CN117313855A - 规则决策方法和装置 - Google Patents
规则决策方法和装置 Download PDFInfo
- Publication number
- CN117313855A CN117313855A CN202311604914.4A CN202311604914A CN117313855A CN 117313855 A CN117313855 A CN 117313855A CN 202311604914 A CN202311604914 A CN 202311604914A CN 117313855 A CN117313855 A CN 117313855A
- Authority
- CN
- China
- Prior art keywords
- event
- attribute
- rule
- decision
- nodes
- 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 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 201000010099 disease Diseases 0.000 claims description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 208000028399 Critical Illness Diseases 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 18
- 208000031481 Pathologic Constriction Diseases 0.000 description 15
- 208000037804 stenosis Diseases 0.000 description 15
- 230000036262 stenosis Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 8
- 208000029078 coronary artery disease Diseases 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000012015 optical character recognition Methods 0.000 description 4
- 208000019693 Lung disease Diseases 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013515 script Methods 0.000 description 3
- 230000002308 calcification Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书实施例提供一种规则决策方法和装置，方法包括：获取第一事件的各个属性的属性值；从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，并创建代表第一事件的事件节点，在所述事件节点和各个属性值节点之间分别建立连接边，得到所述第一事件对应的事件子图；将所述事件子图输入事件语义模型，得到所述第一事件是否属于第一结论概念的决策结果；其中，所述事件语义模型基于若干决策规则构建，所述决策规则的规则参数对应于所述属性，规则逻辑对应于所述事件语义模型的模型算法。能够提升规则编写和调试的效率。
Description
技术领域
本说明书一个或多个实施例涉及计算机领域，尤其涉及规则决策方法和装置。
背景技术
在很多企业级的业务智能场景中，都不可避免的会涉及到专家决策过程，专家决策过程也称为规则决策过程。例如，在医疗场景中判断一些症状和检查指标是否可以确诊某种疾病，或者，在保险场景中，根据用户的报案信息决策是否符合某个保险产品的理赔条件等等。传统的解决办法是引入一套决策引擎，把专家经验转化为规则脚本，定义到决策引擎里，再通过决策引擎接收输入得出一个结论，其中，上述输入可能包括用户的隐私数据，需要保护隐私数据不会泄露。在复杂的专家规则情景下，规则脚本很长，且逻辑很复杂，理解和调试的成本都很高，尤其在规则需要频繁扩充判断条件或者调整参数集合的时候，繁琐且容易出错，比如判断某个医院是否是医保定点，或者，某个检查项目是否是某个疾病的必要诊断项等等。
因此，需要对规则决策过程进行改进，以方便规则的理解和调试，从而提升规则编写和调试的效率。
发明内容
本说明书一个或多个实施例描述了一种规则决策方法和装置，能够提升规则编写和调试的效率。
第一方面，提供了一种规则决策方法，方法包括：
获取第一事件的各个属性的属性值；
从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，并创建代表第一事件的事件节点，在所述事件节点和各个属性值节点之间分别建立连接边，得到所述第一事件对应的事件子图；
将所述事件子图输入事件语义模型，得到所述第一事件是否属于第一结论概念的决策结果；其中，所述事件语义模型基于若干决策规则构建，所述决策规则的规则参数对应于所述属性，规则逻辑对应于所述事件语义模型的模型算法。
在一种可能的实施方式中，所述第一事件为诊疗事件；所述各个属性包括：发生时间、病症标识、检查结果。
在一种可能的实施方式中，所述获取第一事件的各个属性的属性值，包括：
确定第一事件的事件类型；
根据预先定义的所述事件类型包括的各个属性，从所述第一事件的事件信息中提取所述各个属性的属性值。
进一步地，所述事件信息包括文字描述信息；所述从所述第一事件的事件信息中提取所述各个属性的属性值，包括：
对所述第一事件的文字描述信息进行实体抽取和实体链指，将抽取得到的实体中与所述属性对应的第一实体所链指的第二实体，确定为该属性的属性值。
进一步地，所述文字描述信息为对纸质记录进行光学字符识别得到的。
在一种可能的实施方式中，所述各个属性包括具有多个离散取值的第一属性，所述知识图谱中包括与所述多个离散取值一一对应的多个属性值节点；
所述获取第一事件的各个属性的属性值，包括：获取第一事件中所述第一属性的第一取值；
所述从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，包括：从所述多个属性值节点中提取与所述第一取值对应的属性值节点。
在一种可能的实施方式中，所述各个属性包括具有连续取值的第二属性，所述知识图谱中包括与第二属性的多个取值范围一一对应的多个范围节点；
所述获取第一事件的各个属性的属性值，包括：获取第一事件中所述第二属性的第二取值；
所述从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，包括：从所述多个范围节点中提取所述第二取值所落入的若干范围对应的若干范围节点。
在一种可能的实施方式中，所述知识图谱的模式层存储第一类型事件与第一结论概念之间的目标规则，所述第一事件为所述第一类型事件的实例；所述方法还包括：
根据所述决策结果和所述目标规则，确定所述第一类型事件是否成立。
进一步地，所述第一类型事件为重疾诊疗事件，所述第一事件为具体诊疗事件，所述第一结论概念为某项重症疾病。
在一种可能的实施方式中，所述获取第一事件的各个属性的属性值之前，还包括：
接收针对所述第一事件与第一结论概念之间关系的查询请求；
所述得到所述第一事件是否属于第一结论概念的决策结果之后，还包括：
将所述决策结果作为所述查询请求的响应。
第二方面，提供了一种规则决策装置，装置包括：
获取单元，用于获取第一事件的各个属性的属性值；
子图建立单元，用于从预先建立的知识图谱中提取所述获取单元获取的各个属性值分别对应的属性值节点，并创建代表第一事件的事件节点，在所述事件节点和各个属性值节点之间分别建立连接边，得到所述第一事件对应的事件子图；
决策单元，用于将所述子图建立单元得到的事件子图输入事件语义模型，得到所述第一事件是否属于第一结论概念的决策结果；其中，所述事件语义模型基于若干决策规则构建，所述决策规则的规则参数对应于所述属性，规则逻辑对应于所述事件语义模型的模型算法。
第三方面，提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面的方法。
第四方面，提供了一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。
通过本说明书实施例提供的方法和装置，首先获取第一事件的各个属性的属性值；然后从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，并创建代表第一事件的事件节点，在所述事件节点和各个属性值节点之间分别建立连接边，得到所述第一事件对应的事件子图；最后将所述事件子图输入事件语义模型，得到所述第一事件是否属于第一结论概念的决策结果；其中，所述事件语义模型基于若干决策规则构建，所述决策规则的规则参数对应于所述属性，规则逻辑对应于所述事件语义模型的模型算法。由上可见，本说明书实施例，基于知识图谱创新定义了事件语义模型，利用知识图谱先将第一事件扩展为子图表达，在子图上就包含了决策中所需要的要素，将决策逻辑转换为对子图结构和属性的判断计算，实现事件是否能满足某个结论成立的推理决策。通过事件语义模型，将传统规则中的参数化转变为知识化，在很多情况下，可以通过在图谱上扩充相应的点和边来完成规则的覆盖，而无须再修改模型本身，规则的复杂度大幅下降，对参数的展现可以通过图谱知识结构的形式变得更清晰直观，方便规则的理解和调试，从而提升规则编写和调试的效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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发明的一些实施例，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为本说明书披露的一个实施例的实施场景示意图；
图2示出根据一个实施例的规则决策方法流程图；
图3示出根据一个实施例的事件子图的示意图；
图4示出根据一个实施例的规则执行示意图；
图5示出根据一个实施例的规则决策装置的示意性框图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
图1为本说明书披露的一个实施例的实施场景示意图。该实施场景涉及规则决策，可以理解的是，通过决策规则的执行可以得到业务对象的业务决策结果，决策规则简称为规则，这一执行过程称为规则决策。其中，上述业务对象可以体现为一个事件，上述业务决策结果可以为判断是否可以确诊某种疾病的结果，或者，可以为判断是否符合某个保险产品的理赔条件的结果。事件：一个包含了主体、客体、时间、空间等要素的信息，上述要素可以视为事件的属性。
参照图1，规则通常涉及多个条件。条件：规则逻辑判断执行的最小单元，一个条件代表一个判断逻辑，如a>18代表一个判断逻辑，b>100代表另一个判断逻辑。规则：规则由多个条件组成，多个条件之间通过逻辑与（AND）或者逻辑或（OR）形成组合逻辑，组合逻辑的执行结果与业务决策结果之间具有一定的映射关系，从而组成一套决策逻辑。例如，针对业务对象1的组合逻辑的执行结果为真（true），则该业务对象1的业务决策结果为决策1；针对业务对象2的组合逻辑的执行结果为假（false），则该业务对象2的业务决策结果为决策2。可以理解的是，组合逻辑的执行结果与业务决策结果之间具有预先设定的映射关系，其中，规则包括的上述组合逻辑以及上述映射关系均可由人工预先设定。
规则在实际执行时，依赖于条件的执行。条件的执行通常需要获取业务对象的特征项，该特征项可以为事件的属性的属性值，规则可以拆分为规则参数和规则逻辑，规则的规则参数对应于上述属性，规则逻辑对应于前述判断逻辑或组合逻辑。举例来说，规则涉及的两个条件分别为条件1：a>18 ，条件2：b>100，规则对应的组合逻辑：(a>18） and (b>100)。其中，a和b为规则参数，and为规则逻辑。
图2示出根据一个实施例的规则决策方法流程图，该方法可以基于图1所示的实施场景。如图2所示，该实施例中规则决策方法包括以下步骤：步骤21，获取第一事件的各个属性的属性值；步骤22，从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，并创建代表第一事件的事件节点，在所述事件节点和各个属性值节点之间分别建立连接边，得到所述第一事件对应的事件子图；步骤23，将所述事件子图输入事件语义模型，得到所述第一事件是否属于第一结论概念的决策结果；其中，所述事件语义模型基于若干决策规则构建，所述决策规则的规则参数对应于所述属性，规则逻辑对应于所述事件语义模型的模型算法。下面描述以上各个步骤的具体执行方式。
首先在步骤21，获取第一事件的各个属性的属性值。可以理解的是，需要针对第一事件做出相应的决策结果。
在一个示例中，所述第一事件为诊疗事件；所述各个属性包括：发生时间、病症标识、检查结果。
该示例中，各个属性可以是预先定义好的，病症标识用于标识一种病症，例如，该病症为冠心病，检查结果可以为一个或多个诊疗项目的检查结果。
在一个示例中，所述获取第一事件的各个属性的属性值，包括：
确定第一事件的事件类型；
根据预先定义的所述事件类型包括的各个属性，从所述第一事件的事件信息中提取所述各个属性的属性值。
举例来说，定义一种事件类型，事件类型的必备属性是发生时间，其他属性均需指定具体类型，而不是文本。比如定义一个事件类型为“重疾诊疗事件”，该事件类型包括的各个属性如表一所示。
表一：重疾诊疗事件包括的属性
进一步地，所述事件信息包括文字描述信息；所述从所述第一事件的事件信息中提取所述各个属性的属性值，包括：
对所述第一事件的文字描述信息进行实体抽取和实体链指，将抽取得到的实体中与所述属性对应的第一实体所链指的第二实体，确定为该属性的属性值。
本说明书实施例，实体抽取和实体链指先后进行，实体链指是指将抽取得到的实体，无歧义的正确的指向知识库中目标实体的过程。
举例来说，文字描述信息为“前降支近中段管壁钙化、狭窄约80%，中段狭窄约50%；第一对角支开口及近段狭窄约90%；回旋支中段管壁钙化、狭窄约90%；钝缘支开口狭窄约70%”，对该文字描述信息进行实体抽取和实体链指后得到4个实体，实体1的id为lad_lt_60，name为前降支狭窄超60%；实体2的id为lad_lt_75，name为前降支狭窄超75%；实体3的id为lc_lt_60，name为回旋支狭窄超60%；实体4的id为lc_lt_75，name为回旋支狭窄超75%。
进一步地，所述文字描述信息为对纸质记录进行光学字符识别得到的。
举例来说，在医疗场景中用户常常具有医疗纸质记录，其中记载了检查结果相关的文字描述信息和图片信息，可以通过光学字符识别提取其中的文字描述信息。
在一个示例中，所述各个属性包括具有多个离散取值的第一属性，所述获取第一事件的各个属性的属性值，包括：获取第一事件中所述第一属性的第一取值。
举例来说，病症标识对应于具有离散取值的属性，例如，病症标识用于标识冠心病。
在一个示例中，所述各个属性包括具有连续取值的第二属性，所述获取第一事件的各个属性的属性值，包括：获取第一事件中所述第二属性的第二取值。
举例来说，检查结果对应于具有连续取值的属性，例如，前降支狭窄的程度可以为连续取值。
在一个示例中，所述获取第一事件的各个属性的属性值之前，还包括：
接收针对所述第一事件与第一结论概念之间关系的查询请求。
该示例中，针对第一事件的规则决策是响应于相应的查询请求而进行的。
然后在步骤22，从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，并创建代表第一事件的事件节点，在所述事件节点和各个属性值节点之间分别建立连接边，得到所述第一事件对应的事件子图。可以理解的是，在事件子图上包含了规则决策所需要的要素。
知识图谱：一种基于图的数据结构，由节点和边组成，每个节点表示一个实体，每条边为实体与实体之间的关系。
在一个示例中，所述各个属性包括具有多个离散取值的第一属性，所述知识图谱中包括与所述多个离散取值一一对应的多个属性值节点；
所述获取第一事件的各个属性的属性值，包括：获取第一事件中所述第一属性的第一取值；
所述从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，包括：从所述多个属性值节点中提取与所述第一取值对应的属性值节点。
举例来说，病症标识对应于具有离散取值的属性，例如，病症标识的取值可以是冠心病或肺病，知识图谱中包括与冠心病对应的第一属性值节点，以及与肺病对应的第二属性值节点，如果第一取值为冠心病，则提取第一属性值节点，如果第一取值为肺病，则提取第二属性值节点。
在一个示例中，所述各个属性包括具有连续取值的第二属性，所述知识图谱中包括与第二属性的多个取值范围一一对应的多个范围节点；
所述获取第一事件的各个属性的属性值，包括：获取第一事件中所述第二属性的第二取值；
所述从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，包括：从所述多个范围节点中提取所述第二取值所落入的若干范围对应的若干范围节点。
举例来说，检查结果对应于具有连续取值的属性，例如，前降支狭窄的程度可以为连续取值，知识图谱中包括与前降支狭窄超60%对应的第一范围节点，以及与前降支狭窄超75%对应的第二范围节点，如果第二取值为70%，则提取第一范围节点，如果第二取值为80%，则提取第一范围节点和第二范围节点。
图3示出根据一个实施例的事件子图的示意图。参照图3，第一事件的事件类型为重疾诊疗事件（CriticalDiagnose），第一事件的id为10293339284844，第一事件的各个属性的属性值包括，eventTime:20230130，diseaseld:InsDis.124.001， mtiResult: lad_lt_60,lad_lt_75, lc_lt_60, lc_lt_75。其中，id:InsDis.124.001对应的name:冠心病；id:lad_lt_60对应的name: 前降支狭窄超60%；id: lad_lt_75对应的name: 前降支狭窄超75%；id: lc_lt_60对应的name: 回旋支狭窄超60%；id: lc_lt_75对应的name: 回旋支狭窄超75%。事件节点与病症标识对应的属性值节点之间具有连接边，该连接边标记为diseaseld，事件节点与检查结果对应的属性值节点之间具有连接边，该连接边标记为mtiResult。
最后在步骤23，将所述事件子图输入事件语义模型，得到所述第一事件是否属于第一结论概念的决策结果；其中，所述事件语义模型基于若干决策规则构建，所述决策规则的规则参数对应于所述属性，规则逻辑对应于所述事件语义模型的模型算法。可以理解的是，通过对知识图谱的修改，可以影响事件子图的结构，相应影响决策结果。知识图谱对知识的展现比较清晰直观，便于维护，对知识图谱的修改方式多样，例如，增加节点或连接边，删除节点或连接边，修改节点的属性信息等。
本说明书实施例，事件语义模型可以采取如下的定义。事件语义模型：一种基于知识图谱三元组的表达，并对其中谓词进行了形式化描述，谓词是否成立取决于形式化表达的运算结果是否为真的模型。
在一个示例中，所述知识图谱的模式层存储第一类型事件与第一结论概念之间的目标规则，所述第一事件为所述第一类型事件的实例；所述方法还包括：
根据所述决策结果和所述目标规则，确定所述第一类型事件是否成立。
举例来说，如果决策结果为所述第一事件属于第一结论概念，那么可以继续判断是否符合目标规则，如果符合目标规则，则确定第一类型事件成立；如果决策结果为所述第一事件不属于第一结论概念，那么无需继续判断是否符合目标规则，直接确定第一类型事件不成立。
进一步地，所述第一类型事件为重疾诊疗事件，所述第一事件为具体诊疗事件，所述第一结论概念为某项重症疾病。
举例来说，如果决策结果为一个具体诊疗事件属于某项重症疾病，那么可以继续判断是否符合目标规则，如果符合目标规则，则确定重疾诊疗事件成立，在保险场景中，可以针对该重疾诊疗事件进行理赔。
在一个示例中，所述获取第一事件的各个属性的属性值之前，还包括：
接收针对所述第一事件与第一结论概念之间关系的查询请求；
所述得到所述第一事件是否属于第一结论概念的决策结果之后，还包括：
将所述决策结果作为所述查询请求的响应。
图4示出根据一个实施例的规则执行示意图。参照图4，通过模式（Schema），在重疾诊疗事件的事件类型下创建需要的结论概念，比如“符合严重冠心病”概念。从事件类型上定义一个关系谓词指向概念，用来表达从事件子图到结论概念的推导。将专家经验通过领域专用语言（domain specific language，DSL）描述在从事件类型指向结论概念的谓词上。查询一个事件实例（Instance）到一个结论概念的关系，即触发关系上的规则执行，如果规则执行结果为真，则代表关系成立，关系指向的概念为事件的结论。可以理解的是，leadTo和isA代表连接边的类型，或者说连接边所连接的两个节点之间的关系类型。
通过本说明书实施例提供的方法，首先获取第一事件的各个属性的属性值；然后从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，并创建代表第一事件的事件节点，在所述事件节点和各个属性值节点之间分别建立连接边，得到所述第一事件对应的事件子图；最后将所述事件子图输入事件语义模型，得到所述第一事件是否属于第一结论概念的决策结果；其中，所述事件语义模型基于若干决策规则构建，所述决策规则的规则参数对应于所述属性，规则逻辑对应于所述事件语义模型的模型算法。由上可见，本说明书实施例，基于知识图谱创新定义了事件语义模型，利用知识图谱先将第一事件扩展为子图表达，在子图上就包含了决策中所需要的要素，将决策逻辑转换为对子图结构和属性的判断计算，实现事件是否能满足某个结论成立的推理决策。通过事件语义模型，将传统规则中的参数化转变为知识化，在很多情况下，可以通过在图谱上扩充相应的点和边来完成规则的覆盖，而无须再修改模型本身，规则的复杂度大幅下降，对参数的展现可以通过图谱知识结构的形式变得更清晰直观，方便规则的理解和调试，从而提升规则编写和调试的效率。
本说明书实施例提供的方案可以作为智能诊疗的基础。智能诊疗：在医疗场景下，通过AI技术，实现机器自主根据输入信息决策出患者所患疾病以及程度。
本说明书实施例，基于知识图谱创新定义了事件语义模型，利用图谱先将问诊事件扩展为子图表达，在子图上就包含了决策中所需要的所有要素，将决策逻辑转换为对子图结构和属性的判断计算，再将其保存到从事件指向具体结论概念的关系谓词上，最后通过事件实例节点一度展开到结论概念节点的查询，实现事件是否能满足某个结论成立的推理决策。通过这种模型，将传统规则中的参数化转变为知识化，大部分时候只需要在图谱上扩充相应的点和边就能完成规则的覆盖，而无须再修改规则本身，规则的复杂度大幅下降，对逻辑的展现可以通过图谱知识结构的形式变得更清晰直观。在解决规则编写和调试效率的同时，让知识运营和规则专家的角色能够一起协同，让运营不用感知规则编写，让规则专家不用构建知识，但这些角色又能对全局做到统一理解，并且都能对异常情况（badcase）进行排查定位。
本说明书实施例，基于知识图谱定义了事件语义模型，实现了超图（HyperGraph）的表达，精确表达一个具体事件的所有要素，把专家经验转换为图谱知识和谓词规则，实现了数据和逻辑的解耦。规则和参数解耦，参数被转换成知识图谱的数据，规则用来描述知识如何应用，在逻辑不变的情况下，知识的维护就可以提升规则的覆盖度，而无须修改规则。事件子图非常清晰地描述了决策所需的所有要素，原始输入可能只有有限的几个字段，通过子图扩展能够得到原始输入的扩展信息，比如原始输入只有医院的标识，通过子图扩展后，可以得到医院的等级、经营性质等信息。知识可以被若干个规则进行复用，比如判断一个医院是否是医保定点，只需要更改医院实体上的属性，各个规则执行时就能动态刷新对当前医院是否是医保定点的判断。
根据另一方面的实施例，还提供一种规则决策装置，该装置用于执行本说明书实施例提供的方法。图5示出根据一个实施例的规则决策装置的示意性框图。如图5所示，该装置500包括：
获取单元51，用于获取第一事件的各个属性的属性值；
子图建立单元52，用于从预先建立的知识图谱中提取所述获取单元51获取的各个属性值分别对应的属性值节点，并创建代表第一事件的事件节点，在所述事件节点和各个属性值节点之间分别建立连接边，得到所述第一事件对应的事件子图；
决策单元53，用于将所述子图建立单元52得到的事件子图输入事件语义模型，得到所述第一事件是否属于第一结论概念的决策结果；其中，所述事件语义模型基于若干决策规则构建，所述决策规则的规则参数对应于所述属性，规则逻辑对应于所述事件语义模型的模型算法。
可选地，作为一个实施例，所述第一事件为诊疗事件；所述各个属性包括：发生时间、病症标识、检查结果。
可选地，作为一个实施例，所述获取单元51包括：
确定子单元，用于确定第一事件的事件类型；
提取子单元，用于根据预先定义的所述确定子单元确定的事件类型包括的各个属性，从所述第一事件的事件信息中提取所述各个属性的属性值。
进一步地，所述事件信息包括文字描述信息；所述提取子单元，具体用于对所述第一事件的文字描述信息进行实体抽取和实体链指，将抽取得到的实体中与所述属性对应的第一实体所链指的第二实体，确定为该属性的属性值。
进一步地，所述文字描述信息为对纸质记录进行光学字符识别得到的。
可选地，作为一个实施例，所述各个属性包括具有多个离散取值的第一属性，所述知识图谱中包括与所述多个离散取值一一对应的多个属性值节点；
所述获取单元51，具体用于获取第一事件中所述第一属性的第一取值；
所述子图建立单元52，具体用于从所述多个属性值节点中提取与所述第一取值对应的属性值节点。
可选地，作为一个实施例，所述各个属性包括具有连续取值的第二属性，所述知识图谱中包括与第二属性的多个取值范围一一对应的多个范围节点；
所述获取单元51，具体用于获取第一事件中所述第二属性的第二取值；
所述子图建立单元52，具体用于从所述多个范围节点中提取所述第二取值所落入的若干范围对应的若干范围节点。
可选地，作为一个实施例，所述知识图谱的模式层存储第一类型事件与第一结论概念之间的目标规则，所述第一事件为所述第一类型事件的实例；所述装置还包括：
确定单元，用于根据所述决策结果和所述目标规则，确定所述第一类型事件是否成立。
进一步地，所述第一类型事件为重疾诊疗事件，所述第一事件为具体诊疗事件，所述第一结论概念为某项重症疾病。
可选地，作为一个实施例，所述装置还包括：
接收单元，用于在所述获取单元51获取第一事件的各个属性的属性值之前，接收针对所述第一事件与第一结论概念之间关系的查询请求；
响应单元，用于在所述决策单元53得到所述第一事件是否属于第一结论概念的决策结果之后，将所述决策结果作为所述查询请求的响应。
通过本说明书实施例提供的装置，首先获取单元51获取第一事件的各个属性的属性值；然后子图建立单元52从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，并创建代表第一事件的事件节点，在所述事件节点和各个属性值节点之间分别建立连接边，得到所述第一事件对应的事件子图；最后决策单元53将所述事件子图输入事件语义模型，得到所述第一事件是否属于第一结论概念的决策结果；其中，所述事件语义模型基于若干决策规则构建，所述决策规则的规则参数对应于所述属性，规则逻辑对应于所述事件语义模型的模型算法。由上可见，本说明书实施例，基于知识图谱创新定义了事件语义模型，利用知识图谱先将第一事件扩展为子图表达，在子图上就包含了决策中所需要的要素，将决策逻辑转换为对子图结构和属性的判断计算，实现事件是否能满足某个结论成立的推理决策。通过事件语义模型，将传统规则中的参数化转变为知识化，在很多情况下，可以通过在图谱上扩充相应的点和边来完成规则的覆盖，而无须再修改模型本身，规则的复杂度大幅下降，对参数的展现可以通过图谱知识结构的形式变得更清晰直观，方便规则的理解和调试，从而提升规则编写和调试的效率。
根据另一方面的实施例，还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行结合图2所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现结合图2所描述的方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (13)
1.一种规则决策方法，所述方法包括：
获取第一事件的各个属性的属性值；
从预先建立的知识图谱中提取各个属性值分别对应的属性值节点，并创建代表第一事件的事件节点，在所述事件节点和各个属性值节点之间分别建立连接边，得到所述第一事件对应的事件子图；
将所述事件子图输入事件语义模型，得到所述第一事件是否属于第一结论概念的决策结果；其中，所述事件语义模型基于若干决策规则构建，所述决策规则的规则参数对应于所述属性，规则逻辑对应于所述事件语义模型的模型算法。
2.如权利要求1所述的方法，其中，所述第一事件为诊疗事件；所述各个属性包括：发生时间、病症标识、检查结果。
3.如权利要求1所述的方法，其中，所述获取第一事件的各个属性的属性值，包括：
确定第一事件的事件类型；
根据预先定义的所述事件类型包括的各个属性，从所述第一事件的事件信息中提取所述各个属性的属性值。
4.如权利要求3所述的方法，其中，所述事件信息包括文字描述信息；所述从所述第一事件的事件信息中提取所述各个属性的属性值，包括：
对所述第一事件的文字描述信息进行实体抽取和实体链指，将抽取得到的实体中与所述属性对应的第一实体所链指的第二实体，确定为该属性的属性值。
5.如权利要求4所述的方法，其中，所述文字描述信息为对纸质记录进行光学字符识别得到的。
6.如权利要求1所述的方法，其中，所述各个属性包括具有多个离散取值的第一属性，所述知识图谱中包括与所述多个离散取值一一对应的多个属性值节点；
所述获取第一事件的各个属性的属性值，包括：获取第一事件中所述第一属性的第一取值；
所述从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，包括：从所述多个属性值节点中提取与所述第一取值对应的属性值节点。
7.如权利要求1所述的方法，其中，所述各个属性包括具有连续取值的第二属性，所述知识图谱中包括与第二属性的多个取值范围一一对应的多个范围节点；
所述获取第一事件的各个属性的属性值，包括：获取第一事件中所述第二属性的第二取值；
所述从预先建立的知识图谱中提取所述各个属性值分别对应的属性值节点，包括：从所述多个范围节点中提取所述第二取值所落入的若干范围对应的若干范围节点。
8.如权利要求1所述的方法，其中，所述知识图谱的模式层存储第一类型事件与第一结论概念之间的目标规则，所述第一事件为所述第一类型事件的实例；所述方法还包括：
根据所述决策结果和所述目标规则，确定所述第一类型事件是否成立。
9.如权利要求8所述的方法，其中，所述第一类型事件为重疾诊疗事件，所述第一事件为具体诊疗事件，所述第一结论概念为某项重症疾病。
10.如权利要求1所述的方法，其中，所述获取第一事件的各个属性的属性值之前，还包括：
接收针对所述第一事件与第一结论概念之间关系的查询请求；
所述得到所述第一事件是否属于第一结论概念的决策结果之后，还包括：
将所述决策结果作为所述查询请求的响应。
11.一种规则决策装置，所述装置包括：
获取单元，用于获取第一事件的各个属性的属性值；
子图建立单元，用于从预先建立的知识图谱中提取所述获取单元获取的各个属性值分别对应的属性值节点，并创建代表第一事件的事件节点，在所述事件节点和各个属性值节点之间分别建立连接边，得到所述第一事件对应的事件子图；
决策单元，用于将所述子图建立单元得到的事件子图输入事件语义模型，得到所述第一事件是否属于第一结论概念的决策结果；其中，所述事件语义模型基于若干决策规则构建，所述决策规则的规则参数对应于所述属性，规则逻辑对应于所述事件语义模型的模型算法。
12.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-10中任一项的所述的方法。
13.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-10中任一项的所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311604914.4A CN117313855B (zh) | 2023-11-28 | 2023-11-28 | 规则决策方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311604914.4A CN117313855B (zh) | 2023-11-28 | 2023-11-28 | 规则决策方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117313855A true CN117313855A (zh) | 2023-12-29 |
| CN117313855B CN117313855B (zh) | 2024-03-15 |
Family
ID=89260744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311604914.4A Active CN117313855B (zh) | 2023-11-28 | 2023-11-28 | 规则决策方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117313855B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100280977A1 (en) * | 2009-04-30 | 2010-11-04 | Exprentis, Inc. | System, Program, and Method for Representation, Utilization, and Maintenance of Regulatory Knowledge |
| CN107633093A (zh) * | 2017-10-10 | 2018-01-26 | 南通大学 | 一种供电决策知识图谱的构建及其查询方法 |
| CN108921295A (zh) * | 2018-06-28 | 2018-11-30 | 中科院合肥技术创新工程院 | 一种基于知识图谱技术的突发事件应急决策模型构建方法 |
| CN111368095A (zh) * | 2020-02-28 | 2020-07-03 | 河海大学 | 基于水利知识-事理耦合网络的决策支持系统架构与方法 |
| CN111428053A (zh) * | 2020-03-30 | 2020-07-17 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法 |
| CN111861250A (zh) * | 2020-07-29 | 2020-10-30 | 广东电网有限责任公司电力调度控制中心 | 一种调度决策生成方法、装置、电子设备和存储介质 |
| CN112801806A (zh) * | 2021-04-12 | 2021-05-14 | 北京肇祺信息科技有限公司 | 一种基于知识图谱的理赔方法及系统 |
| CN113221762A (zh) * | 2021-05-17 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 代价平衡决策方法、保险理赔决策方法、装置和设备 |
| CN113590839A (zh) * | 2021-07-30 | 2021-11-02 | 支付宝(杭州)信息技术有限公司 | 知识图谱的构建方法、目标业务的执行方法及装置 |
| CN116092697A (zh) * | 2022-10-19 | 2023-05-09 | 北京邮电大学 | 基于三层超关系知识图谱模型的药物推荐方法及装置 |
| CN116668057A (zh) * | 2023-03-14 | 2023-08-29 | 北京计算机技术及应用研究所 | 一种基于知识图谱的网络安全态势理解分析方法 |
| CN116702894A (zh) * | 2023-06-02 | 2023-09-05 | 支付宝(杭州)信息技术有限公司 | 决策图谱的图数据生成方法及装置、业务执行方法及装置 |
-
2023
- 2023-11-28 CN CN202311604914.4A patent/CN117313855B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100280977A1 (en) * | 2009-04-30 | 2010-11-04 | Exprentis, Inc. | System, Program, and Method for Representation, Utilization, and Maintenance of Regulatory Knowledge |
| CN107633093A (zh) * | 2017-10-10 | 2018-01-26 | 南通大学 | 一种供电决策知识图谱的构建及其查询方法 |
| CN108921295A (zh) * | 2018-06-28 | 2018-11-30 | 中科院合肥技术创新工程院 | 一种基于知识图谱技术的突发事件应急决策模型构建方法 |
| CN111368095A (zh) * | 2020-02-28 | 2020-07-03 | 河海大学 | 基于水利知识-事理耦合网络的决策支持系统架构与方法 |
| WO2021196520A1 (zh) * | 2020-03-30 | 2021-10-07 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法及系统 |
| CN111428053A (zh) * | 2020-03-30 | 2020-07-17 | 西安交通大学 | 一种面向税务领域知识图谱的构建方法 |
| CN111861250A (zh) * | 2020-07-29 | 2020-10-30 | 广东电网有限责任公司电力调度控制中心 | 一种调度决策生成方法、装置、电子设备和存储介质 |
| CN112801806A (zh) * | 2021-04-12 | 2021-05-14 | 北京肇祺信息科技有限公司 | 一种基于知识图谱的理赔方法及系统 |
| CN113221762A (zh) * | 2021-05-17 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 代价平衡决策方法、保险理赔决策方法、装置和设备 |
| CN113590839A (zh) * | 2021-07-30 | 2021-11-02 | 支付宝(杭州)信息技术有限公司 | 知识图谱的构建方法、目标业务的执行方法及装置 |
| CN116092697A (zh) * | 2022-10-19 | 2023-05-09 | 北京邮电大学 | 基于三层超关系知识图谱模型的药物推荐方法及装置 |
| CN116668057A (zh) * | 2023-03-14 | 2023-08-29 | 北京计算机技术及应用研究所 | 一种基于知识图谱的网络安全态势理解分析方法 |
| CN116702894A (zh) * | 2023-06-02 | 2023-09-05 | 支付宝(杭州)信息技术有限公司 | 决策图谱的图数据生成方法及装置、业务执行方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| JIANGLI DUAN ET AL.: "Mining multigranularity decision rules of concept cognition for knowledge graphs based on three-way decision", 《 ELECTRICAL ENGINEERING, ELECTRONICS & COMPUTER》, 31 July 2023 (2023-07-31) * |
| 王彩云 等: "知识图谱在医学领域的应用综述", 《JOURNAL OF BIOMEDICAL ENGINEERING》, vol. 40, no. 5, pages 1040 - 1044 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117313855B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3839818A2 (en) | Method and apparatus for performing structured extraction of text, device and storage medium | |
| US20240070487A1 (en) | Systems and methods for enriching modeling tools and infrastructure with semantics | |
| US11556578B2 (en) | Putative ontology generating method and apparatus | |
| US11625424B2 (en) | Ontology aligner method, semantic matching method and apparatus | |
| US7693812B2 (en) | Querying data and an associated ontology in a database management system | |
| US8719299B2 (en) | Systems and methods for extraction of concepts for reuse-based schema matching | |
| Kessentini et al. | Search-based metamodel matching with structural and syntactic measures | |
| US20170083547A1 (en) | Putative ontology generating method and apparatus | |
| Quoc Viet Nguyen et al. | Minimizing human effort in reconciling match networks | |
| Miao et al. | Understanding data science lifecycle provenance via graph segmentation and summarization | |
| Khattak et al. | Mapping evolution of dynamic web ontologies | |
| CN114724670A (zh) | 一种医学报告生成方法、装置、存储介质和电子设备 | |
| Chen et al. | Vessel tree extraction using radius-lifted keypoints searching scheme and anisotropic fast marching method | |
| US20240202221A1 (en) | Generative artificial intelligence enterprise search | |
| US10817545B2 (en) | Cognitive decision system for security and log analysis using associative memory mapping in graph database | |
| Martín Santibáñez et al. | A combined approach for concern identification in KDM models | |
| CN117313855B (zh) | 规则决策方法和装置 | |
| US9754213B2 (en) | Reasoning over cyclical directed graphical models | |
| Behringer et al. | Towards interactive data processing and analytics-putting the human in the center of the loop | |
| Stierle et al. | Design principles for comprehensible process discovery in process mining | |
| Vens et al. | Refining aggregate conditions in relational learning | |
| CN114461815B (zh) | 家谱知识图谱的噪音检测方法及其装置、电子设备 | |
| Kremen et al. | Expressive Owl queries: design, evaluation, visualization | |
| Hnatkowska et al. | Extracting class diagram from hidden dependencies in data set | |
| Barquero et al. | Comparison and Performance Evaluation of Processing Platforms–Technical Report |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |