CN116776105A - 创伤数据安全治理系统构建方法、装置和电子设备 - Google Patents

Abstract

本公开涉及医疗数据安全领域，提供了一种创伤数据安全治理系统构建方法、装置和电子设备，其中，构建方法包括：获取多个被访谈人员针对多条预设访谈内容的回复信息；识别预设访谈内容中的初始主题；分别将回复信息输入至神经网络模型，识别与初始主题相关度大于预设相关度的显性特征和与初始主题相关度小于预设相关度的隐性特征，隐性特征为与创伤数据安全相关的潜在意图特征；分别对显性特征和隐性特征进行聚类，并基于聚类结果对初始主题进行更新，得到具有主从关系的创伤数据安全治理主题；基于创伤数据安全治理主题建立创伤数据安全治理系统构建。

Description

创伤数据安全治理系统构建方法、装置和电子设备

技术领域

本公开涉及医疗数据安全技术领域，尤其涉及一种创伤数据安全治理系统构建方法、装置和电子设备。

背景技术

目前，创伤已经成为全球性的突出问题，要求依托创伤救治能力较强的三级综合医院建立创伤中心，联合急救中心建立城市创伤救治网络。区域创伤救治体系内应当建立统一规范的院前院内创伤分级预警机制，救治流程，信息共享机制，逐步实现院前急救与院内救治信息的互联互通。

创伤因其疾病本身的发生发展特点，具有突发性、紧急性、群体性和多发伤性等特点。因此，信息化建设和医疗数据收集对于创伤领域具有重要意义。其一，从患者个人层面考虑，院前与院内的信息交换及急诊与专科的信息交换能够使得创伤患者得到及时救治，优化创伤患者救治流程，从而降低创伤患者死亡率。其二，从宏观层面考虑，在全国范围内持续、系统地收集、分析和发布创伤相关的医疗信息，能够实现对创伤流行情况和疾病负担等的全面认识，从而为掌握创伤救治水平，制定创伤救治体系，评估创伤救治效果，合理配置卫生资源提供可靠的依据。因此，信息化建设对于创伤医学的发展具有重要意义。

而数据安全研究是创伤信息化建设的重要保障，创伤患者因其诊疗特点，数据来源于院前急救、院内急诊、院内其他科室和院外康复等多个场景，分散存储于多个信息系统。存在数据多源异构、缺乏数据标准、数据整合和共享困难确等问题，这些问题增加了数据处理多个环节中的数据安全风险，对数据安全保障要求进一步提高。

因此，如何提升创伤监测体系的信息化安全水平成为亟待解决的技术问题。

发明内容

有鉴于此，本公开实施例提供了一种创伤数据安全治理系统构建方法、装置和电子设备，以解决现有技术中如何提升创伤监测体系的信息化安全水平成为亟待解决的技术问题的技术问题。

本公开实施例的第一方面，提供了一种创伤数据安全治理系统构建方法，包括：获取多个被访谈人员针对多条预设访谈内容的回复信息，所述多条预设访谈内容基于创伤诊疗特征和数据安全的预设评价维度构建；识别所述预设访谈内容中的初始主题；分别将所述回复信息输入至所述神经网络模型，识别与所述初始主题相关度大于预设相关度的显性特征和与所述初始主题相关度小于预设相关度的隐性特征，所述隐性特征为与所述创伤数据安全相关的潜在意图特征；分别对所述显性特征和所述隐性特征进行聚类，并基于聚类结果对所述初始主题进行更新，得到具有主从关系的创伤数据安全治理主题；基于所述创伤数据安全治理主题建立创伤数据安全治理系统构建。

可选地，所述神经网络包括分类模型以及并列于所述分类模型之后的语义分析模型和意图识别模型；所述分别将所述回复信息输入至所述神经网络模型，识别与所述初始主题相关度大于预设相关度的显性特征和与所述初始主题相关度小于预设相关度的隐性特征包括：将所述回复信息输入至所述分类模型，得到与所述预设访谈内容相关的多个第一语句和与所述预设访谈内容无关的第二语句；将所述第一语句输入至所述语义分析模型提取所述初始主题相关度大于预设相关度的显性创伤数据安全实体特征作为所述显性特征；将所述第二语句输入至所述意图识别模型，得到与所述创伤数据安全相关的潜在意图特征作为所述隐性特征。

可选地，所述分别对所述显性特征和所述隐性特征进行聚类包括：对所述显性特征进行聚类，得到多个第一聚类中心；对所述隐性特征进行聚类，得到多个第二聚类中心；将所述多个第一聚类中心、多个第二聚类中心和所述初始主题进行合并，得到多个预选主题；基于预设特征关系对所述多个预选主题进行上下位归纳，得到所述创伤数据安全治理主题。

可选地，所述将所述第一聚类中心、第二聚类中心和所述初始主题进行合并，得到多个预选主题包括：分别计算所述第一聚类中心和第二聚类中心与所述初始主题的相似度；提取所述相似度大于第二预设相似度的第一聚类中心和第二聚类中心中的创伤数据特征；基于所述创伤数据特征与所述初始主题进行融合，得到第一预选主题；将所述相似度小于所述第二相似度的第一聚类中心和第二聚类中心作为所述第二预选主题；将所述第一预选主题和所述第二预选主题作为所述预选主题。

可选地，创伤数据安全治理系统构建方法还包括：分别针对每一被访谈人员每一预设访谈内容的回复信息提取隐性特征和显性特征的中的关联特征；基于所述关联特征对所述隐性特征和显性特征进行注意力加权，得到加权特征；对所述加权特征进行聚类，得到第三聚类中心；将所述第三聚类中心、所述第一聚类中心、第二聚类中心和所述初始主题进行合并，得到多个所述预选主题。

可选地，所述基于所述创伤数据安全治理主题建立创伤数据安全治理系统包括：分别统计针对每一被访谈人员得到的创伤数据安全治理主题的主题类型；基于所述被访谈人员的角色类型对所述对不同的主题类型进行加权融合，得到代表性的创伤数据安全治理主题；基于代表性的创伤安全治理主题构建所述创伤数据安全治理系统。

可选地，所述基于所述创伤数据安全治理主题建立创伤数据安全治理系统还包括：基于在所述创伤数据安全治理构建一级评价指标和二级评价指标；在所述显性特征和隐性特征中提取与所述二级评价指标中与所述创伤数据安全风险点和产生原因构建三级指标，并基于所述三级指标、所述创伤数据安全风险点和产生原因输出所述三级指标对应的评价条目。

根据第二方面，本申请实施例还提供了一种创伤数据安全治理系统构建装置，包括：获取模块，用于获取多个被访谈人员针对多条预设访谈内容的回复信息，所述多条预设访谈内容基于创伤诊疗特征和数据安全的预设评价维度构建；第一识别模块， 用于识别所述预设访谈内容中的初始主题；第二识别模块，用于分别将所述回复信息输入至所述神经网络模型，识别与所述初始主题相关度大于预设相关度的显性特征和与所述初始主题相关度小于预设相关度的隐性特征，所述隐性特征为与所述创伤数据安全相关的潜在意图特征；聚类模块，用于分别对所述显性特征和所述隐性特征进行聚类，并基于聚类结果对所述初始主题进行更新，得到具有主从关系的创伤数据安全治理主题；系统构建模块，用于基于所述创伤数据安全治理主题建立创伤数据安全治理系统构建。

根据第三方面，本申请实施例还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，所述存储器，用于存储计算机程序；所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行上述第一方面任一项所述的创伤数据安全治理系统构建方法。

根据第四方面，本申请实施例还提供了一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述第一方面中任一项所述的创伤数据安全治理系统构建方法。

本公开实施例与现有技术相比存在的有益效果是：

获取多个被访谈人员针对多条预设访谈内容的回复信息，所述多条预设访谈内容基于创伤诊疗特征和数据安全的预设评价维度构建；识别所述预设访谈内容中的初始主题；分别将所述回复信息输入至所述神经网络模型，识别与所述初始主题相关度大于预设相关度的显性特征和与所述初始主题相关度小于预设相关度的隐性特征，所述隐性特征为与所述创伤数据安全相关的潜在意图特征；分别对所述显性特征和所述隐性特征进行聚类，并基于聚类结果对所述初始主题进行更新，得到具有主从关系的创伤数据安全治理主题；基于所述创伤数据安全治理主题建立创伤数据安全治理系统构建。过收集和分析数据来构建假设或理论，可用来归纳理解社会过程或现象。通过对多方相关人员的定性访谈，了解创伤数据处理全生命周期的数据安全风险点，产生原因，风险评估方法及可能的防控措施，为后续的研究提供现实依据。

附图说明

为了更清楚地说明本公开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它的附图。

图1是本公开实施例提供的一种创伤数据安全治理系统构建方法的流程示意图；

图2是本公开实施例提供的神经网络结构示意图；

图3是本公开实施例提供的创伤数据安全治理系统构建方法中提取显性特征和隐性特征的方法流程示意图；

图4是本公开实施例提供的一种创伤数据安全治理系统构建装置的结构示意图；

图5是本公开实施例提供的一种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。

参照数据安全领域相关的数据安全规定，需要建立数据安全制度，包括建立数据分级分类管理制度，确定重要数据保护目录。针对数据处理的各个环节进行数据安全风险的监测、评估和防护。研究应用权限管控、数据脱敏、数据加密、审计溯源等多种技术手段确保数据安全。同时，医疗数据中包含大量的患者个人信息及敏感信息，个人信息是数据安全的重要保护对象，处理个人信息应该遵循“正当、合法、必要、诚信和公开透明”原则，该原则贯穿于个人信息的收集、存储、使用、加工、传输、提供、公开和删除等各个环节。对于敏感信息的处理需要具有特点目的和充分必要性，采取严格保护措施。并且在医疗行业的一些要求中，要求健康医疗数据控制者应采取合理和适当的管理与技术保障措施，确保健康医疗数据的保密性、完整性和可用性；确保健康医疗数据使用和披露过程的合法性和合规性，保护个人信息安全、公众利益和国家安全；确保健康医疗数据在符合安全要求的前提下满足业务发展需求。

基于此，创伤数据安全风险是指在创伤相关诊疗数据处理全生命周期中，信息化系统、人员和管理机制可能面临的数据安全风险。因此，本申请中参照相关数据安全法规并结合创伤诊疗的特征，在多个预设维度进行创伤数据安全治理。

在本申请中，通过对多方相关人员的定性访谈，了解创伤数据处理全生命周期的数据安全风险点，产生原因，风险评估方法及可能的防控措施，为后续的研究提供现实依据。

参见图1，本申请提供了一种创伤数据安全治理系统构建方法，具体包括如下步骤：

S10.获取多个被访谈人员针对多条预设访谈内容的回复信息，所述多条预设访谈内容基于创伤诊疗特征和数据安全的预设评价维度构建。

在本实施例中，数据安全的预设评价维度可以基于通用的数据安全的评价维度确定，示例性的，可以预先结合数据安全领域相关的数据安全法规，通用的数据安全制度等获取其中的评价维度或构建预设评价维度，例如，可以包括数据分级分类管理制度，重要数据保护目录；针对数据处理的各个环节进行数据安全风险的监测、评估和防护、应用权限管控、数据脱敏、数据加密、审计溯源等多方面多个预设评价维度。

而在创伤诊疗中，数据来源于院前急救、院内急诊、院内其他科室和院外康复等多个场景，分散存储于多个信息系统。存在数据多源异构、缺乏数据标准、数据整合和共享困难、数据分级分类不明确等问题，

因此，针对创伤诊疗特征中的创伤数据处理多个环节中的数据安全风险，通用的数据安全的评价维度来构建预设访谈内容，在符合数据安全通用评价维度的前提下，更加贴合创伤诊疗的特征。

在本实施例中，对于被访谈人员的筛选还需结合创伤诊疗特征，例如，专业医务人员、临床研究人员、数据管理人员和相关政策制定人员，结合被访谈人员角色类型构建多条针对性的预设访谈内容。以便收集信息化建设中不同角色人员的意见，以获得具有代表性的信息。

作为示例性的实施例，利用多条预设访谈内容对方被访谈人员进行半结构化访谈，得到针对每一被访谈人员，每一预设访谈内容的回复信息，在本实施例中，回复信息可以包括文本信息，语音信息或视频信息中的至少一种。

S20. 识别所述预设访谈内容中的初始主题。作为示例性的实施例，预设访谈内容均通过数据安全法规结合诊疗特征进行构建，因此，预设访谈内容均包含访谈主题。在本实施例中识别预设访谈内容中访谈意图作为初始主题，在本实施例中，预设访谈内容为“ 请问您医院是否有创伤数据安全性方面的制度文件？”可以提取其意图为“医院制度中的数据安全风险”；再例如，“ 您在临床诊疗工作中，是否采用过社交软件或纸质文本这种方式记录过患者信息？”，可以提取意图为“创伤数据采集中的数据安全风险”，再例如，“您在临床诊疗工作中，传输采集的数据方式是什么”，可以提取其意图为“数据传输中的数据安全风险”；再例如“您认为在临床诊疗和临床研究过程中，对于患者数据安全的保护是否重要？”其意图可以为“是否有风险意识”。在本实施例中可以设置多个预设访谈内容，针对每一访谈内容进行意图提取，并构建初始主题。

作为示例性的实施例，意图识别可以采用规则匹配的方式和模型识别的方式。其中，规则匹配可以是通过识别下文文本中是否存在预设的能够表征某种会话意图的关键词进行意图识别的方式。还可以利用例如基于LDA模型进行意图识别等模型识别方式进行识别，对此不作限制。

S30.分别将所述回复信息输入至所述神经网络模型，提取与所述初始主题相关度大于预设相关度的显性特征和与所述初始主题相关度小于预设相关度的隐性特征，所述隐性特征为与所述创伤数据安全相关的潜在意图特征。作为示例性的实施例，以回复信息为语音信息为例，可以先将语音转换为文本信息，该文本信息为针对预设访谈内容的回复信息，该回复信息中包含对于预设访谈内容的直接答案信息，也可能包含被访谈人员的个人见解、拓展和建议以及对于预设访谈内容的态度等。因此，在本实施例中，显性特征可以为针对预设访谈内容的显性答案信息。由于被访谈人员均为该领域的专业人员或一线人员，因此，回复信息中往往包含有与问题直接相关度不大的一些个人见解，建议、意见对预设访谈内容的态度等隐性信息，因此，在本实施例中，还需提取该隐性特征，以得到更加丰富的访谈结果。

在本实施例中，神经网络模型可以采用Word2vec语言模型。还可以采用BERT匹配模型进行问题和答案匹配，即判断问答文本是否匹配。在本实施例中，以Word2vec语言模型为例进行说明，Word2vec采用的是n元语法模型(n-gram model)，即假设一个词只与周围n个词有关，而与文本中的其他词无关。Word2vec利用深度学习的思想，可以通过训练，把对文本内容的处理简化为K维向量空间中的向量运算，而向量空间上的相似度可以用来表示文本语义上的相似度。Word2vec得到的词的向量形式则可以自由控制维度。Word2vec是基于词的维度进行语义分析，得到词向量后，需要在词基础之上获得句向量，而具有上下文的语义分析能力，进而分析对词向量或句向量与初始主题之间的相似度，将相似度大于预设相似度的词或语句提取作为显性特征。

作为可选的示例性的实施例，对于隐性特征的提取可以利用所有的回复进行提取，也可以在提取显性特征之后，将剩余的回复信息进行意图识别，以识别被访谈人员的潜在隐性意图。在本实施例中，对于剩余回复信息的示意图识别还可以采用规则匹配和模型识别。其中，规则匹配可以是通过识别下文文本中是否存在预设的能够表征某种会话意图的关键词进行意图识别的方式。

在本实施例中，由于访谈为半结构访谈，回复信息往往是非规则化的会话文本，采用规则匹配可能在一定程度上无法满足意图提取的精准程度，因此，在本实施例中，还可以采用机器学习或深度学习的意图识别模型和规则匹配进行配合以进行更为准确的意图识别，示例性的，可以基于CNN模型或RNN模型。

作为示例性的实施例规则匹配可以预先针对数据安全和创伤诊疗特征中的数据生命周期的特点构建规则模板，根据匹配成功的规则模板进行语义解析与推理，识别出回复信息中的意图，在本本实施例中，为了提升识别效率和准确率，可以先将回复信息进行归一化、分词、去停用词等于处理操作，构建hash字典形式的特征文本。示例性的访谈内容为“ 您在临床诊疗工作中，是否采用过手机的社交软件或纸质文本这种方式记录过患者信息”；回复信息为“个别的情况下会出现，大夫们在诊治过程中，他可能会把患者的片子和患者的病历信息把它发到朋友圈里，来说自己的治疗效果，我觉得这一块可能因为我们后续对数据安全要做一个就是普查和培训，然后您觉得如果我们针对这一块给医生们做个培训，或者说让大家更有这种意识”，可以提取显性特征“可能会把患者的片子和患者的病历信息把它发到朋友圈里”；提取隐性特征可以为“个别情况”“培训”“建立安全意识”等。

S40.分别对所述显性特征和所述隐性特征进行聚类，并基于聚类结果对所述初始主题进行更新，得到具有主从关系的创伤数据安全治理主题。作为示例性的实施例，在对多个被访谈者进行访谈，可以得到多套针对每一访谈内容的回复信息，不同的被访谈人员针对不同的访谈内容回复的回复信息可能存在相似回复，即共识，也可能存在不同的见解，在本实施例中，可以对显性特征和隐性特征进行聚类，在本实施例中，基于所述多个语义单元确定一个或多个聚类中心。由聚类操作所生成的聚类(或簇)是一组数据对象的集合，这些对象与同一个聚类中的对象彼此相似，与其他聚类中的对象相异。聚类中心是聚类中最重要的一个对象，其最能代表该簇且最能够解释该聚类中其他对象。例如，聚类中心句在一定程度上表达了本次访谈的主题或核心思想。在一些实施例中，一个聚类只有一个聚类中心。在一些实施例中，聚类中心可以是从多个语义单元中选出的一个或多个语义单元，每个聚类中心在计算其与所述多个语义单元中的其他语义单元之间的相似度时作为参考对象，换句话说，在该相似度计算过程中，所述参考对象需要与其他语义单元之间的每一个进行一次相似度的计算。

作为示例性的实施例，通过AP算法从多个语义单元中确定一个或多个聚类中心。AP(affinity propagation)方法又称为亲和度传播算法，其中在任何时间点，每个信息的大小都反映了当前一个数据点选择另一个数据点作为它的聚类中心的亲和度。在AP算法中，所有数据点都作为潜在的聚类中心(又称为簇中心)，并且数据点两两之间连线构成一个网络，每个数据点都被视为一个网络节点。AP算法通过网络中各条边的消息(即吸引度和归属度)传递计算出各样本的聚类中心，其中，吸引度指第一数据点适合作为第二数据点的聚类中心的程度，归属度指第二数据点选择第一数据点作为其聚类中心的适合程度。换句话说，AP算法通过沿着网络边缘递归地即传输信息直到出现一组好的簇中心和产生相应的聚类。以此分别针对显性特征和隐性特征的聚类中心，以表征访谈人员的实际想法。

在本实施例中，可以以初始主题为基本框架，将聚类中心与初始主题合并，具体的，分别计算所述第一聚类中心和第二聚类中心与所述初始主题的相似度；提取所述相似度大于第二预设相似度的第一聚类中心和第二聚类中心中的创伤数据特征；基于所述创伤数据特征与所述初始主题进行融合，得到第一预选主题；将所述相似度小于所述第二相似度的第一聚类中心和第二聚类中心作为所述第二预选主题；将所述第一预选主题和所述第二预选主题作为所述预选主题。基于预设特征关系对所述多个预选主题进行上下位归纳，得到所述创伤数据安全治理主题。

作为示例性的实施例，可以利用预设知识图谱进行上下位关系归纳和总结，，还可以基于自然语言模型识别每一聚类中心和每一初始主题的语义，基于语义对聚类中心和初始主题进行相似度计算，将相似度大于预设值的聚类中心和初始主题合并，将相似度小于预设值的聚类中心作为新增主题或潜在主题，并基于合并主题和潜在主题进行归纳或推理，得到预选主题。

作为示例性的实施例，聚类中心可以包括聚类得到的创伤数据的风险点，产生原因，治理建议等，示例性的，可以包括“创伤数据互通共享仍未全面实现”“创伤数据处理全生命周期的安全治理体系有待完善”“创伤数据的专业管理和运行人员尚未建立”“数据安全基础保障能力有待提升”，初始主题可以包括：数据采集、数据传输、数据存储、数据应用和数据销毁等。基于聚类结果对所述初始主题进行更新，可以得到“创伤数据安全治理顶层规划、数据互通共享、数据全生命周期的安全管理和数据安全基础技术保障”以及“创伤数据全生命周期的安全管理中的，“创伤数据采集安全”“创伤数据存储安全”“创伤数据传输安全”“创伤数据应用安全”“创伤数据销毁安全””以及，创伤数据安全治理顶层规划下的“创伤数据专业管理运行团队”即，建立创伤数据安全管理的团队及人员。根据医院及创伤诊疗流程的实际情况，建立由医院领导负责，自上而下的组织管理和运行团队，具备明确的数据安全管理、执行和监督岗位。

S50.基于所述创伤数据安全治理主题建立创伤数据安全治理系统构建。

在本实施例中，分别统计针对每一被访谈人员得到的创伤数据安全治理主题的主题类型；基于所述被访谈人员的角色类型对所述对不同的主题类型进行加权融合，得到代表性的创伤数据安全治理主题；基于代表性的创伤安全治理主题构建所述创伤数据安全治理系统。

基于在所述创伤数据安全治理构建一级评价指标和二级评价指标；在所述显性特征和隐性特征中提取与所述二级评价指标中与所述创伤数据安全风险点和产生原因构建三级指标，并基于所述三级指标、所述创伤数据安全风险点和产生原因输出所述三级指标对应的评价条目。

示例性的，根据定性访谈结果，对于医院层面的创伤数据安全评估，应该包含创伤数据的顶层管理设计，全生命周期的数据安全，以及基础技术保障。在此基础上才能构建国家层面的四级创伤数据网络。因此，创伤数据安全风险评估指标体系包含多个一级指标，多个二级指标以及多个三级指标。同时，根据访谈结果的梳理，在三级指标的基础上补充对应具体的评价条目，该条目具有评估可操作性。作为创伤数据安全治理系统。

作为示例性的实施例，参见图2所示，神经网络模型可以包括分类模型以及并列于所述分类模型之后的语义分析模型和意图识别模型；在本实施例中，分类模型可以采用支持向量机模型，进行粗分类，将属于初始主题的语句和不属于初始主题的语句进行分类后，分别输入到语义分析模型和意图识别模型中，以减小语义分析模型和意图识别模型的计算量，还可以采用BERT匹配模型对预设访谈内容和回复信息进行匹配，得到与预设访谈内容匹配的文本和不匹配的文本。

如图3所示，提取显性特征和隐性特征的方法具体可以包括如下步骤：

S301.将回复信息输入至分类模型，得到与预设访谈内容第一相似度大于第一预设相似度的多个第一语句和与预设访谈内容第一相似度小于第一预设相似度的第二语句。

在本实施例中，以支持向量机为例进行说明，在得到回复信息之后，可以对回复信息拆分，在本实施例中，可以按照语句拆分，得到多个语句，在分别对每一语句进行分词。

针对每一语句进行分词，由这些词作为向量的维数来表示文本;统计每一语句所有出现的词语及其频率，然后过滤，剔除停用词和单字词;统计每一语句出现词语的总词频，并取其中的若干个频率最高的词汇作为这一语句的特征词集;去除每一语句中都出现的词，合并所有类别的特征词集，形成总特征词集。进而分别得到每一语句对应的特征集合。

分别将每一特征集合进行向量表示，得到针对每一语句的向量集，将每一语句的向量集分别与预设访谈内容对应的向量集进行相似度计算，将相似度大于预设相似度的第一语句作为显性特征提取的语句，将相似度小于预设和相似度的语句作为隐性特征提取的语句。

S302.将所述第一语句输入至所述语义分析模型提取与所述初始主题相关度大于预设相关度的显性创伤数据安全实体特征作为所述显性特征。作为示例性的实施例，第一语句基于分类模型对于完整句子的语义进行分类得到，为了更为深入的挖掘第一语句关于创伤数据安全治理的回复信息，在本实施例中，可以对第一语句进行更为深度的挖掘，在本实施例中，可以采用基于语义的关键词提取算法对第一语句中的关键词进行提取，在本实施例中，为了使得关键词更能够符合创伤数据的场景，在本实施例中，可以采用循环神经网络对每一第一语句中的关键词进行提取。

示例性的，可以采用以目标词为中心的LSTM结构（Target-Centered LSTM，TC-LSTM）。在本实施例中，现将第一语句划分为词序列，分别以每一词作为目标词，将目标词的上文信息和下文信息都输入到模型，两个方向上的信息共同建模到一个向量之中，能够更好地对目标词的重要程度进行表示，从而来预测其是否是关键词的概率。

S303.将所述第二语句输入至所述意图识别模型，得到与所述创伤数据安全相关的潜在意图特征作为所述隐性特征，在本实施例中，意图识别模型可以采用上述实施例中描述的意图识别模型记性第二语句的意图识别，在本实施例中不再赘述。

作为示例性的实施例，在回复信息中，显性特征和隐性特征之间可能包含被访谈人员的思维联系，即访谈人员为什么会基于显性特征或基于问题产生自己的见解，该思维联系可能为被访谈人员对于创伤数据安全的思考，因此，为了尽可能全面的提取被访谈人员对于创伤数据安全的认识。

在本实施例中，可以分别针对每一被访谈人员每一预设访谈内容的回复信息提取隐性特征和显性特征的中的关联特征；基于所述关联特征对所述隐性特征和显性特征进行注意力加权，得到加权特征；将所述显性特征、所述隐性特征和所述加权特征进行聚类，得到所述聚类结果。

作为示例性的实施例，预设访谈内容提取的初始主题可以为“创伤数据面临的风险挑战以及创伤数据的专业管理团队尚未建立？”

回复信息为：“创伤数据安全不仅仅包括个人隐私的问题，还涉及到数据存储和传输后泄露风险的问题，针对泄露的风险，在数据传输时，可以用内部硬盘存储，设置加密，不经过网络传输，而是硬件存储媒介传输数据，但是硬盘在运输过程中可能损坏，所以要及时做好备份。

另一种就是把数据做成一个数据链，它数据传输的时候，传输的是一条一条的代码，别人拿到之后的话，如果说不通过你预先指定的规则的话，是无法解析看到这个数据信息。

再有就是我们自己可以建立一个云平台，创伤云平台，采用内部网络。

但是在使用的时候，存在用的人不想用的情况，因为还要来学习这个软件，不如通过手机，微信等传输方便，因为，微信它实用性很强，比方说在某个地方有个车祸，我用微信把图像发给创伤中心的团队，马上就在医院急诊科等待患者把所有的工作准备好了就干活，完了以后病人救活了。

所以用的时候一开始用不好，后来换了领导，领导要求考核这些，还与工作量挂钩，后来人们也都用起来了。

另外，主要就是担心会不会有我们个人的一些操作不当造成的信息泄露这方面，所以在进行数据收集整理的过程中会比较小心。

我觉得这一块可能因为我们后续对数据安全要做一个就是普查和培训，然后您觉得如果我们针对这一块给医生们做个培训，或者说让大家更有这种意识，在发微信的时候尽量不要设拍到患者个人的面部，或者他的一些带有个人姓名身份证号这种文件，这样是不是就会比较好。”

在本实施例中，针对初始主题，可以提取显性特征“数据存储和传输泄露风险”“数据采集操作不当存在泄露风险”；其中，隐性特征为“不经网络传输”、“硬盘加密”“创伤云平台”、“内部网络”、“普查和培训”、“安全意识”，以及关联特征“损坏”“用的人不想用”、“不方便”、 “担心会不会有我们个人的一些操作不当”、“领导要求考核”等

在本实施例中，分别基于关联特征和下上文语义，将关联特征对每一显性特征和每一隐性特征进行注意力加权，以完善显性特征和隐形特征对应的主题，或增加新的潜在主题或进一步确定每一显性特征或隐性特征的重要程度。示例性的，通过加权特征可以增加显性特征和隐形特征对应的主题的下位主题，例如，“数据存储和传输泄露风险”中，通过对关联特征“损坏”，其注意力在于硬盘存储和传输过程，因此，可以在数据传输和存储过程，甚至数据全生命周期内增加数据备份，安全操作等下位主题或潜在主题。另外，通过“领导要求考核”这一关联特征中，得到“医院制度”、“领导责任”、“组织体系”等主题。

作为示例性的实施例，还可以先对所述加权特征进行聚类，得到第三聚类中心；将所述第三聚类中心、所述第一聚类中心、第二聚类中心和所述初始主题进行合并，得到多个所述预选主题。

通过关联特征对所述隐性特征和显性特征进行注意力分配处理，得到注意力权值，再将注意力权值分别与显性特征和隐性特征相结合，得到综合特征，使得关联特征聚焦到与其相关的主题中，进而可以更为准确的提取关联特征所表达的被访谈者的想法，可以进一步挖掘回复信息总的潜在主题，因此，对加权融合特征进行聚类，得到第三聚类中心；将所述第三聚类中心、所述第一聚类中心、第二聚类中心和所述初始主题进行合并，得到多个所述预选主题，可以实现对回复信息的充分挖掘。避免主题遗漏。

上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不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一种创伤数据安全治理系统构建装置的示意图。如图4所示，该装置包括：

获取模块41，用于获取多个被访谈人员针对多条预设访谈内容的回复信息，所述多条预设访谈内容基于创伤诊疗特征和数据安全的预设评价维度构建；

第一识别模块42， 用于识别所述预设访谈内容中的初始主题；

第二识别模块43，用于分别将所述回复信息输入至所述神经网络模型，识别与所述初始主题相关度大于预设相关度的显性特征和与所述初始主题相关度小于预设相关度的隐性特征，所述隐性特征为与所述创伤数据安全相关的潜在意图特征；

聚类模块44，用于分别对所述显性特征和所述隐性特征进行聚类，并基于聚类结果对所述初始主题进行更新，得到具有主从关系的创伤数据安全治理主题；

系统构建模块45，用于基于所述创伤数据安全治理主题建立创伤数据安全治理系统构建。

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电子设备5的示意图。如图5所示，该实施例的电子设备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在电子设备5中的执行过程。

电子设备5可以是终端、网关或云端服务器等电子设备。电子设备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仅仅是电子设备5的示例，并不构成对电子设备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，电子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可以是电子设备5的内部存储单元，例如，电子设备5的硬盘或内存。存储器502也可以是电子设备5的外部存储设备，例如，电子设备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还可以既包括电子设备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电子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，并不用于限制本公开的保护范围。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/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子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)

1.一种创伤数据安全治理系统构建方法，其特征在于，包括：

获取多个被访谈人员针对多条预设访谈内容的回复信息，多条所述预设访谈内容基于创伤诊疗特征和数据安全的预设评价维度构建；

识别所述预设访谈内容中的初始主题；

分别将所述回复信息输入至神经网络模型，分别提取与所述初始主题相关度大于预设相关度的显性特征和与所述初始主题相关度小于预设相关度的隐性特征，所述隐性特征为与所述创伤数据安全相关的潜在意图特征；

分别对所述显性特征和所述隐性特征进行聚类，并基于聚类结果对所述初始主题进行更新，得到具有主从关系的创伤数据安全治理主题；

基于所述创伤数据安全治理主题建立创伤数据安全治理系统构建。

2.如权利要求1所述的创伤数据安全治理系统构建方法，其特征在于，所述神经网络模型包括分类模型以及并列于所述分类模型之后的语义分析模型和意图识别模型；

所述分别将所述回复信息输入至所述神经网络模型，分别提取与所述初始主题相关度大于预设相关度的显性特征和与所述初始主题相关度小于预设相关度的隐性特征包括：

将所述回复信息输入至所述分类模型，得到与所述预设访谈内容第一相似度大于第一预设相似度的第一语句和与所述预设访谈内容第一相似度小于第一预设相似度的第二语句；

将所述第一语句输入至所述语义分析模型提取与所述初始主题相关度大于预设相关度的显性创伤数据安全实体特征作为所述显性特征；

将所述第二语句输入至所述意图识别模型，提取与所述创伤数据安全相关的潜在意图特征作为所述隐性特征。

3.如权利要求1或2所述的创伤数据安全治理系统构建方法，其特征在于，所述分别对所述显性特征和所述隐性特征进行聚类包括：

对所述显性特征进行聚类，得到多个第一聚类中心；

对所述隐性特征进行聚类，得到多个第二聚类中心；

将所述多个第一聚类中心、多个第二聚类中心和所述初始主题进行合并，得到多个预选主题；

基于预设特征关系对所述多个预选主题进行上下位归纳，得到所述创伤数据安全治理主题。

4.如权利要求3所述的创伤数据安全治理系统构建方法，其特征在于，所述将所述第一聚类中心、第二聚类中心和所述初始主题进行合并，得到多个预选主题包括：

分别计算所述第一聚类中心和第二聚类中心与所述初始主题的第二相似度；

提取所述第二相似度大于第二预设相似度的第一聚类中心和第二聚类中心中的创伤数据特征；

基于所述创伤数据特征与所述初始主题进行融合，得到第一预选主题；

将所述第二相似度小于所述第二预设相似度的第一聚类中心和第二聚类中心作为第二预选主题；

将所述第一预选主题和所述第二预选主题作为所述预选主题。

5.如权利要求1所述的创伤数据安全治理系统构建方法，其特征在于，还包括：

分别针对每一被访谈人员每一预设访谈内容的回复信息提取隐性特征和显性特征的中的关联特征；

基于所述关联特征对所述隐性特征和显性特征进行注意力加权，得到加权特征；

将所述显性特征、所述隐性特征和所述加权特征进行聚类，得到所述聚类结果。

6.如权利要求1所述的创伤数据安全治理系统构建方法，其特征在于，所述基于所述创伤数据安全治理主题建立创伤数据安全治理系统包括：

分别统计针对每一被访谈人员得到的创伤数据安全治理主题的主题类型；

基于所述被访谈人员的角色类型对不同的主题类型进行加权融合，得到代表性的创伤数据安全治理主题；

基于代表性的创伤安全治理主题构建所述创伤数据安全治理系统。

7.如权利要求1或6所述的创伤数据安全治理系统构建方法，其特征在于，所述基于所述创伤数据安全治理主题建立创伤数据安全治理系统还包括：

基于在所述创伤数据安全治理主题构建一级评价指标和二级评价指标；

在所述显性特征和隐性特征中提取与所述二级评价指标中与所述创伤数据安全风险点和产生原因构建三级指标，并基于所述三级指标、所述创伤数据安全风险点和产生原因输出所述三级指标对应的评价条目。

8.一种创伤数据安全治理系统构建装置，其特征在于，包括：

获取模块，用于获取多个被访谈人员针对多条预设访谈内容的回复信息，所述多条预设访谈内容基于创伤诊疗特征和数据安全的预设评价维度构建；

第一识别模块， 用于识别所述预设访谈内容中的初始主题；

第二识别模块，用于分别将所述回复信息输入至神经网络模型，识别与所述初始主题相关度大于预设相关度的显性特征和与所述初始主题相关度小于预设相关度的隐性特征，所述隐性特征为与所述创伤数据安全相关的潜在意图特征；

聚类模块，用于分别对所述显性特征和所述隐性特征进行聚类，并基于聚类结果对所述初始主题进行更新，得到具有主从关系的创伤数据安全治理主题；

系统构建模块，用于基于所述创伤数据安全治理主题建立创伤数据安全治理系统构建。

9.一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，其特征在于，

所述存储器，用于存储计算机程序；

所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行权利要求1至7中任一项所述的创伤数据安全治理系统构建方法。

10.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至7中任一项所述的创伤数据安全治理系统构建方法。