CN114328966A - 针对医学知识图谱的预测信息生成方法、装置和设备 - Google Patents

Abstract

本公开的实施例公开了针对医学知识图谱的预测信息生成方法、装置和设备。该方法的一具体实施方式包括：获取用户在目标设备上针对医学知识图谱输入的检索式；将上述检索式输入至预先训练的预测信息生成模型，生成上述检索式对应的预测信息；其中，上述预测信息生成模型中至少包括：自然语言处理网络和检索对比网络，上述自然语言处理网络用于生成上述检索式的文本向量，上述检索对比网络用于基于上述文本向量进行检索；将上述预测信息传输至上述目标设备，以及控制上述目标设备显示上述预测信息。该实施方式实现了利用机器学习模型对用户输入的检索式的分析，从而生成的预测信息也更为准确，更加符合用户的需求，间接提高用户体验。

Description

针对医学知识图谱的预测信息生成方法、装置和设备

技术领域

本公开的实施例涉及计算机技术领域，具体涉及针对医学知识图谱的预测信息生成方法、装置和设备。

背景技术

知识图谱是一种基于语义知识的形式化描述框架，通常采用节点表示语义符号，并可以利用节点之间的连线来表示符号之间的语义关系。

越来越多的用户借助医学知识图谱来检索所需的病理知识或者药理知识，为了为用户提供更为准确的检索结果，需要一种确定用户的检索意图的有效分析方法。

发明内容

有鉴于此，本公开实施例提供了一种针对医学知识图谱的预测信息生成方法、装置和设备，以解决现有技术中难以确定用户的检索意图，预测出用户所需信息的问题。

本公开实施例的第一方面，提供了一种针对医学知识图谱的预测信息生成方法，包括：获取用户在目标设备上针对医学知识图谱输入的检索式；将上述检索式输入至预先训练的预测信息生成模型，生成上述检索式对应的预测信息；其中，上述预测信息生成模型中至少包括：自然语言处理网络和检索对比网络，上述自然语言处理网络用于生成上述检索式的文本向量，上述检索对比网络用于基于上述文本向量进行检索；将上述预测信息传输至上述目标设备，以及控制上述目标设备显示上述预测信息。

本公开实施例的第二方面，提供了一种针对医学知识图谱的预测信息生成装置，装置包括：获取单元，被配置成获取用户在目标设备上针对医学知识图谱输入的检索式；预测信息生成单元，被配置成将上述检索式输入至预先训练的预测信息生成模型，生成上述检索式对应的预测信息；其中，上述预测信息生成模型中至少包括：自然语言处理网络和检索对比网络，上述自然语言处理网络用于生成上述检索式的文本向量，上述检索对比网络用于基于上述文本向量进行检索；传输显示单元，被配置成将上述预测信息传输至上述目标设备，以及控制上述目标设备显示上述预测信息。

本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可以在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取用户在目标设备上针对医学知识图谱输入的检索式；然后，将检索式输入至预先训练的预测信息生成模型，生成上述检索式对应的预测信息；最后，将预测信息传输至上述目标设备，控制上述目标设备显示上述预测信息。本公开描述的方法实现了利用机器学习模型对用户输入的检索式的分析，从而生成的预测信息也更为准确，更加符合用户的需求，间接提高用户体验。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的针对医学知识图谱的预测信息生成方法的一个应用场景的示意图；

图2是根据本公开的针对医学知识图谱的预测信息生成方法的一些实施例的流程示意图；

图3是根据本公开的针对医学知识图谱的预测信息生成方法的另一些实施例的流程示意图；

图4是根据本公开的针对医学知识图谱的预测信息生成装置的一些实施例的结构示意图；

图5是适于用来实现本公开的一些实施例的电子设备的结构示意图。

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，以便透彻理解本公开实施例。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公开。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公开的描述。

下面将结合附图详细说明根据本公开实施例的一种针对医学知识图谱的预测信息生成方法、装置和设备。

图1是根据本公开一些实施例的针对医学知识图谱的预测信息生成方法的一个应用场景的示意图。

在图1的应用场景中，首先，计算设备101可以获取用户在目标设备102上针对医学知识图谱输入的检索式103。然后，计算设备101可以将上述检索式103输入至预先训练的预测信息生成模型104，生成上述检索式对应的预测信息105。其中，上述预测信息生成模型104中至少包括：自然语言处理网络106和检索对比网络107。最后，计算设备101可以将上述预测信息105传输至上述目标设备102，以及控制上述目标设备102显示上述预测信息105。

需要说明的是，上述计算设备101可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的计算设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的计算设备。

图2是本公开实施例提供的针对医学知识图谱的预测信息生成方法的流程示意图。图2的针对医学知识图谱的预测信息生成方法可以由图1的计算设备101执行。如图2所示，该针对医学知识图谱的预测信息生成方法，包括以下步骤：

步骤S201，获取用户在目标设备上针对医学知识图谱输入的检索式。

在一些实施例中，针对医学知识图谱的预测信息生成方法的执行主体(如图1所示的计算设备101)可以通过无线连接方式连接上述目标设备，获取在上述目标设备上针对医学知识图谱输入的检索式。这里，医学知识图谱可以是由药物相关知识和病理相关知识组成的图谱。其中，医学知识图谱还存在与图谱中各个图谱信息对应的信息向量。

需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤S202，将上述检索式输入至预先训练的预测信息生成模型，生成上述检索式对应的预测信息。

在一些实施例中，上述预测信息生成模型中至少包括：自然语言处理网络和检索对比网络。其中，上述自然语言处理网络用于生成上述检索式的文本向量，上述检索对比网络用于基于上述文本向量进行检索。上述预测信息生成模型可以是融合自然语言处理模型、算法的循环神经网络模型。上述执行主体可以将上述检索式输入至上述预测信息生成模型，通过如下步骤生成上述检索式对应的预测信息：

第一步，上述执行主体可以将上述检索式输入至上述自然语言处理网络，生成上述检索式的文本向量。自然语言处理(Natural Language Processing，NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。这里，上述自然语言处理网络可以对上述检索式进行分词处理。然后，对分词处理得到的词进行词嵌入，生成每个词的词向量。之后，对每个词的词向量进行拼接，得到上述检索式的文本向量。

上文陈述的词嵌入(Word Embedding)是一种将文本中的词转换成数字向量的方法，是自然语言处理中语言模型与表征学习技术的统称。概念上而言，它是指把一个维数为所有词的数量的高维空间嵌入到一个维数低得多的连续向量空间中，每个单词或词组被映射为实数域上的向量。具体地，词向量(word vector)可以是单词或短语通过词嵌入方法被映射到实数的向量。从概念上讲，它涉及从每个单词一维的空间到具有更低维度的连续向量空间的数学嵌入。

第二步，上述执行主体可以将上述文本向量输入至上述检索对比网络，检索得到上述医学知识图谱中至少一个与上述文本向量的余弦距离分数超过第一预设阈值的信息向量。这里，上述检索对比网络采用了余弦相似度算法。上述余弦距离分数可以是用于表征这两个向量的余弦相似度的分数，可以通过计算两个向量的夹角余弦值得到，余弦距离分数越大表征相似度越高。

第三步，上述执行主体可以将上述至少一个与上述文本向量的余弦距离分数超过上述第一预设阈值的信息向量中每个信息向量对应的图谱信息确定为第一目标图谱信息，得到第一目标图谱信息集合。

第四步，上述执行主体可以按照余弦距离分数由大到小的顺序，对上述第一目标图谱信息集合中的第一目标图谱信息进行组合，得到作为预测信息的组合结果。

步骤S203，将上述预测信息传输至上述目标设备，以及控制上述目标设备显示上述预测信息。

在一些实施例中，上述执行主体可以将上述预测信息传输至上述目标设备。然后，上述执行主体可以控制上述目标设备对上述预测信息中包含的检索式部分进行突出显示。这里，突出显示可以是区别于其他信息内容的显示方式。作为示例，突出显示可以是将上述预测信息中的检索式部分优先显示，也可以是改变上述预测信息中检索式的背景颜色再进行显示。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取用户在目标设备上针对医学知识图谱输入的检索式；然后，将检索式输入至预先训练的预测信息生成模型，生成上述检索式对应的预测信息；最后，将预测信息传输至上述目标设备，控制上述目标设备显示上述预测信息。本公开描述的方法实现了利用机器学习模型对用户输入的检索式的分析，从而生成的预测信息也更为准确，更加符合用户的需求，间接提高用户体验。另外，通过生成检索式的文本向量对用于组合生成预测信息的图谱信息进行筛选，提高了预测信息与用户输入的检索式的匹配度。

图3是本公开实施例提供的针对医学知识图谱的预测信息生成方法的流程示意图。图3的针对医学知识图谱的预测信息生成方法可以由图1的计算设备101执行。如图3所示，该针对医学知识图谱的预测信息生成方法，包括以下步骤：

步骤S301，获取用户在目标设备上针对医学知识图谱输入的检索式。

在一些实施例中，步骤S301的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤S201，在此不再赘述。

步骤S302，将上述检索式输入至预测信息生成模型的自然语言处理网络，生成上述检索式的文本向量。

步骤S303，将上述文本向量输入至预测信息生成模型的检索对比网络，检索得到上述医学知识图谱中至少一个与上述文本向量的余弦距离分数超过第一预设阈值的信息向量。

步骤S302-S303的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤S202的第一步、第二步，在此不再赘述。

步骤S304，获取预设历史时间段内针对上述医学知识图谱输入的检索式，得到历史检索式集合。

在一些实施例中，上述执行主体可以通过无线方式获取预设历史时间段(例如，过去一周)内针对上述医学知识图谱输入的检索式，得到历史检索式集合。

步骤S305，生成上述历史检索式集合的历史文本向量。

在一些实施例中，上述执行主体可以通过如下步骤生成上述历史检索式集合的历史文本向量：

第一步，上述执行主体可以对上述历史检索式集合中每个历史检索式进行分词处理，得到上述历史检索式的分词集合。这里，分词处理可以是将一个语句切分成一个个单独的单词，得到至少一个词语，这里的词语可以是一个单词，也可以是一个至少包括两个单词的词语组合。

第二步，上述执行主体可以对上述分词集合中每个词进行词嵌入，得到词向量集合。

第三步，上述执行主体可以对上述词向量集合进行拼接，得到上述历史检索式的历史检索式向量。

第四步，上述执行主体可以对上述历史检索式集合中每个历史检索式的历史检索向量进行组合，得到上述历史检索式集合的历史文本向量。

步骤S306，将上述历史文本向量和上述至少一个与上述文本向量的余弦距离分数超过上述第一预设阈值的信息向量输入至上述预测信息生成网络，生成预测信息。

在一些实施例中，上述执行主体利用上述预测信息生成网络通过如下步骤生成预测信息：

第一步，上述执行主体可以确定上述至少一个与上述文本向量的余弦距离分数超过上述第一预设阈值的信息向量中每个信息向量与上述历史文本向量的欧式距离，得到欧式距离集合。这里，欧氏距离又称“欧几里得度量”

(Euclidean Metric，Euclidean Distance)，是一个通常采用的距离定义，指在多维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。欧式距离越小表征向量之间的相似度越高。

第二步，上述执行主体可以欧式距离未超过第二预设阈值的信息向量对应的图谱信息作为第二目标图谱信息，得到第二目标图谱信息集合。

第三步，上述执行主体可以按照欧式距离由小到大的顺序，对上述第二目标图谱信息集合中的第二目标图谱信息进行组合，得到作为预测信息的组合结果。

步骤S307，将上述预测信息传输至上述目标设备，以及控制上述目标设备显示上述预测信息。

在一些实施例中，步骤S307的具体实现及所带来的技术效果可以参考图2对应的那些实施例中的步骤S203，在此不再赘述。

本公开的上述各个实施例中的一个实施例具有如下有益效果：首先，获取用户在目标设备上针对医学知识图谱输入的检索式；然后，将检索式输入至预先训练的预测信息生成模型，生成上述检索式对应的预测信息；最后，将预测信息传输至上述目标设备，控制上述目标设备显示上述预测信息。本公开描述的方法实现了利用机器学习模型对用户输入的检索式的分析，从而生成的预测信息也更为准确，更加符合用户的需求，间接提高用户体验。另外，通过生成检索式的文本向量和用户的历史检索式的历史文本向量，然后进一步对用于组合生成预测信息的图谱信息进行筛选，提高了预测信息与用户输入的检索式的匹配度。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是本公开实施例提供的针对医学知识图谱的预测信息生成装置的示意图。如图4所示，该针对医学知识图谱的预测信息生成装置包括：获取单元401、预测信息生成单元402和传输显示单元403。其中，获取单元401，被配置成获取用户在目标设备上针对医学知识图谱输入的检索式；预测信息生成单元402，被配置成将上述检索式输入至预先训练的预测信息生成模型，生成上述检索式对应的预测信息；其中，上述预测信息生成模型中至少包括：自然语言处理网络和检索对比网络，上述自然语言处理网络用于生成上述检索式的文本向量，上述检索对比网络用于基于上述文本向量进行检索；传输显示单元403，被配置成将上述预测信息传输至上述目标设备，以及控制上述目标设备显示上述预测信息。

在一些实施例的一些可选的实现方式中，针对医学知识图谱的预测信息生成装置的预测信息生成单元402被进一步配置成：将上述检索式输入至上述自然语言处理网络，生成上述检索式的文本向量；将上述文本向量输入至上述检索对比网络，检索得到上述医学知识图谱中至少一个与上述文本向量的余弦距离分数超过第一预设阈值的信息向量。

在一些实施例的一些可选的实现方式中，上述检索对比网络采用余弦相似度算法。

在一些实施例的一些可选的实现方式中，针对医学知识图谱的预测信息生成装置的预测信息生成单元402被进一步配置成：将上述至少一个与上述文本向量的余弦距离分数超过上述第一预设阈值的信息向量中每个信息向量对应的图谱信息确定为第一目标图谱信息，得到第一目标图谱信息集合；按照余弦距离分数由大到小的顺序，对上述第一目标图谱信息集合中的第一目标图谱信息进行组合，得到作为预测信息的组合结果。

在一些实施例的一些可选的实现方式中，上述预测信息生成模型还包括预测信息生成网络。

在一些实施例的一些可选的实现方式中，针对医学知识图谱的预测信息生成装置的预测信息生成单元402被进一步配置成：获取预设历史时间段内针对上述医学知识图谱输入的检索式，得到历史检索式集合；生成上述历史检索式集合的历史文本向量；确定上述至少一个与上述文本向量的余弦距离分数超过上述第一预设阈值的信息向量中每个信息向量与上述历史文本向量的欧式距离，得到欧式距离集合；选择欧式距离未超过第二预设阈值的信息向量对应的图谱信息作为第二目标图谱信息，得到第二目标图谱信息集合；按照欧式距离由小到大的顺序，对上述第二目标图谱信息集合中的第二目标图谱信息进行组合，得到作为预测信息的组合结果。

在一些实施例的一些可选的实现方式中，针对医学知识图谱的预测信息生成装置的传输显示单元403被进一步配置成：将上述预测信息传输至上述目标设备；控制上述目标设备对上述预测信息中包含的检索式部分进行突出显示。

可以理解的是，该装置400中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置400及其中包含的单元，在此不再赘述。

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，而不应对本公开实施例的实施过程构成任何限定。

图5是本公开实施例提供的计算机设备5的示意图。如图5所示，该实施例的计算机设备5包括：处理器501、存储器502以及存储在该存储器502中并且可以在处理器501上运行的计算机程序503。处理器501执行计算机程序503时实现上述各个方法实施例中的步骤。或者，处理器501执行计算机程序503时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序503可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器502中，并由处理器501执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序503在计算机设备5中的执行过程。

计算机设备5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机设备。计算机设备5可以包括但不仅限于处理器501和存储器502。本领域技术人员可以理解，图5仅仅是计算机设备5的示例，并不构成对计算机设备5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，计算机设备还可以包括输入输出设备、网络接入设备、总线等。

处理器501可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、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。

存储器502可以是计算机设备5的内部存储单元，例如，计算机设备5的硬盘或内存。存储器502也可以是计算机设备5的外部存储设备，例如，计算机设备5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，存储器502还可以既包括计算机设备5的内部存储单元也包括外部存储设备。存储器502用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器502还可以用于暂时地存储已经输出或者将要输出的数据。

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。

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公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，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，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。

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。

另外，在本公开各个实施例中的各功能单元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。

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。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，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。计算机可读介质可以包括：能够携带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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，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公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种针对医学知识图谱的预测信息生成方法，其特征在于，包括：

获取用户在目标设备上针对医学知识图谱输入的检索式；

将所述检索式输入至预先训练的预测信息生成模型，生成所述检索式对应的预测信息；其中，所述预测信息生成模型中至少包括：自然语言处理网络和检索对比网络，所述自然语言处理网络用于生成所述检索式的文本向量，所述检索对比网络用于基于所述文本向量进行检索；

将所述预测信息传输至所述目标设备，以及控制所述目标设备显示所述预测信息。

2.根据权利要求1所述的一种针对医学知识图谱的预测信息生成方法，其特征在于，所述将所述检索式输入至预先训练的预测信息生成模型，生成所述检索式对应的预测信息，包括：

将所述检索式输入至所述自然语言处理网络，生成所述检索式的文本向量；

将所述文本向量输入至所述检索对比网络，检索得到所述医学知识图谱中至少一个与所述文本向量的余弦距离分数超过第一预设阈值的信息向量。

3.根据权利要求1所述的一种针对医学知识图谱的预测信息生成方法，其特征在于，所述检索对比网络采用余弦相似度算法。

4.根据权利要求3所述的一种针对医学知识图谱的预测信息生成方法，其特征在于，所述将所述检索式输入至预先训练的预测信息生成模型，生成所述检索式对应的预测信息，包括：

将所述至少一个与所述文本向量的余弦距离分数超过所述第一预设阈值的信息向量中每个信息向量对应的图谱信息确定为第一目标图谱信息，得到第一目标图谱信息集合；

按照余弦距离分数由大到小的顺序，对所述第一目标图谱信息集合中的第一目标图谱信息进行组合，得到作为预测信息的组合结果。

5.根据权利要求2所述的一种针对医学知识图谱的预测信息生成方法，其特征在于，所述预测信息生成模型还包括预测信息生成网络。

6.根据权利要求4-5所述的一种针对医学知识图谱的预测信息生成方法，其特征在于，所述将所述检索式输入至预先训练的预测信息生成模型，生成所述检索式对应的预测信息，包括：

获取预设历史时间段内针对所述医学知识图谱输入的检索式，得到历史检索式集合；

生成所述历史检索式集合的历史文本向量；

将所述历史文本向量和所述至少一个与所述文本向量的余弦距离分数超过所述第一预设阈值的信息向量输入至所述预测信息生成网络，生成预测信息；其中，所述预测信息生成网络的步骤包括：

确定所述至少一个与所述文本向量的余弦距离分数超过所述第一预设阈值的信息向量中每个信息向量与所述历史文本向量的欧式距离，得到欧式距离集合；

选择欧式距离未超过第二预设阈值的信息向量对应的图谱信息作为第二目标图谱信息，得到第二目标图谱信息集合；

按照欧式距离由小到大的顺序，对所述第二目标图谱信息集合中的第二目标图谱信息进行组合，得到作为预测信息的组合结果。

7.根据权利要求6所述的一种针对医学知识图谱的预测信息生成方法，其特征在于，所述将所述预测信息传输至所述目标设备，以及控制所述目标设备显示所述预测信息，包括：

将所述预测信息传输至所述目标设备；

控制所述目标设备对所述预测信息中包含的检索式部分进行突出显示。

8.一种针对医学知识图谱的预测信息生成装置，其特征在于，包括：

获取单元，被配置成获取用户在目标设备上针对医学知识图谱输入的检索式；

预测信息生成单元，被配置成将所述检索式输入至预先训练的预测信息生成模型，生成所述检索式对应的预测信息；其中，所述预测信息生成模型中至少包括：自然语言处理网络和检索对比网络，所述自然语言处理网络用于生成所述检索式的文本向量，所述检索对比网络用于基于所述文本向量进行检索；

传输显示单元，被配置成将所述预测信息传输至所述目标设备，以及控制所述目标设备显示所述预测信息。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可以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7中任一项所述方法的步骤。

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7中任一项所述方法的步骤。

Images