CN113707303A - 基于知识图谱的医疗问题解答方法、装置、设备及介质 - Google Patents
基于知识图谱的医疗问题解答方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113707303A CN113707303A CN202111004877.4A CN202111004877A CN113707303A CN 113707303 A CN113707303 A CN 113707303A CN 202111004877 A CN202111004877 A CN 202111004877A CN 113707303 A CN113707303 A CN 113707303A
- Authority
- CN
- China
- Prior art keywords
- user query
- entities
- entity
- original user
- relationship
- 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 48
- 238000000605 extraction Methods 0.000 claims abstract description 67
- 230000015654 memory Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 206010057190 Respiratory tract infections Diseases 0.000 description 30
- 206010046306 Upper respiratory tract infection Diseases 0.000 description 30
- 239000003814 drug Substances 0.000 description 24
- 229940079593 drug Drugs 0.000 description 20
- RXZBMPWDPOLZGW-XMRMVWPWSA-N (E)-roxithromycin Chemical compound O([C@@H]1[C@@H](C)C(=O)O[C@@H]([C@@]([C@H](O)[C@@H](C)C(=N/OCOCCOC)/[C@H](C)C[C@@](C)(O)[C@H](O[C@H]2[C@@H]([C@H](C[C@@H](C)O2)N(C)C)O)[C@H]1C)(C)O)CC)[C@H]1C[C@@](C)(OC)[C@@H](O)[C@H](C)O1 RXZBMPWDPOLZGW-XMRMVWPWSA-N 0.000 description 16
- 229960005224 roxithromycin Drugs 0.000 description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 14
- 230000006870 function Effects 0.000 description 14
- 208000024891 symptom Diseases 0.000 description 14
- 201000010099 disease Diseases 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 208000020029 respiratory tract infectious disease Diseases 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 208000036071 Rhinorrhea Diseases 0.000 description 4
- 206010039101 Rhinorrhoea Diseases 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 206010012601 diabetes mellitus Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- 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
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
- G06F40/216—Parsing using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Human Computer Interaction (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于知识图谱的医疗问题解答方法，包括：利用预设的实体关系联合抽取模型对原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系，将原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果，根据实体、实体之间的关系以及意图识别结果对原始用户查询语句进行场景分类，得到原始用户查询语句对应的场景类别，根据场景类别在预构建的医疗知识图谱中索引出原始用户查询语句对应的答案。此外，本发明还涉及区块链技术，意图识别结果可存储于区块链的节点。本发明还提出一种基于知识图谱的医疗问题解答装置、电子设备以及存储介质。本发明可以提高医疗问题解答的准确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于知识图谱的医疗问题解答方法、装置、电子设备及计算机可读存储介质。
背景技术
互联网的快速发展，极大的降低了用户访问互联网的门槛，随之出现了大量的医疗相关的搜索需求。针对这些搜索需求，衍生出了医疗智能问答服务。医疗智能问答是指根据用户的医疗提问，自动的搜索、加工、处理后得到能回答用户提问的答案。
现有的对医疗问题进行解答的方法通常是基于用户搜索的单个实体信息，而对于多个实体或者带有特定意图的搜索查询语句，无法给出有效且精准的检索结果。
发明内容
本发明提供一种基于知识图谱的医疗问题解答方法、装置及计算机可读存储介质，其主要目的在于解决进行医疗问题解答的准确度较低的问题。
为实现上述目的，本发明提供的一种基于知识图谱的医疗问题解答方法，包括：
获取原始用户查询语句，利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系；
将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果；
根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别；
获取预构建的医疗知识图谱，根据所述场景类别在所述医疗知识图谱中索引出所述原始用户查询语句对应的答案。
可选地，所述利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系，包括：
利用所述实体关系联合抽取模型中的共享编码层对所述原始用户查询语句进行编码处理，得到原始编码数据；
将所述原始编码数据输入至所述实体关系联合抽取模型中的实体识别模块中进行实体识别，得到一个或者多个实体；
将所述多个实体输入至所述实体关系联合抽取模型中的关系抽取模块中，得到实体之间的关系。
可选地，所述将所述原始编码数据输入至所述实体关系联合抽取模型中的实体识别模块中进行实体识别，得到一个或者多个实体，包括：
通过所述实体识别模块中的输入门计算所述原始编码数据的状态值；
利用所述实体识别模块中的遗忘门计算所述原始编码数据的激活值；
根据所述状态值和所述激活值计算所述原始编码数据的状态更新值；
利用所述输出门计算所述状态更新值对应的初始文本序列；
将所述初始文本序列输入至全连接层中计算得到对应的发射概率，并采用CRF层计算预设标签对应的转移概率；
根据所述转移概率和所述发射概率对所述初始文本序列进行标记，得到一个或者多个实体。
可选地，所述通过所述实体识别模块中的输入门计算所述原始编码数据的状态值，包括：
利用如下计算公式计算所述原始编码数据的状态值：
其中，it表示状态值，
表示输入门中细胞单元的偏置，wi表示输入门的激活因子，ht-1表示原始编码数据在输入门t-1时刻的峰值，xt表示在t时刻的原始编码数据，bi表示输入门中细胞单元的权重。
可选地，所述将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果，包括：
利用所述意图识别模型的输入层对所述原始用户查询语句进行向量化处理，得到用户查询向量；
利用所述意图识别模型的卷积层对所述用户查询向量进行卷积处理，得到卷积数据集；
将所述卷积数据集输入至所述意图识别模型中的池化层及全连接层中，得到分类结果；
利用预设的意图识别标签对所述分类结果进行标记，得到意图识别结果。
可选地，所述获取预构建的医疗知识图谱，包括：
获取医疗相关数据，对所述医疗相关数据进行结构化处理，得到结构化数据；
对所述结构化数据进行实体抽取得到实体信息，对所述结构化数据进行关系抽取得到相关关系；
根据所述实体信息和所述相关关系构建得到多个三元组，并利用所述多个三元组得到医疗知识图谱。
可选地，所述根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别，包括：
将所述实体之间的关系为无关系且所述意图识别结果为无意图的原始用户查询语句对应的场景类别归为第一场景；
将所述实体之间的关系为无关系且所述意图识别结果为有意图的原始用户查询语句对应的场景类别归为第二场景；
将所述实体之间的关系为有关系且所述意图识别结果为有意图的原始用户查询语句对应的场景类别归为第三场景。
为了解决上述问题，本发明还提供一种基于知识图谱的医疗问题解答装置，所述装置包括：
实体关系抽取模块，用于获取原始用户查询语句，利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系；
意图识别模块，用于将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果；
场景分类模块，用于根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别；
答案索引模块，用于获取预构建的医疗知识图谱，根据所述场景类别在所述医疗知识图谱中索引出所述原始用户查询语句对应的答案。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的基于知识图谱的医疗问题解答方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于知识图谱的医疗问题解答方法。
本发明实施例通过利用预设的实体关系联合抽取模型对原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系，实体关系更体现出语义信息，将原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果，确定了用户的意图，提高后续问题解答的精确度，根据实体、实体之间的关系以及意图识别结果对原始用户查询语句进行场景分类，根据场景类别在医疗知识图谱中索引出所述原始用户查询语句对应的答案，所述医疗知识图谱中医疗知识的关联性较强，且根据场景类别进行索引，可以更准确的提取出医疗问题对应的答案。因此本发明提出的基于知识图谱的医疗问题解答方法、装置、电子设备及计算机可读存储介质，可以解决进行医疗问题解答时的准确度较低的问题。
附图说明
图1为本发明一实施例提供的基于知识图谱的医疗问题解答方法的流程示意图；
图2为本发明一实施例提供的基于知识图谱的医疗问题解答装置的功能模块图；
图3为本发明一实施例提供的实现所述基于知识图谱的医疗问题解答方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于知识图谱的医疗问题解答方法。所述基于知识图谱的医疗问题解答方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于知识图谱的医疗问题解答方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDeliveryNetwork，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于知识图谱的医疗问题解答方法的流程示意图。在本实施例中，所述基于知识图谱的医疗问题解答方法包括：
S1、获取原始用户查询语句，利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系。
本发明实施例中，所述原始用户查询语句为患者想要查询医疗问题的询问语句，例如，所述原始用户查询语句为：“上呼吸道感染”、“上呼吸道感染和感冒的区别”或者“上呼吸道感染可以吃罗红霉素吗”。
具体地，所述利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系，包括：
利用所述实体关系联合抽取模型中的共享编码层对所述原始用户查询语句进行编码处理，得到原始编码数据；
将所述原始编码数据输入至所述实体关系联合抽取模型中的实体识别模块中进行实体识别，得到一个或者多个实体；
将所述多个实体输入至所述实体关系联合抽取模型中的关系抽取模块中，得到实体之间的关系。
详细地，所述实体关系联合抽取模型中包含共享编码层、实体识别模块和关系抽取模块，其中，所述共享编码层为Embedding层，可以利用Bert模型作为所述共享编码层，即利用Bert模型作为Embedding层，所述实体识别模块由Bi-LSTM和CRF层构成，所述关系抽取模块由全连接层和Sigmoid函数构成。
其中，对所述原始用户查询语句进行编码处理，可以增强所述原始用户查询语句的特征表征能力。
进一步地，所述将所述原始编码数据输入至所述实体关系联合抽取模型中的实体识别模块中进行实体识别，得到一个或者多个实体，包括：
通过所述实体识别模块中的输入门计算所述原始编码数据的状态值；
利用所述实体识别模块中的遗忘门计算所述原始编码数据的激活值；
根据所述状态值和所述激活值计算所述原始编码数据的状态更新值；
利用所述输出门计算所述状态更新值对应的初始文本序列；
将所述初始文本序列输入至全连接层中计算得到对应的发射概率，并采用CRF层计算预设标签对应的转移概率；
根据所述转移概率和所述发射概率对所述初始文本序列进行标记，得到一个或者多个实体。
详细地，所述实体识别模块由Bi-LSTM和CRF层构成，其中，所述Bi-LSTM(LongShort-Term Memory，双向长短期记忆网络)是一种时间循环神经网络，包括：输入门、遗忘门以及输出门。
一可选实施例中，所述状态值的计算方法包括：
其中，it表示状态值，
表示输入门中细胞单元的偏置，wi表示输入门的激活因子，ht-1表示原始编码数据在输入门t-1时刻的峰值，xt表示在t时刻的原始编码数据，bi表示输入门中细胞单元的权重。
一可选实施例中，所述激活值的计算方法包括：
其中，ft表示激活值，
表示遗忘门中细胞单元的偏置，wf表示遗忘门的激活因子，
表示原始编码数据在所述遗忘门t-1时刻的峰值，xt表示在t时刻输入的原始编码数据，bf表示遗忘门中细胞单元的权重。
一可选实施例中，所述状态更新值的计算方法包括：
其中，ct表示状态更新值，ht-1表示原始编码数据在输入门t-1时刻的峰值，
表示原始编码数据在遗忘门t-1时刻的峰值。
一可选实施例中，所述利用输出门计算状态更新值对应的初始文本序列包括：利用如下公式计算初始文本序列：
ot＝tan h(ct)
其中，ot表示初始文本序列，tan h表示输出门的激活函数，ct表示状态更新值。
具体地，将所述多个实体输入至所述实体关系联合抽取模型中的关系抽取模块中，得到实体之间的关系，将所述原始编码数据、所述预设标签以及尾实体的相对位置信息进行拼接并传入全连接层，通过Sigmoid函数计算尾实体的起始位置的概率，最终通过解析得到(头实体，关系，尾实体)实体关系三元组。
S2、将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果。
本发明实施例中，所述将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果，包括：
利用所述意图识别模型的输入层对所述原始用户查询语句进行向量化处理，得到用户查询向量；
利用所述意图识别模型的卷积层对所述用户查询向量进行卷积处理，得到卷积数据集；
将所述卷积数据集输入至所述意图识别模型中的池化层及全连接层中，得到分类结果；
利用预设的意图识别标签对所述分类结果进行标记，得到意图识别结果。
其中，在本方案中，所述意图识别模型可以为Text-CNN深度学习模型。
详细地，所述意图识别模型由四个部分构成：输入层、卷积层、池化层和全连接层。所述输入层需要输入一个定长的文本序列，所述向量化处理可以采用word2vec、fastText或者Glove等词向量工具，也可以利用Bert模型进行处理。所述卷积层一般包含多个不同尺寸的的卷积核，卷积核只进行一维的滑动，即卷积核的宽度与向量的维度等宽。所述池化层使用了Max-pool，不仅减少所述意图识别模型的参数，又保证了在不定长的卷积层的输出上获得一个定长的全连接层的输入。所述全连接层的作用就是分类器，原始的Text-CNN模型使用了只有一层隐藏层的全连接网络，相当于把卷积与池化层提取的特征输入到一个LR分类器中进行分类。
例如，所述意图识别结果主要分为有意图和无意图，当所述意图识别结果为有意图时，识别的意图可以为并发症、相关症状、推荐药品、是否可以等多个意图类型。
S3、根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别。
本发明实施例中，由于所述原始用户查询语句中可能识别出一个实体或者多个实体，实体和实体之间可能存在关系或者存在特定意图，根据所述实体及实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类。
具体地，所述根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别，包括：
将所述实体之间的关系为无关系且所述意图识别结果为无意图的原始用户查询语句对应的场景类别归为第一场景；
将所述实体之间的关系为无关系且所述意图识别结果为有意图的原始用户查询语句对应的场景类别归为第二场景；
将所述实体之间的关系为有关系且所述意图识别结果为有意图的原始用户查询语句对应的场景类别归为第三场景。
例如，所述原始用户查询语句“上呼吸道感染”属于单个或多个实体无关系且无意图，因此将其归为第一场景，所述原始用户查询语句“上呼吸道感染和感冒的区别”无关系且有意图，因此将其归为第二场景，所述原始用户查询语句“上呼吸道感染可以吃罗红霉素吗”有关系且有意图，因此将其归为第三场景。
详细地，根据所述实体、实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，更关注于用户的语义信息，包括所述原始用户查询语句中的实体和实体之间的关系及检索意图。
S4、获取预构建的医疗知识图谱，根据所述场景类别在所述医疗知识图谱中索引出所述原始用户查询语句对应的答案。
本发明实施例中，所述获取预构建的医疗知识图谱，所述方法还包括：
获取医疗相关数据，对所述医疗相关数据进行结构化处理，得到结构化数据；
对所述结构化数据进行实体抽取得到实体信息，对所述结构化数据进行关系抽取得到相关关系；
根据所述实体信息和所述相关关系构建得到多个三元组，并利用所述多个三元组得到医疗知识图谱。
详细地，所述医疗相关数据包含医疗相关的大量数据，例如，常见的疾病名称、对应的疾病症状、治疗的药品、疾病的案例、相关检查和用药说明等。对所述医疗相关数据进行结构化处理即对所述医疗相关数据进行定义，得到结构化数据。
例如，所述医疗相关数据中包含上呼吸道感染、感冒、糖尿病、罗红霉素等，将上呼吸道感染、感冒和糖尿病定义为疾病，将罗红霉素定义为药品。
具体地，所述实体信息包括但不限于医疗实体、医疗属性实体等，常见的医疗实体，如疾病、症状、药品、治疗手段、检查检验等，常见的医学属性，如概述、病因、病症、就医、治疗、用药说明、药品功效等。所述相关信息如常见并发症、典型症状、就诊科室、推荐药品、相关检查等。
进一步地，本发明实施例中，根据所述实体信息和所述相关关系构建得到多个三元组，并利用所述多个三元组得到医疗知识图谱。所述三元组为“实体+关系＝实体”的信息表现形式，例如：感冒的症状是流鼻涕，用三元组表示为“感冒+症状＝流鼻涕”。上呼吸道感染可以吃罗红霉素，用三元组表示为“上呼吸道感染+药品＝罗红霉素”。
本发明实施例中，根据所述医疗相关数据构建医疗知识图谱，可直观地反映出所述医疗知识图谱中多个实体之间的相关关系，提高了利用所述医疗知识图谱进行进一步分析的效率。将医疗知识图谱作为医疗信息检索的底层数据支撑，不仅可以依赖医疗知识图谱庞大的关系网络检索到更广泛更精准的医疗信息，而且可以将各类相关信息进行有效关联，使得检索结果更为全面。
具体地，根据所述场景类别在所述医疗知识图谱中索引出所述原始用户查询语句对应的答案。针对所述原始用户查询语句的三种情况，返回情况分别为：在第一场景下用户输入“上呼吸道感染”，检索出当前所有实体对应的关系以内的所有实体及实体属性，并按实体类别区分，如包括并发症、症状、药品、问答、案例、视频文章等。在第二场景下用户输入“上呼吸道感染和感冒的区别”，检索出上“呼吸道感染”和“感冒”实体相同属性的对比。在第一场景下用户输入“上呼吸道感染可以吃罗红霉素吗”，在所述医疗知识图谱中查询疾病“上呼吸道感染”和药品“罗红霉素”之间的关系，并给出“上呼吸道感染”的推荐药品。
本发明实施例通过利用预设的实体关系联合抽取模型对原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系，实体关系更体现出语义信息，将原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果，确定了用户的意图，提高后续问题解答的精确度，根据实体、实体之间的关系以及意图识别结果对原始用户查询语句进行场景分类，根据场景类别在医疗知识图谱中索引出所述原始用户查询语句对应的答案，所述医疗知识图谱中医疗知识的关联性较强，且根据场景类别进行索引，可以更准确的提取出医疗问题对应的答案。因此本发明提出的基于知识图谱的医疗问题解答方法可以解决进行医疗问题解答时的准确度较低的问题。
如图2所示，是本发明一实施例提供的基于知识图谱的医疗问题解答装置的功能模块图。
本发明所述基于知识图谱的医疗问题解答装置100可以安装于电子设备中。根据实现的功能，所述基于知识图谱的医疗问题解答装置100可以包括实体关系抽取模块101、意图识别模块102、场景分类模块103及答案索引模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述实体关系抽取模块101，用于获取原始用户查询语句，利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系；
所述意图识别模块102，用于将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果；
所述场景分类模块103，用于根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别；
所述答案索引模块104，用于获取预构建的医疗知识图谱，根据所述场景类别在所述医疗知识图谱中索引出所述原始用户查询语句对应的答案。
详细地，所述基于知识图谱的医疗问题解答装置100各模块的具体实施方式如下：
步骤一、获取原始用户查询语句，利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系。
本发明实施例中，所述原始用户查询语句为患者想要查询医疗问题的询问语句，例如，所述原始用户查询语句为：“上呼吸道感染”、“上呼吸道感染和感冒的区别”或者“上呼吸道感染可以吃罗红霉素吗”。
具体地，所述利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系，包括：
利用所述实体关系联合抽取模型中的共享编码层对所述原始用户查询语句进行编码处理，得到原始编码数据；
将所述原始编码数据输入至所述实体关系联合抽取模型中的实体识别模块中进行实体识别，得到一个或者多个实体；
将所述多个实体输入至所述实体关系联合抽取模型中的关系抽取模块中，得到实体之间的关系。
详细地，所述实体关系联合抽取模型中包含共享编码层、实体识别模块和关系抽取模块，其中，所述共享编码层为Embedding层，可以利用Bert模型作为所述共享编码层，即利用Bert模型作为Embedding层，所述实体识别模块由Bi-LSTM和CRF层构成，所述关系抽取模块由全连接层和Sigmoid函数构成。
其中，对所述原始用户查询语句进行编码处理，可以增强所述原始用户查询语句的特征表征能力。
进一步地，所述将所述原始编码数据输入至所述实体关系联合抽取模型中的实体识别模块中进行实体识别，得到一个或者多个实体，包括：
通过所述实体识别模块中的输入门计算所述原始编码数据的状态值；
利用所述实体识别模块中的遗忘门计算所述原始编码数据的激活值；
根据所述状态值和所述激活值计算所述原始编码数据的状态更新值；
利用所述输出门计算所述状态更新值对应的初始文本序列；
将所述初始文本序列输入至全连接层中计算得到对应的发射概率，并采用CRF层计算预设标签对应的转移概率；
根据所述转移概率和所述发射概率对所述初始文本序列进行标记，得到一个或者多个实体。
详细地，所述实体识别模块由Bi-LSTM和CRF层构成，其中，所述Bi-LSTM(LongShort-Term Memory，双向长短期记忆网络)是一种时间循环神经网络，包括：输入门、遗忘门以及输出门。
一可选实施例中，所述状态值的计算方法包括：
其中，it表示状态值，
表示输入门中细胞单元的偏置，wi表示输入门的激活因子，ht-1表示原始编码数据在输入门t-1时刻的峰值，xt表示在t时刻的原始编码数据，bi表示输入门中细胞单元的权重。
一可选实施例中，所述激活值的计算方法包括：
其中，ft表示激活值，
表示遗忘门中细胞单元的偏置，wf表示遗忘门的激活因子，
表示原始编码数据在所述遗忘门t-1时刻的峰值，xt表示在t时刻输入的原始编码数据，bf表示遗忘门中细胞单元的权重。
一可选实施例中，所述状态更新值的计算方法包括：
其中，ct表示状态更新值，ht-1表示原始编码数据在输入门t-1时刻的峰值，
表示原始编码数据在遗忘门t-1时刻的峰值。
一可选实施例中，所述利用输出门计算状态更新值对应的初始文本序列包括：利用如下公式计算初始文本序列：
ot＝tan h(ct)
其中，ot表示初始文本序列，tan h表示输出门的激活函数，ct表示状态更新值。
具体地，将所述多个实体输入至所述实体关系联合抽取模型中的关系抽取模块中，得到实体之间的关系，将所述原始编码数据、所述预设标签以及尾实体的相对位置信息进行拼接并传入全连接层，通过Sigmoid函数计算尾实体的起始位置的概率，最终通过解析得到(头实体，关系，尾实体)实体关系三元组。
步骤二、将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果。
本发明实施例中，所述将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果，包括：
利用所述意图识别模型的输入层对所述原始用户查询语句进行向量化处理，得到用户查询向量；
利用所述意图识别模型的卷积层对所述用户查询向量进行卷积处理，得到卷积数据集；
将所述卷积数据集输入至所述意图识别模型中的池化层及全连接层中，得到分类结果；
利用预设的意图识别标签对所述分类结果进行标记，得到意图识别结果。
其中，在本方案中，所述意图识别模型可以为Text-CNN深度学习模型。
详细地，所述意图识别模型由四个部分构成：输入层、卷积层、池化层和全连接层。所述输入层需要输入一个定长的文本序列，所述向量化处理可以采用word2vec、fastText或者Glove等词向量工具，也可以利用Bert模型进行处理。所述卷积层一般包含多个不同尺寸的的卷积核，卷积核只进行一维的滑动，即卷积核的宽度与向量的维度等宽。所述池化层使用了Max-pool，不仅减少所述意图识别模型的参数，又保证了在不定长的卷积层的输出上获得一个定长的全连接层的输入。所述全连接层的作用就是分类器，原始的Text-CNN模型使用了只有一层隐藏层的全连接网络，相当于把卷积与池化层提取的特征输入到一个LR分类器中进行分类。
例如，所述意图识别结果主要分为有意图和无意图，当所述意图识别结果为有意图时，识别的意图可以为并发症、相关症状、推荐药品、是否可以等多个意图类型。
步骤三、根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别。
本发明实施例中，由于所述原始用户查询语句中可能识别出一个实体或者多个实体，实体和实体之间可能存在关系或者存在特定意图，根据所述实体及实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类。
具体地，所述根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别，包括：
将所述实体之间的关系为无关系且所述意图识别结果为无意图的原始用户查询语句对应的场景类别归为第一场景；
将所述实体之间的关系为无关系且所述意图识别结果为有意图的原始用户查询语句对应的场景类别归为第二场景；
将所述实体之间的关系为有关系且所述意图识别结果为有意图的原始用户查询语句对应的场景类别归为第三场景。
例如，所述原始用户查询语句“上呼吸道感染”属于单个或多个实体无关系且无意图，因此将其归为第一场景，所述原始用户查询语句“上呼吸道感染和感冒的区别”无关系且有意图，因此将其归为第二场景，所述原始用户查询语句“上呼吸道感染可以吃罗红霉素吗”有关系且有意图，因此将其归为第三场景。
详细地，根据所述实体、实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，更关注于用户的语义信息，包括所述原始用户查询语句中的实体和实体之间的关系及检索意图。
步骤四、获取预构建的医疗知识图谱，根据所述场景类别在所述医疗知识图谱中索引出所述原始用户查询语句对应的答案。
本发明实施例中，所述获取预构建的医疗知识图谱，所述方法还包括：
获取医疗相关数据，对所述医疗相关数据进行结构化处理，得到结构化数据；
对所述结构化数据进行实体抽取得到实体信息，对所述结构化数据进行关系抽取得到相关关系；
根据所述实体信息和所述相关关系构建得到多个三元组，并利用所述多个三元组得到医疗知识图谱。
详细地，所述医疗相关数据包含医疗相关的大量数据，例如，常见的疾病名称、对应的疾病症状、治疗的药品、疾病的案例、相关检查和用药说明等。对所述医疗相关数据进行结构化处理即对所述医疗相关数据进行定义，得到结构化数据。
例如，所述医疗相关数据中包含上呼吸道感染、感冒、糖尿病、罗红霉素等，将上呼吸道感染、感冒和糖尿病定义为疾病，将罗红霉素定义为药品。
具体地，所述实体信息包括但不限于医疗实体、医疗属性实体等，常见的医疗实体，如疾病、症状、药品、治疗手段、检查检验等，常见的医学属性，如概述、病因、病症、就医、治疗、用药说明、药品功效等。所述相关信息如常见并发症、典型症状、就诊科室、推荐药品、相关检查等。
进一步地，本发明实施例中，根据所述实体信息和所述相关关系构建得到多个三元组，并利用所述多个三元组得到医疗知识图谱。所述三元组为“实体+关系＝实体”的信息表现形式，例如：感冒的症状是流鼻涕，用三元组表示为“感冒+症状＝流鼻涕”。上呼吸道感染可以吃罗红霉素，用三元组表示为“上呼吸道感染+药品＝罗红霉素”。
本发明实施例中，根据所述医疗相关数据构建医疗知识图谱，可直观地反映出所述医疗知识图谱中多个实体之间的相关关系，提高了利用所述医疗知识图谱进行进一步分析的效率。将医疗知识图谱作为医疗信息检索的底层数据支撑，不仅可以依赖医疗知识图谱庞大的关系网络检索到更广泛更精准的医疗信息，而且可以将各类相关信息进行有效关联，使得检索结果更为全面。
具体地，根据所述场景类别在所述医疗知识图谱中索引出所述原始用户查询语句对应的答案。针对所述原始用户查询语句的三种情况，返回情况分别为：在第一场景下用户输入“上呼吸道感染”，检索出当前所有实体对应的关系以内的所有实体及实体属性，并按实体类别区分，如包括并发症、症状、药品、问答、案例、视频文章等。在第二场景下用户输入“上呼吸道感染和感冒的区别”，检索出上“呼吸道感染”和“感冒”实体相同属性的对比。在第一场景下用户输入“上呼吸道感染可以吃罗红霉素吗”，在所述医疗知识图谱中查询疾病“上呼吸道感染”和药品“罗红霉素”之间的关系，并给出“上呼吸道感染”的推荐药品。
本发明实施例通过利用预设的实体关系联合抽取模型对原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系，实体关系更体现出语义信息，将原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果，确定了用户的意图，提高后续问题解答的精确度，根据实体、实体之间的关系以及意图识别结果对原始用户查询语句进行场景分类，根据场景类别在医疗知识图谱中索引出所述原始用户查询语句对应的答案，所述医疗知识图谱中医疗知识的关联性较强，且根据场景类别进行索引，可以更准确的提取出医疗问题对应的答案。因此本发明提出的基于知识图谱的医疗问题解答装置可以解决进行医疗问题解答时的准确度较低的问题。
如图3所示，是本发明一实施例提供的实现基于知识图谱的医疗问题解答方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于知识图谱的医疗问题解答程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于知识图谱的医疗问题解答程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、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11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于知识图谱的医疗问题解答程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于知识图谱的医疗问题解答程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取原始用户查询语句，利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系；
将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果；
根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别；
获取预构建的医疗知识图谱，根据所述场景类别在所述医疗知识图谱中索引出所述原始用户查询语句对应的答案。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取原始用户查询语句，利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系；
将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果；
根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别；
获取预构建的医疗知识图谱，根据所述场景类别在所述医疗知识图谱中索引出所述原始用户查询语句对应的答案。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于知识图谱的医疗问题解答方法，其特征在于，所述方法包括：
获取原始用户查询语句，利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系；
将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果；
根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别；
获取预构建的医疗知识图谱，根据所述场景类别在所述医疗知识图谱中索引出所述原始用户查询语句对应的答案。
2.如权利要求1所述的基于知识图谱的医疗问题解答方法，其特征在于，所述利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系，包括：
利用所述实体关系联合抽取模型中的共享编码层对所述原始用户查询语句进行编码处理，得到原始编码数据；
将所述原始编码数据输入至所述实体关系联合抽取模型中的实体识别模块中进行实体识别，得到一个或者多个实体；
将所述多个实体输入至所述实体关系联合抽取模型中的关系抽取模块中，得到实体之间的关系。
3.如权利要求2所述的基于知识图谱的医疗问题解答方法，其特征在于，所述将所述原始编码数据输入至所述实体关系联合抽取模型中的实体识别模块中进行实体识别，得到一个或者多个实体，包括：
通过所述实体识别模块中的输入门计算所述原始编码数据的状态值；
利用所述实体识别模块中的遗忘门计算所述原始编码数据的激活值；
根据所述状态值和所述激活值计算所述原始编码数据的状态更新值；
利用所述输出门计算所述状态更新值对应的初始文本序列；
将所述初始文本序列输入至全连接层中计算得到对应的发射概率，并采用CRF层计算预设标签对应的转移概率；
根据所述转移概率和所述发射概率对所述初始文本序列进行标记，得到一个或者多个实体。
4.如权利要求3所述的基于知识图谱的医疗问题解答方法，其特征在于，所述通过所述实体识别模块中的输入门计算所述原始编码数据的状态值，包括：
利用如下计算公式计算所述原始编码数据的状态值：
其中，it表示状态值，
表示输入门中细胞单元的偏置，wi表示输入门的激活因子，ht-1表示原始编码数据在输入门t-1时刻的峰值，xt表示在t时刻的原始编码数据，bi表示输入门中细胞单元的权重。
5.如权利要求1所述的基于知识图谱的医疗问题解答方法，其特征在于，所述将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果，包括：
利用所述意图识别模型的输入层对所述原始用户查询语句进行向量化处理，得到用户查询向量；
利用所述意图识别模型的卷积层对所述用户查询向量进行卷积处理，得到卷积数据集；
将所述卷积数据集输入至所述意图识别模型中的池化层及全连接层中，得到分类结果；
利用预设的意图识别标签对所述分类结果进行标记，得到意图识别结果。
6.如权利要求1所述的基于知识图谱的医疗问题解答方法，其特征在于，所述获取预构建的医疗知识图谱，包括：
获取医疗相关数据，对所述医疗相关数据进行结构化处理，得到结构化数据；
对所述结构化数据进行实体抽取得到实体信息，对所述结构化数据进行关系抽取得到相关关系；
根据所述实体信息和所述相关关系构建得到多个三元组，并利用所述多个三元组得到医疗知识图谱。
7.如权利要求1所述的基于知识图谱的医疗问题解答方法，其特征在于，所述根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别，包括：
将所述实体之间的关系为无关系且所述意图识别结果为无意图的原始用户查询语句对应的场景类别归为第一场景；
将所述实体之间的关系为无关系且所述意图识别结果为有意图的原始用户查询语句对应的场景类别归为第二场景；
将所述实体之间的关系为有关系且所述意图识别结果为有意图的原始用户查询语句对应的场景类别归为第三场景。
8.一种基于知识图谱的医疗问题解答装置，其特征在于，所述装置包括：
实体关系抽取模块，用于获取原始用户查询语句，利用预设的实体关系联合抽取模型对所述原始用户查询语句进行实体关系抽取，得到实体及实体之间的关系；
意图识别模块，用于将所述原始用户查询语句输入至预设的意图识别模型中进行意图识别，得到意图识别结果；
场景分类模块，用于根据所述实体、所述实体之间的关系以及所述意图识别结果对所述原始用户查询语句进行场景分类，得到所述原始用户查询语句对应的场景类别；
答案索引模块，用于获取预构建的医疗知识图谱，根据所述场景类别在所述医疗知识图谱中索引出所述原始用户查询语句对应的答案。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于知识图谱的医疗问题解答方法。
10.一种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7中任意一项所述的基于知识图谱的医疗问题解答方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004877.4A CN113707303A (zh) | 2021-08-30 | 2021-08-30 | 基于知识图谱的医疗问题解答方法、装置、设备及介质 |
| PCT/CN2022/087817 WO2023029512A1 (zh) | 2021-08-30 | 2022-04-20 | 基于知识图谱的医疗问题解答方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111004877.4A CN113707303A (zh) | 2021-08-30 | 2021-08-30 | 基于知识图谱的医疗问题解答方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113707303A true CN113707303A (zh) | 2021-11-26 |
Family
ID=78656887
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111004877.4A Pending CN113707303A (zh) | 2021-08-30 | 2021-08-30 | 基于知识图谱的医疗问题解答方法、装置、设备及介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113707303A (zh) |
| WO (1) | WO2023029512A1 (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2023029512A1 (zh) * | 2021-08-30 | 2023-03-09 | 康键信息技术（深圳）有限公司 | 基于知识图谱的医疗问题解答方法、装置、设备及介质 |
| CN116257610A (zh) * | 2023-01-11 | 2023-06-13 | 山西长河科技股份有限公司 | 基于行业知识图谱的智能问答方法、装置、设备及介质 |
| CN116662522A (zh) * | 2023-07-28 | 2023-08-29 | 阿里巴巴达摩院(杭州)科技有限公司 | 问题答案推荐方法、存储介质和电子设备 |
| CN117520508A (zh) * | 2023-11-20 | 2024-02-06 | 广州方舟信息科技有限公司 | 医药对话答案生成方法、装置、电子设备和存储介质 |
| CN117909487A (zh) * | 2024-03-20 | 2024-04-19 | 北方健康医疗大数据科技有限公司 | 一种面向老年人的医学问答服务方法、系统、装置及介质 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116166764A (zh) * | 2023-04-21 | 2023-05-26 | 北京捷泰云际信息技术有限公司 | 地名地址引擎构建方法、地址查询方法、装置及引擎 |
| CN116821310B (zh) * | 2023-08-28 | 2023-12-08 | 北京智谱华章科技有限公司 | 一种基于大模型和知识图谱的企业知识库问答系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110019844A (zh) * | 2019-02-20 | 2019-07-16 | 众安信息技术服务有限公司 | 一种保险行业知识图谱问答系统构建方法及装置 |
| WO2019153522A1 (zh) * | 2018-02-09 | 2019-08-15 | 卫盈联信息技术（深圳）有限公司 | 智能交互方法、电子装置及存储介质 |
| CN110413790A (zh) * | 2019-08-02 | 2019-11-05 | 上海云绅智能科技有限公司 | 一种场景分类方法及装置 |
| WO2019242483A1 (zh) * | 2018-06-20 | 2019-12-26 | 华为技术有限公司 | 意图识别方法及设备 |
| CN110929016A (zh) * | 2019-12-10 | 2020-03-27 | 北京爱医生智慧医疗科技有限公司 | 一种基于知识图谱的智能问答方法及装置 |
| CN111949758A (zh) * | 2019-05-16 | 2020-11-17 | 北大医疗信息技术有限公司 | 医疗问答推荐方法、推荐系统和计算机可读存储介质 |
| CN112035635A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 医疗领域意图识别方法、装置、设备及存储介质 |
| CN112650840A (zh) * | 2020-12-04 | 2021-04-13 | 天津泰凡科技有限公司 | 一种基于知识图谱推理的医疗智能问答处理方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110176315B (zh) * | 2019-06-05 | 2022-06-28 | 京东方科技集团股份有限公司 | 医疗问答方法及系统、电子设备、计算机可读介质 |
| WO2021146388A1 (en) * | 2020-01-14 | 2021-07-22 | RELX Inc. | Systems and methods for providing answers to a query |
| CN111708874B (zh) * | 2020-08-24 | 2020-11-13 | 湖南大学 | 基于复杂意图智能识别的人机交互问答方法与系统 |
| CN112269875B (zh) * | 2020-10-23 | 2023-07-25 | 中国平安人寿保险股份有限公司 | 文本分类方法、装置、电子设备及存储介质 |
| CN112487202B (zh) * | 2020-11-27 | 2022-05-06 | 厦门理工学院 | 融合知识图谱与bert的中文医学命名实体识别方法、装置 |
| CN113707303A (zh) * | 2021-08-30 | 2021-11-26 | 康键信息技术（深圳）有限公司 | 基于知识图谱的医疗问题解答方法、装置、设备及介质 |
-
2021
- 2021-08-30 CN CN202111004877.4A patent/CN113707303A/zh active Pending
-
2022
- 2022-04-20 WO PCT/CN2022/087817 patent/WO2023029512A1/zh unknown
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019153522A1 (zh) * | 2018-02-09 | 2019-08-15 | 卫盈联信息技术（深圳）有限公司 | 智能交互方法、电子装置及存储介质 |
| WO2019242483A1 (zh) * | 2018-06-20 | 2019-12-26 | 华为技术有限公司 | 意图识别方法及设备 |
| CN110019844A (zh) * | 2019-02-20 | 2019-07-16 | 众安信息技术服务有限公司 | 一种保险行业知识图谱问答系统构建方法及装置 |
| CN111949758A (zh) * | 2019-05-16 | 2020-11-17 | 北大医疗信息技术有限公司 | 医疗问答推荐方法、推荐系统和计算机可读存储介质 |
| CN110413790A (zh) * | 2019-08-02 | 2019-11-05 | 上海云绅智能科技有限公司 | 一种场景分类方法及装置 |
| CN110929016A (zh) * | 2019-12-10 | 2020-03-27 | 北京爱医生智慧医疗科技有限公司 | 一种基于知识图谱的智能问答方法及装置 |
| CN112035635A (zh) * | 2020-08-28 | 2020-12-04 | 康键信息技术（深圳）有限公司 | 医疗领域意图识别方法、装置、设备及存储介质 |
| CN112650840A (zh) * | 2020-12-04 | 2021-04-13 | 天津泰凡科技有限公司 | 一种基于知识图谱推理的医疗智能问答处理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王海宁: "民族节日知识图谱构建与应用研究", 《中国优秀硕士学位论文全文数据库（哲学与人文科学辑）》, 15 January 2021 (2021-01-15), pages 090 - 74 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023029512A1 (zh) * | 2021-08-30 | 2023-03-09 | 康键信息技术（深圳）有限公司 | 基于知识图谱的医疗问题解答方法、装置、设备及介质 |
| 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 |
| CN116257610A (zh) * | 2023-01-11 | 2023-06-13 | 山西长河科技股份有限公司 | 基于行业知识图谱的智能问答方法、装置、设备及介质 |
| CN116257610B (zh) * | 2023-01-11 | 2023-12-08 | 长河信息股份有限公司 | 基于行业知识图谱的智能问答方法、装置、设备及介质 |
| CN116662522A (zh) * | 2023-07-28 | 2023-08-29 | 阿里巴巴达摩院(杭州)科技有限公司 | 问题答案推荐方法、存储介质和电子设备 |
| CN116662522B (zh) * | 2023-07-28 | 2023-12-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 问题答案推荐方法、存储介质和电子设备 |
| CN117520508A (zh) * | 2023-11-20 | 2024-02-06 | 广州方舟信息科技有限公司 | 医药对话答案生成方法、装置、电子设备和存储介质 |
| CN117520508B (zh) * | 2023-11-20 | 2024-05-28 | 广州方舟信息科技有限公司 | 医药对话答案生成方法、装置、电子设备和存储介质 |
| CN117909487A (zh) * | 2024-03-20 | 2024-04-19 | 北方健康医疗大数据科技有限公司 | 一种面向老年人的医学问答服务方法、系统、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023029512A1 (zh) | 2023-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113707303A (zh) | 基于知识图谱的医疗问题解答方法、装置、设备及介质 | |
| CN112732915A (zh) | 情感分类方法、装置、电子设备及存储介质 | |
| CN112131393A (zh) | 一种基于bert和相似度算法的医疗知识图谱问答系统构建方法 | |
| CN112417096A (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
| CN113707297A (zh) | 医疗数据的处理方法、装置、设备及存储介质 | |
| CN113707300B (zh) | 基于人工智能的搜索意图识别方法、装置、设备及介质 | |
| CN112860848B (zh) | 信息检索方法、装置、设备及介质 | |
| CN113111162A (zh) | 科室推荐方法、装置、电子设备及存储介质 | |
| CN111666415A (zh) | 话题聚类方法、装置、电子设备及存储介质 | |
| CN111813905A (zh) | 语料生成方法、装置、计算机设备及存储介质 | |
| CN112906377A (zh) | 基于实体限制的问答方法、装置、电子设备及存储介质 | |
| CN112885478A (zh) | 医疗文献的检索方法、装置、电子设备及存储介质 | |
| CN113111159A (zh) | 问答记录生成方法、装置、电子设备及存储介质 | |
| CN112149409A (zh) | 医疗词云生成方法、装置、计算机设备及存储介质 | |
| CN114860887A (zh) | 基于智能联想的疾病内容推送方法、装置、设备及介质 | |
| CN115238670A (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
| CN114416939A (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
| CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
| CN114399775A (zh) | 文档标题生成方法、装置、设备及存储介质 | |
| CN111930897B (zh) | 专利检索方法、装置、电子设备及计算机可读存储介质 | |
| CN113157864A (zh) | 关键信息提取方法、装置、电子设备及介质 | |
| CN113157739A (zh) | 跨模态检索方法、装置、电子设备及存储介质 | |
| CN112632264A (zh) | 智能问答方法、装置、电子设备及存储介质 | |
| CN116702776A (zh) | 基于跨中西医的多任务语义划分方法、装置、设备及介质 |
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 |