CN116030944A - 一种医疗咨询信息的推荐方法及系统 - Google Patents
一种医疗咨询信息的推荐方法及系统 Download PDFInfo
- Publication number
- CN116030944A CN116030944A CN202211674640.1A CN202211674640A CN116030944A CN 116030944 A CN116030944 A CN 116030944A CN 202211674640 A CN202211674640 A CN 202211674640A CN 116030944 A CN116030944 A CN 116030944A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- word
- knowledge
- medical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明提供了一种医疗咨询信息的推荐方法及系统,通过获取用户提供的咨询问诊信息,咨询问诊信息至少包括文本数据,并根据文本数据,确定对应的咨询问题类别;将文本数据输入自动识别模型中,得到文本数据中的目标数据;获取知识图谱数据库,根据目标数据和咨询问题类别,在知识图谱数据库中匹配对应的推荐信息,并将推荐信息返回给用户,以为用户就医提供便利,提高用户就医满意度。
Description
技术领域
本发明属于智慧医疗的技术领域,具体涉及一种医疗咨询信息的推荐方法及系统。
背景技术
随着人工智能技术的发展,人工智能技术已融入到各行各业中,其中,人工智能技术也在医疗行业中逐渐普并应用,可以发现,基于互联网的智慧医疗正在迅速发展,由于行业的特殊性,相比基于深度学习的模型技术,基于知识图谱的智慧医疗技术具有可解释性,正被越来越多的业内人士接受和认可。
随着社会的发展,人们的生活节奏越来越快,各行各业都注重效率,其中,为了提高医院的就诊效率,一般会设置导诊台,由相关工作人员对就诊人员进行服务,但是,相关工作人员的配置是有限的,特别当就诊人员人数较多时,无法面面俱到,且相关工作人员的知识水平有限,可能无法对就诊人员提出的咨询问题做出最合适的解答,为此,亟需一种医疗咨询信息的推荐方法,为就诊人员就医提供便利,提高就诊人员就医满意度。
发明内容
基于此,本发明实施例当中提供了一种医疗咨询信息的推荐方法及系统,旨在为用户就医提供便利,提高用户就医满意度。
本发明实施例的第一方面提供了一种医疗咨询信息的推荐方法,所述方法包括:
获取用户提供的咨询问诊信息,所述咨询问诊信息至少包括文本数据,并根据所述文本数据,确定对应的咨询问题类别;
将所述文本数据输入自动识别模型中,得到所述文本数据中的目标数据;
获取知识图谱数据库,根据所述目标数据和所述咨询问题类别,在所述知识图谱数据库中匹配对应的推荐信息,并将所述推荐信息返回给用户。
进一步的,所述将所述文本数据输入自动识别模型中,得到所述文本数据中的目标数据的步骤之前包括:
获取医学知识样本数据,并将所述医学知识样本数据进行预处理,得到所述医学知识样品数据中的目标标注数据,其中,所述目标标注数据至少包括实体数据、所述实体数据对应的属性数据以及关系数据;
根据所述实体数据和所述关系数据,对所述医学知识样品数据进行目标数据抽取训练,以建立目标数据抽取子模型;
将所述实体数据和所述关系数据进行组合,形成数据存储的最小单元三元组数据,根据所述最小单元三元组数据,对所述医学知识样品数据进行关系抽取训练,以建立关系抽取子模型;
根据所述属性数据,对所述医学知识样品数据进行属性抽取训练,以建立属性抽取子模型;
其中,所述目标数据抽取子模型、所述关系抽取子模型以及所述属性抽取子模型构成所述自动识别模型。
进一步的,所述获取知识图谱数据库,根据所述目标数据和所述咨询问题类别,在所述知识图谱数据库中匹配对应的推荐信息,并将所述推荐信息返回给用户的步骤之前包括:
获取医学知识数据,将所述医学知识数据输入所述自动识别模型中,得到所述医学知识数据的第一实体数据、第一属性数据、第一关系数据以及所述第一实体数据和所述第一关系数据组成的第一三元组数据;
对所述第一三元组数据进行质量评估,得到质量评估结果,并判断所述评估结果是否合格;
若是,则将所述第一三元组数据对应的所述第一实体数据、所述第一属性数据以及所述第一关系数据存入所述知识图谱数据库中。
进一步的,所述目标数据抽取子模型和所述属性抽取子模型中采用bilstm-crf标注数据训练算法,其中,所述bilstm-crf标注数据训练算法的公式为:
score(x,y)=∑iEmit(xi,yi)+Trans(yi-1,yi);
其中,x表示输入的文本数据,y表示对应输出的标签,i表示文本数据中单词的位数,xi表示文本数据中第i个单词,yi表示文本数据中第i个单词的标签,yi-1表示文本数据中第i-1个单词的标签,score(x,y)表示输入文本数据后,输出标签的分数,Emit(xi,yi)表示输入文本数据中第i个单词时,输出文本数据中第i个单词的标签的概率值,Trans(yi-1,yi)表示将文本数据中第i-1个单词的标签输入转移分数矩阵后,转移到文本数据中第i个单词的标签的转移分数值。
进一步的,所述将所述实体数据和所述关系数据进行组合,形成数据存储的最小单元三元组数据,根据所述最小单元三元组数据,对所述医学知识样品数据进行关系抽取训练,以建立关系抽取子模型的步骤包括:
获取所述医学知识样品数据中的单词数据,并根据所述单词数据,生成对应的儿子节点,所述儿子节点用于存储关系和对应儿子词的位置;
根据所述单词数据,生成对应的依存结构,所述依存结构用于记录所述单词数据的第一词性、父节点的第二词性、以及所述第一词性与所述第二词性之间的第一关系;
循环所述医学知识样品数据中的所述单词数据,并提取所述单词数据之间的第二关系,其中,所述第二关系至少包括动宾关系、定语后置动宾关系以及介宾的主谓动补关系;
根据所述依存结构,确定所述第二关系中符合所述依存结构的目标单词数据。
进一步的,所述将所述第一三元组数据对应的所述第一实体数据、所述第一属性数据以及所述第一关系数据存入所述知识图谱数据库中的步骤包括:
将所述医学知识数据中的所有所述第一实体数据进行实体消歧,得到所述第一实体数据之间的相似度值,并判断所述相似度值是否大于阈值;
若是,则将所述相似度值满足要求的所述第一实体数据进行知识融合。
进一步的,所述获取知识图谱数据库,根据所述目标数据和所述咨询问题类别,在所述知识图谱数据库中匹配对应的推荐信息,并将所述推荐信息返回给用户的步骤之后包括:
根据所述推荐信息,匹配对应的科室信息以及所述科室信息中当前值班的医生信息,其中,所述医生信息至少包括医生姓名;
根据所述医生姓名,获取对应的挂号数量,并将所述挂号数量最小的所述医生姓名推送给用户。
本发明实施例的第二方面提供了一种医疗咨询信息的推荐系统,所述系统包括:
第一获取模块,用于获取用户提供的咨询问诊信息,所述咨询问诊信息至少包括文本数据,并根据所述文本数据,确定对应的咨询问题类别;
目标数据获取模块,用于将所述文本数据输入自动识别模型中,得到所述文本数据中的目标数据;
匹配模块,用于获取知识图谱数据库,根据所述目标数据和所述咨询问题类别,在所述知识图谱数据库中匹配对应的推荐信息,并将所述推荐信息返回给用户。
本发明实施例的第三方面提供了一种计算机可读存储介质,包括:
所述可读存储介质存储一个或多个程序,该程序被处理器执行时实现第一方面的医疗咨询信息的推荐方法。
本发明实施例的第四方面提供了一种电子设备,其特征在于,所述电子设备包括存储器和处理器,其中:
所述存储器用于存放计算机程序;
所述处理器用于执行所述存储器上所存放的计算机程序时,实现第一方面的医疗咨询信息的推荐方法。
本发明提出的一种医疗咨询信息的推荐方法及系统,通过获取用户提供的咨询问诊信息,咨询问诊信息至少包括文本数据,并根据文本数据,确定对应的咨询问题类别;将文本数据输入自动识别模型中,得到文本数据中的目标数据;获取知识图谱数据库,根据目标数据和咨询问题类别,在知识图谱数据库中匹配对应的推荐信息,并将推荐信息返回给用户,以为用户就医提供便利,提高用户就医满意度。
附图说明
图1是本发明第一实施例提供的一种医疗咨询信息的推荐方法的实现流程图;
图2是本发明第三实施例提供的一种医疗咨询信息的推荐系统的实现流程图;
图3是本发明第四实施例提供的一种电子设备的结构框图。
以下具体实施方式将结合上述附图进一步说明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1,图1示出了本发明第一实施例提供的医疗咨询信息的推荐方法,所述方法具体包括步骤S01至步骤S03。
步骤S01,获取用户提供的咨询问诊信息,所述咨询问诊信息至少包括文本数据,并根据所述文本数据,确定对应的咨询问题类别。
在本实施例当中,设置有用户端和医生端,用户端主要是提供给用户进行登录,可进行注册登录,其中注册信息包括用户个人基本信息,这些信息在进行注册登记过程中会存储于信息数据库中,数据由医院内部系统进行保存,可保证用户隐私的安全性。
具体的,首先获取用户提供的咨询问诊信息,即用户结合自身需求想要咨询的问题,其中,咨询问诊信息可以为文本数据,即文字语句,也可以为图像数据,即照片,在本实施例当中,根据用户提供的文字语句,经过问题分类算法模型,对咨询问题进行归类,确定咨询问题类别,其中,问题分类算法模型的建立步骤可以为,首先对数据集进行收集,数据集中至少包括用户咨询的各类问题,再对问题进行归类,作为分类标签,例如,分类标签可以归集为“用药问题”、“手术问题”等,进一步的,对数据集中的各类问题采用word2vec算法模型进行训练,生成词汇向量表,对于不存在的词可以使用UNK表示,更进一步的,对构建的问题与标签对应的数据集进行预处理,将句子进行分词,去除停用词和低频词,将词转换成向量表示,同时标签也进行数字化表示,另外,在模型进行训练的时候,进行参数设置,包括卷积的层数、迭代次数、学习率等,同时,将数据集分为训练集和测试集,对数据进行向量化,标签化后,作为模型的输入,进行模型的训练和测试,从中挑选最优模型保存,最后,将模型部署作为服务,调用相应的推理模型返回标签类别。
另外,在其它一些可选实施例当中,也可将含有文字语句、照片以及语音的咨询问诊信息直接发送至医生端,即提供给用户一个描述自身症状的功能窗口,可以远程获得专业医生的诊断治疗和咨询,医生对病情进行诊断并进行反馈,决定是否需住院治疗,可以避免用户的来回奔波。
步骤S02,将所述文本数据输入自动识别模型中,得到所述文本数据中的目标数据。
需要说明的是,首先需要建立自动识别模型,其中,建立自动识别模型的步骤为,获取医学知识样本数据,即疾病领域电子资料、医学书籍、医学网站爬虫等数据,收集汇总的医学知识数据源,作为样本数据,并将医学知识样本数据进行预处理,得到医学知识样品数据中的目标标注数据,其中,目标标注数据至少包括实体数据、实体数据对应的属性数据以及关系数据,具体的,可以通过手动的方式对医学知识样本数据进行标注,标注对象主要可以分为实体类、属性类以及关系类,实体类可以包括疾病、药品、诊疗方案、手术名称、用户症状等,属性类可以包括适应症、禁忌症、用法用量等。
进一步的,根据已标注出的实体数据和关系数据,对医学知识样品数据进行目标数据抽取训练,以建立目标数据抽取子模型,另外,将实体数据和关系数据进行组合,形成数据存储的最小单元三元组数据,例如,<感冒,发烧,发病症状>,感冒是定义的疾病实体,发烧是症状实体,发病症状是两者之间的关系,根据最小单元三元组数据,对医学知识样品数据进行关系抽取训练,以建立关系抽取子模型,更为具体的,该关系抽取子模型的建立步骤为,获取医学知识样品数据中的单词数据,并根据单词数据,生成对应的儿子节点,儿子节点用于存储关系和对应儿子词的位置;根据单词数据,生成对应的依存结构,依存结构用于记录单词数据的第一词性、父节点的第二词性、以及第一词性与第二词性之间的第一关系;循环医学知识样品数据中的单词数据,并提取单词数据之间的第二关系,其中,第二关系至少包括动宾关系、定语后置动宾关系以及介宾的主谓动补关系;根据依存结构,确定第二关系中符合依存结构的目标单词数据。
再根据属性数据,对医学知识样品数据进行属性抽取训练,以建立属性抽取子模型,可以理解的,目标数据抽取子模型、关系抽取子模型以及属性抽取子模型构成自动识别模型。
在本实施例当中,上述目标数据抽取子模型、属性抽取子模型以及关系抽取子模型中均采用bilstm-crf标注数据训练算法,其中,bilstm-crf标注数据训练算法的公式为:
score(x,y)=∑iEmit(xi,yi)+Trans(yi-1,yi);
其中,x表示输入的文本数据,y表示对应输出的标签,i表示文本数据中单词的位数,xi表示文本数据中第i个单词,yi表示文本数据中第i个单词的标签,yi-1表示文本数据中第i-1个单词的标签,score(x,y)表示输入文本数据后,输出标签的分数,Emit(xi,yi)表示输入文本数据中第i个单词时,输出文本数据中第i个单词的标签的概率值,Trans(yi-1,yi)表示将文本数据中第i-1个单词的标签输入转移分数矩阵后,转移到文本数据中第i个单词的标签的转移分数值。
步骤S03,获取知识图谱数据库,根据所述目标数据和所述咨询问题类别,在所述知识图谱数据库中匹配对应的推荐信息,并将所述推荐信息返回给用户。
其中,在获取知识图谱数据库前,应完成对知识图谱数据库的建立,具体的,获取所有能够获取到的医学知识数据,例如,可以为医学书籍、专家经验、电子病例等数据,将医学知识数据输入自动识别模型中,得到医学知识数据的第一实体数据、第一属性数据、第一关系数据以及第一实体数据和第一关系数据组成的第一三元组数据,然后对第一三元组数据进行质量评估,得到质量评估结果,并判断评估结果是否合格,若是,则将第一三元组数据对应的第一实体数据、第一属性数据以及第一关系数据存入知识图谱数据库中,需要说明的是,质量评估可以为通过相关领域专家进行审核,对最后的结果数据,即第一三元组数据,进行评估,将合格的数据放入知识图谱数据库中,目的在于通过舍弃置信度较低的知识,来保障知识图谱数据库的质量。
另外,知识通常以分散、异构、自治的形式存在,另外还有冗余、噪音、不确定、非完备的特点,采用清洗的方式并不能解决这些问题,为此,可以把相关领域的知识融合在一起,做实体消歧,实体对齐,最终输入知识图谱数据库中,其中,实体消歧主要是计算实体之间的相似度,通过实体相似度排名来判断实体是否可能重合,在本实施例当中,将医学知识数据中的所有第一实体数据进行实体消歧,得到第一实体数据之间的相似度值,并判断相似度值是否大于阈值,若是,则将相似度值满足要求的第一实体数据进行知识融合。
当知识图谱数据库构建完成后,根据目标数据和咨询问题类别,搜索知识图谱数据库,获取到知识图谱数据库查询的结果,调用相应问题模板类型进行匹配,然后进行语言内容的整合,形成语句通顺的描述,返回给用户。
以咨询“感冒会有什么症状”为例进行说明,将文本数据输入自动识别模型,通过目标数据抽取子模型可辨别出其中的症状实体为“感冒”,通过关系抽取子模型可判断出属于咨询“发病症状”的目的,然后会匹配相应的知识图谱数据库查询模板,填入变量数据,转换为能够进行执行查询的知识图谱数据库语句,最后返回感冒的所有相关症状包括“咳嗽”、“发烧”、“流鼻涕”,再通过问答推荐信息模板,转换为流畅可以理解的推荐信息,即为“感冒的症状主要有咳嗽、发烧、流鼻涕”。
综上,本发明通过获取用户提供的咨询问诊信息,咨询问诊信息至少包括文本数据,并根据文本数据,确定对应的咨询问题类别;将文本数据输入自动识别模型中,得到文本数据中的目标数据;获取知识图谱数据库,根据目标数据和咨询问题类别,在知识图谱数据库中匹配对应的推荐信息,并将推荐信息返回给用户,以为用户就医提供便利,提高用户就医满意度。
实施例二
本发明第二实施例提供的一种医疗咨询信息的推荐方法,所述方法具体包括步骤S10至步骤S12。
步骤S10,获取用户提供的咨询问诊信息,所述咨询问诊信息至少包括文本数据,并根据所述文本数据,确定对应的咨询问题类别。
步骤S11,将所述文本数据输入自动识别模型中,得到所述文本数据中的目标数据。
步骤S12,获取知识图谱数据库,根据所述目标数据和所述咨询问题类别,在所述知识图谱数据库中匹配对应的推荐信息,并将所述推荐信息返回给用户。
具体的,根据推荐信息,匹配对应的科室信息以及科室信息中当前值班的医生信息,其中,医生信息至少包括医生姓名以及医生主治方向,需要说明的是,应预先建立科室信息与推荐信息的映射关系,例如,推荐信息中的症状实体为“感冒”,则需要挂内科,即感冒与内科形成映射关系,若在症状实体为“感冒”的基础上还识别出“发热”、“咳嗽”、“咳痰”、“咽痛”等症状时,则可进一步的将感冒与呼吸内科形成映射关系,若在症状实体为“感冒”的基础上还识别出“恶心”、“呕吐”、“腹泻”等症状时,则可进一步的将感冒与消化内科形成映射关系,以使用户可以更为准确的推荐相应的科室和对应的专家医生给用户进行选择。
另外,根据医生姓名,获取对应的挂号数量,并将挂号数量最小的医生姓名推送给用户,可以理解的,挂号数量越多,说明需要等待就医的时间就越长,为了更加智能的缩短等待时长,将当前挂号数量较少的医生推荐给用户,用户可根据自身情况进行选择挂号。
在本实施例当中,用户发送的症状描述信息可直接发送给医生,同时,医生也可以看到用户的基本信息情况,该信息是用户进行注册时候填入的基本信息,医生根据自身诊疗经验,再结合在知识图谱数据库中匹配的对应的推荐信息,可对用户的咨询问诊做出最终判断,然后回复用户相应的诊断结果,从而完成远程诊疗的整个回复过程。
实施例三
请参阅图2,图2是本发明实施例提供的医疗咨询信息的推荐系统的结构框图。医疗咨询信息的推荐系统300包括:第一获取模块31、目标数据获取模块32以及匹配模块33,其中:
第一获取模块31,用于获取用户提供的咨询问诊信息,所述咨询问诊信息至少包括文本数据,并根据所述文本数据,确定对应的咨询问题类别;
目标数据获取模块32,用于将所述文本数据输入自动识别模型中,得到所述文本数据中的目标数据;
匹配模块33,用于获取知识图谱数据库,根据所述目标数据和所述咨询问题类别,在所述知识图谱数据库中匹配对应的推荐信息,并将所述推荐信息返回给用户。
进一步的,在本发明一些可选实施例当中,医疗咨询信息的推荐系统300还包括:
预处理单元,用于获取医学知识样本数据,并将所述医学知识样本数据进行预处理,得到所述医学知识样品数据中的目标标注数据,其中,所述目标标注数据至少包括实体数据、所述实体数据对应的属性数据以及关系数据;
目标数据抽取子模型建立单元,用于根据所述实体数据和所述关系数据,对所述医学知识样品数据进行目标数据抽取训练,以建立目标数据抽取子模型;
关系抽取子模型建立单元,用于将所述实体数据和所述关系数据进行组合,形成数据存储的最小单元三元组数据,根据所述最小单元三元组数据,对所述医学知识样品数据进行关系抽取训练,以建立关系抽取子模型;
属性抽取子模型单元,用于根据所述属性数据,对所述医学知识样品数据进行属性抽取训练,以建立属性抽取子模型;
其中,所述目标数据抽取子模型、所述关系抽取子模型以及所述属性抽取子模型构成所述自动识别模型,所述目标数据抽取子模型、所述属性抽取子模型以及所述关系抽取子模型中均采用bilstm-crf标注数据训练算法,其中,所述bilstm-crf标注数据训练算法的公式为:
score(x,y)=∑iEmit(xi,yi)+Trans(yi-1,yi;
其中,x表示输入的文本数据,y表示对应输出的标签,i表示文本数据中单词的位数,xi表示文本数据中第i个单词,yi表示文本数据中第i个单词的标签,yi-1表示文本数据中第i-1个单词的标签,score(x,y)表示输入文本数据后,输出标签的分数,Emit(xi,yi)表示输入文本数据中第i个单词时,输出文本数据中第i个单词的标签的概率值,Trans(yi-1,yi)表示将文本数据中第i-1个单词的标签输入转移分数矩阵后,转移到文本数据中第i个单词的标签的转移分数值。
进一步的,在本发明一些可选实施例当中,医疗咨询信息的推荐系统300还包括:
第一获取单元,用于获取医学知识数据,将所述医学知识数据输入所述自动识别模型中,得到所述医学知识数据的第一实体数据、第一属性数据、第一关系数据以及所述第一实体数据和所述第一关系数据组成的第一三元组数据;
第一判断单元,用于对所述第一三元组数据进行质量评估,得到质量评估结果,并判断所述评估结果是否合格;
知识图谱数据库构建单元,用于当判断所述评估结果合格时,则将所述第一三元组数据对应的所述第一实体数据、所述第一属性数据以及所述第一关系数据存入所述知识图谱数据库中。
进一步的,在本发明一些可选实施例当中,关系抽取子模型建立单元包括:
儿子节点生成子单元,用于获取所述医学知识样品数据中的单词数据,并根据所述单词数据,生成对应的儿子节点,所述儿子节点用于存储关系和对应儿子词的位置;
依存结构生成子单元,用于根据所述单词数据,生成对应的依存结构,所述依存结构用于记录所述单词数据的第一词性、父节点的第二词性、以及所述第一词性与所述第二词性之间的第一关系;
提取生成子单元,用于循环所述医学知识样品数据中的所述单词数据,并提取所述单词数据之间的第二关系,其中,所述第二关系至少包括动宾关系、定语后置动宾关系以及介宾的主谓动补关系;
目标单词数据确定子单元,用于根据所述依存结构,确定所述第二关系中符合所述依存结构的目标单词数据。
进一步的,在本发明一些可选实施例当中,知识图谱数据库构建单元包括:
第一判断子单元,用于将所述医学知识数据中的所有所述第一实体数据进行实体消歧,得到所述第一实体数据之间的相似度值,并判断所述相似度值是否大于阈值;
知识融合子单元,用于当判断所述相似度值大于阈值时,则将所述相似度值满足要求的所述第一实体数据进行知识融合。
进一步的,在本发明一些可选实施例当中,医疗咨询信息的推荐系统300还包括:
匹配模块,用于根据所述推荐信息,匹配对应的科室信息以及所述科室信息中当前值班的医生信息,其中,所述医生信息至少包括医生姓名以及医生主治方向;
推送模块,用于根据所述医生姓名,获取对应的挂号数量,并将所述挂号数量最小的所述医生姓名推送给用户。
实施例四
本发明另一方面还提出一种电子设备,请参阅图3,所示为本发明第四实施例当中的电子设备的结构框图,包括存储器20、处理器10以及存储在存储器上并可在处理器上运行的计算机程序30,处理器10执行计算机程序30时实现如上述的医疗咨询信息的推荐方法。
其中,处理器10在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行存储器20中存储的程序代码或处理数据,例如执行访问限制程序等。
其中,存储器20至少包括一种类型的可读存储介质,可读存储介质包括闪存、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。存储器20在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的硬盘。存储器20在另一些实施例中也可以是电子设备的外部存储装置,例如电子设备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20还可以既包括电子设备的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储电子设备的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
需要指出的是,图3示出的结构并不构成对电子设备的限定,在其它实施例当中,该电子设备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。
本发明实施例还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述的医疗咨询信息的推荐方法。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据状态实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医疗咨询信息的推荐方法,其特征在于,所述方法包括:
获取用户提供的咨询问诊信息,所述咨询问诊信息至少包括文本数据,并根据所述文本数据,确定对应的咨询问题类别;
将所述文本数据输入自动识别模型中,得到所述文本数据中的目标数据;
获取知识图谱数据库,根据所述目标数据和所述咨询问题类别,在所述知识图谱数据库中匹配对应的推荐信息,并将所述推荐信息返回给用户。
2.根据权利要求1所述的医疗咨询信息的推荐方法,其特征在于,所述将所述文本数据输入自动识别模型中,得到所述文本数据中的目标数据的步骤之前包括:
获取医学知识样本数据,并将所述医学知识样本数据进行预处理,得到所述医学知识样品数据中的目标标注数据,其中,所述目标标注数据至少包括实体数据、所述实体数据对应的属性数据以及关系数据;
根据所述实体数据和所述关系数据,对所述医学知识样品数据进行目标数据抽取训练,以建立目标数据抽取子模型;
将所述实体数据和所述关系数据进行组合,形成数据存储的最小单元三元组数据,根据所述最小单元三元组数据,对所述医学知识样品数据进行关系抽取训练,以建立关系抽取子模型;
根据所述属性数据,对所述医学知识样品数据进行属性抽取训练,以建立属性抽取子模型;
其中,所述目标数据抽取子模型、所述关系抽取子模型以及所述属性抽取子模型构成所述自动识别模型。
3.根据权利要求2所述的医疗咨询信息的推荐方法,其特征在于,所述获取知识图谱数据库,根据所述目标数据和所述咨询问题类别,在所述知识图谱数据库中匹配对应的推荐信息,并将所述推荐信息返回给用户的步骤之前包括:
获取医学知识数据,将所述医学知识数据输入所述自动识别模型中,得到所述医学知识数据的第一实体数据、第一属性数据、第一关系数据以及所述第一实体数据和所述第一关系数据组成的第一三元组数据;
对所述第一三元组数据进行质量评估,得到质量评估结果,并判断所述评估结果是否合格;
若是,则将所述第一三元组数据对应的所述第一实体数据、所述第一属性数据以及所述第一关系数据存入所述知识图谱数据库中。
4.根据权利要求3所述的医疗咨询信息的推荐方法,其特征在于,所述目标数据抽取子模型、所述属性抽取子模型以及所述关系抽取子模型中均采用bilstm-crf标注数据训练算法,其中,所述bilstm-crf标注数据训练算法的公式为:
score(x,y)=∑iEmit(xi,yi)+Trans(yi-1,yi);
其中,x表示输入的文本数据,y表示对应输出的标签,i表示文本数据中单词的位数,xi表示文本数据中第i个单词,yi表示文本数据中第i个单词的标签,yi-1表示文本数据中第i-1个单词的标签,score(x,y)表示输入文本数据后,输出标签的分数,Emit(xi,yi)表示输入文本数据中第i个单词时,输出文本数据中第i个单词的标签的概率值,Trans(yi-1,yi)表示将文本数据中第i-1个单词的标签输入转移分数矩阵后,转移到文本数据中第i个单词的标签的转移分数值。
5.根据权利要求4所述的医疗咨询信息的推荐方法,其特征在于,所述将所述实体数据和所述关系数据进行组合,形成数据存储的最小单元三元组数据,根据所述最小单元三元组数据,对所述医学知识样品数据进行关系抽取训练,以建立关系抽取子模型的步骤包括:
获取所述医学知识样品数据中的单词数据,并根据所述单词数据,生成对应的儿子节点,所述儿子节点用于存储关系和对应儿子词的位置;
根据所述单词数据,生成对应的依存结构,所述依存结构用于记录所述单词数据的第一词性、父节点的第二词性、以及所述第一词性与所述第二词性之间的第一关系;
循环所述医学知识样品数据中的所述单词数据,并提取所述单词数据之间的第二关系,其中,所述第二关系至少包括动宾关系、定语后置动宾关系以及介宾的主谓动补关系;
根据所述依存结构,确定所述第二关系中符合所述依存结构的目标单词数据。
6.根据权利要求5所述的医疗咨询信息的推荐方法,其特征在于,所述将所述第一三元组数据对应的所述第一实体数据、所述第一属性数据以及所述第一关系数据存入所述知识图谱数据库中的步骤包括:
将所述医学知识数据中的所有所述第一实体数据进行实体消歧,得到所述第一实体数据之间的相似度值,并判断所述相似度值是否大于阈值;
若是,则将所述相似度值满足要求的所述第一实体数据进行知识融合。
7.根据权利要求6所述的医疗咨询信息的推荐方法,其特征在于,所述获取知识图谱数据库,根据所述目标数据和所述咨询问题类别,在所述知识图谱数据库中匹配对应的推荐信息,并将所述推荐信息返回给用户的步骤之后包括:
根据所述推荐信息,匹配对应的科室信息以及所述科室信息中当前值班的医生信息,其中,所述医生信息至少包括医生姓名;
根据所述医生姓名,获取对应的挂号数量,并将所述挂号数量最小的所述医生姓名推送给用户。
8.一种医疗咨询信息的推荐系统,其特征在于,所述系统包括:
第一获取模块,用于获取用户提供的咨询问诊信息,所述咨询问诊信息至少包括文本数据,并根据所述文本数据,确定对应的咨询问题类别;
目标数据获取模块,用于将所述文本数据输入自动识别模型中,得到所述文本数据中的目标数据;
匹配模块,用于获取知识图谱数据库,根据所述目标数据和所述咨询问题类别,在所述知识图谱数据库中匹配对应的推荐信息,并将所述推荐信息返回给用户。
9.一种计算机可读存储介质,其特征在于,包括:
所述可读存储介质存储一个或多个程序,该程序被处理器执行时实现如权利要求1-7任一项所述的医疗咨询信息的推荐方法。
10.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,其中:
所述存储器用于存放计算机程序;
所述处理器用于执行所述存储器上所存放的计算机程序时,实现权利要求1-7任一项所述的医疗咨询信息的推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211674640.1A CN116030944A (zh) | 2022-12-26 | 2022-12-26 | 一种医疗咨询信息的推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211674640.1A CN116030944A (zh) | 2022-12-26 | 2022-12-26 | 一种医疗咨询信息的推荐方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116030944A true CN116030944A (zh) | 2023-04-28 |
Family
ID=86069930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211674640.1A Pending CN116030944A (zh) | 2022-12-26 | 2022-12-26 | 一种医疗咨询信息的推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116030944A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149998A (zh) * | 2023-10-30 | 2023-12-01 | 北京南师信息技术有限公司 | 基于多目标优化的智能就诊推荐方法及系统 |
-
2022
- 2022-12-26 CN CN202211674640.1A patent/CN116030944A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117149998A (zh) * | 2023-10-30 | 2023-12-01 | 北京南师信息技术有限公司 | 基于多目标优化的智能就诊推荐方法及系统 |
CN117149998B (zh) * | 2023-10-30 | 2024-01-23 | 北京南师信息技术有限公司 | 基于多目标优化的智能就诊推荐方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020019686A1 (zh) | 一种会话交互方法及装置 | |
CN111613339B (zh) | 一种基于深度学习的相似病历查找方法与系统 | |
CN112131393B (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 | |
KR102153920B1 (ko) | 정제된 인공지능 강화학습 데이터 생성을 통한 의료영상 판독 시스템 및 그 방법 | |
CN107833603B (zh) | 电子病历文档分类方法、装置、电子设备及存储介质 | |
US20190347269A1 (en) | Structured report data from a medical text report | |
CN112232065B (zh) | 挖掘同义词的方法及装置 | |
CN111368094A (zh) | 实体知识图谱建立、属性信息获取、门诊分诊方法及装置 | |
WO2023029502A1 (zh) | 基于问诊会话构建用户画像的方法、装置、设备和介质 | |
CN112241457A (zh) | 一种融合扩展特征的事理知识图谱事件检测方法 | |
CN112071429A (zh) | 一种基于知识图谱的医疗自动问答系统构建方法 | |
US11157822B2 (en) | Methods and systems for classification using expert data | |
Stanescu et al. | Creating new medical ontologies for image annotation: a case study | |
CN111986793A (zh) | 基于人工智能的导诊处理方法、装置、计算机设备及介质 | |
CN114610902A (zh) | 一种基于知识图谱的家禽疾病诊断系统 | |
CN114330267A (zh) | 一种基于语义学关联的结构化报告模板的设计方法 | |
CN112115240A (zh) | 分类处理方法、装置、服务器和存储介质 | |
CN116030944A (zh) | 一种医疗咨询信息的推荐方法及系统 | |
CN113450905A (zh) | 医疗辅助诊断系统、方法及计算机可读存储介质 | |
CN114492443A (zh) | 训练实体识别模型的方法及系统和实体识别方法及系统 | |
CN116719840A (zh) | 一种基于病历后结构化处理的医疗信息推送方法 | |
CN116860935A (zh) | 基于提示词问答交互的内容管理方法、装置、设备及介质 | |
CN116737924A (zh) | 一种医疗文本数据处理方法及装置 | |
CN115841861A (zh) | 一种相似病历推荐方法及系统 | |
Malgieri | Ontologies, Machine Learning and Deep Learning in Obstetrics |
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 |