对应的定量数据为血压150，其正常阈值为90-120。计算出的差值百分比为(150-120)/120＝25％。预设区间为0-20％(对应的评估系数为1)，20％-50％(对应的评估系数为2)，>50％(对应的评估系数为3)。根据预设区间确定出定量数据对应的第二评估系数为2。由于该定性数据只对应一个定量数据，因此，该定性数据的第一评估系数为2。
若一个定性数据对应多个定量数据，可以计算多个定量数据各自对应的第二评估系数的平均值，将平均值所属的预设区间对应的评估系数确定为定性数据对应的第一评估系数。当然，还可以计算多个定量数据各自对应的第二评估系数的中位数、标准差等其他统计数据。还可以计算多个定量数据的加权和，将加权和作为定性数据对应的第一评估系数。
示例性的，定性数据为暴雨天气，定性数据对应的第一个定量数据为降雨量200毫米，其正常阈值为10-50毫米。计算出的差值百分比为(200-50)/50＝300％。降雨量对应的预设区间为0-100％(对应评估系数为1)，100％-200％(对应评估系数为2)，200％-300％(对应评估系数为3)，根据预设区间确定出的降雨量的第二评估系数为3。定性数据对应的第二个定量数据为空气相对湿度70％，其正常阈值为49％-51％。计算出的差值百分比为(70％-51％)/51％＝37％。空气相对湿度对应的预设区间为0-50％(对应的评估系数为1)，50％-100％(对应的评估系数为2)，根据预设区间确定出的空气相对湿度的第二评估系数为1。由上，定性数据的第一评估系数为3×α+1×β，其中，α为降雨量对应的权值，β为空气相对湿度对应的权值。例如，当α＝0.9，β＝0.1时，计算出的第一评估系数为2.8。
S205，根据第一评估系数计算第二评估值。
可选的，可以将多个定性数据各自对应的第一评估系数加权求和，得到第二评估值。
S206，根据第二评估值对评估模型进行校准。
由于第一评估值和第二评估值的数据值范围可能不同，因此，S206还可以包括：
将第一评估值和第二评估值分别映射到同一个数值范围；根据映射后的第一评估值和映射后的第二评估值对评估模型进行校准。
在本申请实施例中，利用转换后的定性数据计算出的评估值对评估模型进行校准，不断地更新评估模型，能够有效提高评估模型对定量数据评估结果的准确度，进而有利于提高信息查找结果的准确度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的信息查找方法，图3是本申请实施例提供的信息查找装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图3，该装置包括：
获取单元31，用于获取目标事件的定量数据集，所述定量数据集中包括至少一个定量数据。
评估单元32，用于将所述定量数据集输入到训练后到评估模型，输出第一评估值。
转换单元33，用于若所述第一评估值大于预设阈值，则根据所述定量数据集转换得到所述目标事件的定性数据集，所述定性数据集中包括至少一个定性数据。
查找单元34，用于从预设知识库中查找与所述定性数据集相匹配的目标内容，其中，所述目标内容为基于所述定量数据集对所述目标事件的注解信息。
可选的，转换单元33还用于：
若所述第一评估值大于预设阈值，则从所述定量数据集中确定出第一目标数据；根据所述第一目标数据转换得到所述定性数据集。
可选的，转换单元33还用于：
将所述定量数据集中满足预设条件的定量数据记为第二目标数据，其中，所述预设条件为所述定量数据超出所述定量数据对应的预设数值范围；根据所述第二目标数据确定所述第一目标数据。
可选的，转换单元33还用于：
将所述第二目标数据按照从大到小的顺序排序，获得数据序列；将所述数据序列中前N个所述第二目标数据确定为所述第一目标数据，其中，所述N为正整数。
可选的，转换单元33还用于：
获取预设字典，所述预设字典中包括多个定量数据各自对应的定性数据；从所述预设字典中获取所述第一目标数据对应的所述定性数据。
可选的，所述预设知识库中包括多个实体、以及每个实体的关联实体。
可选的，查找单元34还用于：
对于所述定性数据集中的每个所述定性数据，在所述预设知识库中查找与所述定性数据相匹配的目标实体；计算所述定性数据与所述目标实体之间的相似度；若所述相似度大于预设相似度，则将所述预设知识库中所述目标实体的关联实体确定为所述目标内容。
可选的，装置3还包括：
校准单元35，用于在若所述第一评估值大于预设阈值，则根据所述定量数据集转换得到所述目标事件的定性数据之后，计算所述定性数据集中每个所述定性数据对应的第一评估系数；根据所述第一评估系数计算第二评估值；根据所述第二评估值对所述评估模型进行校准。
可选的，校准单元35还用于：
获取第三目标数据，所述第三目标数据为所述定量数据集中与所述定性数据对应的定量数据；计算所述第三目标数据与所述第三目标数据对应的预设数据值范围的差值百分比；根据所述差值百分比所在的预设区间确定所述第三目标数据对应的第二评估系数；根据所述第二评估系数计算所述定性数据对应的第一评估系数。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
另外，图3所示的信息查找装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元，也可以作为独立的挂件集成到所述终端设备中，还可以作为独立的终端设备存在。
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。实施例中的各功能单元、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，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
图4是本申请实施例提供的终端设备的结构示意图。如图4所示，该实施例的终端设备4包括：至少一个处理器40(图4中仅示出一个)处理器、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42，所述处理器40执行所述计算机程序42时实现上述任意各个信息查找方法实施例中的步骤。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，图4仅仅是终端设备4的举例，并不构成对终端设备4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，例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，该处理器40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)、现成可编程门阵列(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。
所述存储器41在一些实施例中可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了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，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的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，本申请实现上述实施例方法中的全部或部分流程，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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序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至少可以包括：能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种信息查找方法，其特征在于，包括：
获取目标事件的定量数据集，所述定量数据集中包括至少一个定量数据；
将所述定量数据集输入到训练后到评估模型，输出第一评估值；
若所述第一评估值大于预设阈值，则根据所述定量数据集转换得到所述目标事件的定性数据集，所述定性数据集中包括至少一个定性数据；
从预设知识库中查找与所述定性数据集相匹配的目标内容，其中，所述目标内容为基于所述定量数据集对所述目标事件的注解信息。
2.如权利要求1所述的信息查找方法，其特征在于，所述若所述第一评估值大于预设阈值，则根据所述定量数据集转换得到所述目标事件的定性数据集，包括：
若所述第一评估值大于预设阈值，则从所述定量数据集中确定出第一目标数据；
根据所述第一目标数据转换得到所述定性数据集。
3.如权利要求2所述的信息查找方法，其特征在于，所述若所述第一评估值大于预设阈值，则从所述定量数据集中确定出第一目标数据，包括：
将所述定量数据集中满足预设条件的定量数据记为第二目标数据，其中，所述预设条件为所述定量数据超出所述定量数据对应的预设数值范围；
根据所述第二目标数据确定所述第一目标数据。
4.如权利要求3所述的信息查找方法，其特征在于，所述根据所述第二目标数据确定所述第一目标数据，包括：
将所述第二目标数据按照从大到小的顺序排序，获得数据序列；
将所述数据序列中前N个所述第二目标数据确定为所述第一目标数据，其中，所述N为正整数。
5.如权利要求2所述的信息查找方法，其特征在于，所述根据所述第一目标数据转换得到所述定性数据集，包括：
获取预设字典，所述预设字典中包括多个定量数据各自对应的定性数据；
从所述预设字典中获取所述第一目标数据对应的所述定性数据。
6.如权利要求1所述的信息查找方法，其特征在于，所述预设知识库中包括多个实体、以及每个实体的关联实体；
所述从预设知识库中查找与所述定性数据集相匹配的目标内容，包括：
对于所述定性数据集中的每个所述定性数据，在所述预设知识库中查找与所述定性数据相匹配的目标实体；
计算所述定性数据与所述目标实体之间的相似度；
若所述相似度大于预设相似度，则将所述预设知识库中所述目标实体的关联实体确定为所述目标内容。
7.如权利要求1所述的信息查找方法，其特征在于，在若所述第一评估值大于预设阈值，则根据所述定量数据集转换得到所述目标事件的定性数据之后，所述方法还包括：
计算所述定性数据集中每个所述定性数据对应的第一评估系数；
根据所述第一评估系数计算第二评估值；
根据所述第二评估值对所述评估模型进行校准。
8.如权利要求7所述的信息查找方法，其特征在于，所述计算所述定性数据集中每个所述定性数据对应的第一评估系数，包括：
获取第三目标数据，所述第三目标数据为所述定量数据集中与所述定性数据对应的定量数据；
计算所述第三目标数据与所述第三目标数据对应的预设数据值范围的差值百分比；
根据所述差值百分比所在的预设区间确定所述第三目标数据对应的第二评估系数；
根据所述第二评估系数计算所述定性数据对应的第一评估系数。
9.一种终端设备，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8任一项所述的方法。
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8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110913434.0A CN113626461B (zh) | 2021-08-10 | 2021-08-10 | 信息查找方法、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110913434.0A CN113626461B (zh) | 2021-08-10 | 2021-08-10 | 信息查找方法、终端设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113626461A true CN113626461A (zh) | 2021-11-09 |
| CN113626461B CN113626461B (zh) | 2024-02-13 |
Family
ID=78384070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110913434.0A Active CN113626461B (zh) | 2021-08-10 | 2021-08-10 | 信息查找方法、终端设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113626461B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10146751B1 (en) * | 2014-12-31 | 2018-12-04 | Guangsheng Zhang | Methods for information extraction, search, and structured representation of text data |
| US10163144B1 (en) * | 2014-09-05 | 2018-12-25 | Amazon Technologies, Inc. | Extracting data from a catalog |
| CN109522746A (zh) * | 2018-11-07 | 2019-03-26 | 平安医疗健康管理股份有限公司 | 一种数据处理方法、电子设备及计算机存储介质 |
| CN110490419A (zh) * | 2019-07-19 | 2019-11-22 | 珠海市岭南大数据研究院 | 公交信息数据的处理方法、装置、计算机设备和存储介质 |
| CN111815986A (zh) * | 2020-09-02 | 2020-10-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通事故预警方法、装置、终端设备及存储介质 |
| CN112148843A (zh) * | 2020-11-25 | 2020-12-29 | 中电科新型智慧城市研究院有限公司 | 文本处理方法、装置、终端设备和存储介质 |
| CN112487021A (zh) * | 2020-11-26 | 2021-03-12 | 中国人寿保险股份有限公司 | 业务数据的关联分析方法、装置及设备 |
-
2021
- 2021-08-10 CN CN202110913434.0A patent/CN113626461B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10163144B1 (en) * | 2014-09-05 | 2018-12-25 | Amazon Technologies, Inc. | Extracting data from a catalog |
| US10146751B1 (en) * | 2014-12-31 | 2018-12-04 | Guangsheng Zhang | Methods for information extraction, search, and structured representation of text data |
| CN109522746A (zh) * | 2018-11-07 | 2019-03-26 | 平安医疗健康管理股份有限公司 | 一种数据处理方法、电子设备及计算机存储介质 |
| CN110490419A (zh) * | 2019-07-19 | 2019-11-22 | 珠海市岭南大数据研究院 | 公交信息数据的处理方法、装置、计算机设备和存储介质 |
| CN111815986A (zh) * | 2020-09-02 | 2020-10-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通事故预警方法、装置、终端设备及存储介质 |
| CN112148843A (zh) * | 2020-11-25 | 2020-12-29 | 中电科新型智慧城市研究院有限公司 | 文本处理方法、装置、终端设备和存储介质 |
| CN112487021A (zh) * | 2020-11-26 | 2021-03-12 | 中国人寿保险股份有限公司 | 业务数据的关联分析方法、装置及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113626461B (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112258093B (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
| CN110781298B (zh) | 药品分类方法、装置、计算机设备及存储介质 | |
| CN111898366B (zh) | 文献主题词聚合方法、装置、计算机设备及可读存储介质 | |
| CN110991170B (zh) | 基于电子病历信息的中文疾病名称智能标准化方法与系统 | |
| CN111274365A (zh) | 基于语义理解的智能问诊方法、装置、存储介质及服务器 | |
| CN111709233A (zh) | 基于多注意力卷积神经网络的智能导诊方法及系统 | |
| CN107193919A (zh) | 一种电子病历的检索方法及系统 | |
| CN111161814A (zh) | 一种基于卷积神经网络的DRGs自动分组方法 | |
| CN112365939B (zh) | 一种基于医疗健康大数据的数据治理方法及系统 | |
| CN110910991B (zh) | 一种医用自动图像处理系统 | |
| CN111326236A (zh) | 一种医疗图像自动处理系统 | |
| CN114358001A (zh) | 诊断结果的标准化方法及其相关装置、设备和存储介质 | |
| CN107480426B (zh) | 自迭代病历档案聚类分析系统 | |
| CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
| CN115438040A (zh) | 一种病理档案信息管理方法及系统 | |
| WO2022267167A1 (zh) | 文本类型智能识别方法、装置、设备及介质 | |
| CN117370565A (zh) | 一种信息检索方法及系统 | |
| CN113626461A (zh) | 信息查找方法、终端设备及计算机可读存储介质 | |
| CN116705310A (zh) | 围术期风险评估的数据集构建方法、装置、设备及介质 | |
| CN116244421A (zh) | 项目名称匹配的方法、装置、设备及可读存储介质 | |
| CN113704236A (zh) | 政务系统数据质量评估方法、装置、终端及存储介质 | |
| CN111797234A (zh) | 一种自然语言处理分类模型中多标签分布学习的方法和系统 | |
| CN113362151B (zh) | 金融业务的数据处理方法、装置、电子设备及存储介质 | |
| CN117573956B (zh) | 元数据管理方法、装置、设备及存储介质 | |
| CN114091463B (zh) | 地区工单乱点分析方法、装置、电子设备及可读存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20220916 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. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |