CN117520475B - 一种护理知识库的构建方法 - Google Patents

Abstract

本发明提供了一种护理知识库的构建方法，涉及护理知识库技术领域，目的是实现高效地抓取和整理护理关键知识并进行整理分类形成护理知识库，包括：构建多种护理类型模块；采集护理知识材料，并进行数据清洗；将护理知识材料划分为多个子文本模块；护理类型分类器的输出端输出子文本模块所属的护理类型；将子文本模块放入对应的所述护理类型；为子文本模块设置文本关键词，为每个护理类型设置类型关键词；计算每个所述文本关键词的权重级别；建立类型关键词‑文本关键词映射关系表作为索引目录，并标注权重级别。本发明具有便于高效率自动建立和更新护理知识库的优点。

Description

一种护理知识库的构建方法

技术领域

本发明涉及护理知识库技术领域，具体而言，涉及一种护理知识库的构建方法。

背景技术

护理知识库是一个收集和组织护理相关信息和知识的数据库。它包含了各个领域的护理知识，包括疾病诊断和治疗、护理技术和操作规范、药物知识、健康教育等方面的内容。

护理知识库的目的是为护理人员提供可靠、准确和及时的护理信息，以支持临床决策和优质的护理实践。通过对护理知识的收集、整理和分类，护理人员可以方便地获取他们需要的信息，并将其应用于护理实践中。在进行知识库构建的时候，为了方便根据病人信息整合，我们可以选择按照护理类型进行分类整理，但是面对庞大的数据资料统的人工整理和筛选方法耗费时间和精力，限制了护理知识库的建设速度和规模，也难以对知识库进行更新。

因此，需要一种自动构建护理知识库的方法，能够高效地抓取和整理护理关键知识并进行整理分类形成护理知识库，及时更新知识库内容，提高护理质量和效果。

发明内容

本发明的目的在于提供一种护理知识库的构建方法，其能够高效地抓取和整理护理关键知识并进行整理分类形成护理知识库。

本发明的实施例通过以下技术方案实现：

一种护理知识库的构建方法，包括以下步骤：

构建多种护理类型模块，每个护理类型模块对应一种护理类型；

采集护理知识材料，并进行数据清洗；

将所述护理知识材料划分为多个子文本模块；

分别将所述子文本模块分别输入预先训练的护理类型分类器的输入端，所述护理类型分类器的输出端输出所述子文本模块所属的护理类型，护理类型分类器以护理类型为标签；

将所述子文本模块放入对应的所述护理类型模块；

为所述子文本模块设置文本关键词，为每个护理类型设置类型关键词；

获取每个所述文本关键词在对应所述护理类型模块中的出现次数，并计算每个所述文本关键词的权重级别；

根据所述子文本模块和所述护理类型模块的归属关系建立类型关键词-文本关键词映射关系表作为索引目录，并标注每个所述文本关键词的所述权重级别。

优选地，所述护理类型模块包括用药护理模块、个人卫生护理模块、饮食护理模块、运动护理模块、按摩与体表状态护理模块和排泄管理护理模块；

所述护理知识材料包括患者的多种状态下分别对应的护理方法。

优选地，患者的所述状态包括疾病类型、当前治疗阶段、年龄、身高及体重、性别和体征数据。

优选地，所述护理类型分类器包括主特征提取模型、深层特征提取模型、浅层特征提取模型、特征融合模块和分类模块；

所述主特征提取模型的输入端为所述护理类型分类器的输入端；

所述主特征提取模型的m个深层输出端连接到所述深层特征提取模型的输入端；

所述主特征提取模型的n个浅层输出端连接到所述浅层特征提取模型的输入端；

所述深层特征提取模型的输出端和所述浅层特征提取模型的输出端分别连接到所述特征融合模块的输入端，所述特征融合模块的输出端连接所述分类模块的输入端，所述分类模块的输出端为所述护理类型分类器的输出端。

优选地，所述主特征提取模型采用ALBERT-base模型，ALBERT-base模型的前6个隐藏层的输出端作为浅层输出端，ALBERT-base模型的后6个隐藏层的输出端作为深层输出端。

优选地，所述深层特征提取模型的表达式为：

;

;

;

其中，为所述深层特征提取模型的输出，/>、/>、/>、/>均为预先训练的线性变换参数，/>为Leacky ReLU激活函数，D为Dropout层，/>中的元素/>到/>分别为所述ALBERT-base模型的后6个隐藏层的输出端的输出值。

优选地，所述浅层特征提取模型的表达式为：

;

;

;

其中，为所述浅层特征提取模型的输出，/>、/>、/>、/>均为预先训练的线性变换参数，/>为ReLU激活函数，D为Dropout层，/>中的元素/>到/>分别为所述ALBERT-base模型的前6个隐藏层的输出端的输出值。

优选地，所述特征融合模块的表达式为：

；

A=;

B=1-A;

其中，为所述特征融合模块的输出,/>为sigmoid函数，W为预先训练的权重向量。

优选地，所述分类模块的表达式为：

;

其中，为softmax函数，/>和/>分别为预先训练的线性变换参数。

优选地，所述计算每个所述文本关键词的权重级别的方法为：

获取所述护理类型模块中每个所述文本关键词的占比，并且根据占比由高到低进行排序，序号作为所述权重级别：

；

其中，为文本关键词i的占比，/>为文本关键词i在对应的所述护理类型模块中的出现次数，i=1,2,…,k，k为对应的所述护理类型模块中设置的所述文本关键词的总数。

本发明实施例的技术方案至少具有如下优点和有益效果：

本发明可以自动抓取护理知识对护理知识进行分类以搭建护理知识库，免去了人工整理资料的烦躁，整理更为快速和可靠；

本发明可以通过建立类型关键词-文本关键词映射关系表作为索引目录并标注每个文本关键词的权重级别，以此提供凭据使得检索或根据需求形成护理方案更为方便；

本发明分类采用的模型特征提取准确，分类可靠性高，以子文本为单位进行划分，也便于后续更新和补充护理知识库的内容；

本发明可以自由设计多种护理种类，搭建的自由度高，适用性强，且适用范围广泛。

附图说明

图1为本发明实施例1提供的护理知识库的构建方法的流程示意图；

图2为本发明实施例3提供的护理类型分类器的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

实施例1

一种护理知识库的构建方法，包括以下步骤：

构建多种护理类型模块，每个护理类型模块对应一种护理类型；

采集护理知识材料，并进行数据清洗；

将所述护理知识材料划分为多个子文本模块；

分别将所述子文本模块分别输入预先训练的护理类型分类器的输入端，所述护理类型分类器的输出端输出所述子文本模块所属的护理类型，护理类型分类器以护理类型为标签；

将所述子文本模块放入对应的所述护理类型模块；

为所述子文本模块设置文本关键词，为每个护理类型设置类型关键词；

获取每个所述文本关键词在对应所述护理类型模块中的出现次数，并计算每个所述文本关键词的权重级别；

根据所述子文本模块和所述护理类型模块的归属关系建立类型关键词-文本关键词映射关系表作为索引目录，并标注每个所述文本关键词的所述权重级别。

本实施例的技术方案主要目的是抓取各类护理知识材料的信息，并且按照预设的护理种类通过护理类型分类器对护理知识进行分类，以获取护理知识库，便于后续根据患者的信息快速准确获取护理方案。进行数据清洗可以去掉重复的内容。本实施例的护理知识库搭建方法也 便于实现对护理知识库进行补充更新。其中子文本模块可以根据材料内容以一句话为单位、几句话为单位、一段话为单位、几段话为单位等方式进行划分。

后面所建立的索引目录并标注每个所述文本关键词的所述权重级别也是为了提供更多的依据和标记，方便后续进行检索或根据患者需求搭建别的模型进行护理方案的输出。类型关键词主要是可以表征和提示护理类型的词汇，多为对应护理类型的近义词，例如用药护理模块的类型关键词可以包括用药、吃药、服用药物等，语义上能代表“用药”，这个主要是方便人在实用知识库的时候快速方便地检索定位到具体的护理类型。而文本关键词侧重的则是护理知识材料里面的内容，多为护理知识中对应护理种类的高频词汇，比如用药护理模块可能会涉及到的冲剂、口服液、药片、餐前、餐后等关键词。

实施例2

本实施例基于实施例1的技术方案，主要对护理类型等进行进一步说明。

在本实施例中，所述护理类型模块包括用药护理模块、个人卫生护理模块、饮食护理模块、运动护理模块、按摩与体表状态护理模块和排泄管理护理模块；

所述护理知识材料包括患者的多种状态下分别对应的护理方法。

作为优选方案，患者的所述状态包括疾病类型、当前治疗阶段、年龄、身高及体重、性别和体征数据。体征数据可以包括血压、血氧、温度等。

也就是说，所采取的护理知识材料或介绍各种状态下的患者该如何进行护理，且护理也会涵盖各种护理类型，例如用药护理、个人卫生护理、饮食护理、运动护理、按摩与体表状态护理和排泄管理护理。

其中，用药护理可以是关于各种药物服用以后需要注意的注意事项，个人卫生护理可以是关特定类型的病人的定期清洁工作，饮食护理主要是每种患者的饮食注意事项和餐食等时间是否需要特殊照顾，运动护理可以提供每种患者需要的运动或翻身护理信息，按摩与体表状态护理包含的是为病患进行按摩或者体表保湿处理等方面的护理信息，排泄管理护理则可以是关于针对特殊情况需要辅助排便或者处理导出的排泄物相关的护理信息。

实施例3

本实施例基于实施例1的技术方案，主要对护理类型分类器等进行进一步说明。

在本实施例中，参阅图2，所述护理类型分类器包括主特征提取模型、深层特征提取模型、浅层特征提取模型、特征融合模块和分类模块；

所述主特征提取模型的输入端为所述护理类型分类器的输入端；

所述主特征提取模型的m个深层输出端连接到所述深层特征提取模型的输入端；

所述主特征提取模型的n个浅层输出端连接到所述浅层特征提取模型的输入端；

所述深层特征提取模型的输出端和所述浅层特征提取模型的输出端分别连接到所述特征融合模块的输入端，所述特征融合模块的输出端连接所述分类模块的输入端，所述分类模块的输出端为所述护理类型分类器的输出端。

进一步地，所述主特征提取模型采用ALBERT-base模型，ALBERT-base模型的前6个隐藏层的输出端作为浅层输出端，ALBERT-base模型的后6个隐藏层的输出端作为深层输出端。

ALBERT-base模型是一种ALBERT模型，它具有12个隐藏层，每个隐藏层中有12个注意力头。ALBERT模型使用了一些轻量级优化策略来减少模型大小和加速训练。ALBERT在保持性能的同时，显著减少了参数量和模型大小，其可以很好地适应和应用于语义识别领域，有助于对护理相关文本进行理解和特征提取。

作为优选方案，所述深层特征提取模型的表达式为：

;

;

;

其中，为所述深层特征提取模型的输出，/>、/>、/>、/>均为预先训练的线性变换参数，/>为Leacky ReLU激活函数，D为Dropout层，/>中的元素/>到/>分别为所述ALBERT-base模型的后6个隐藏层的输出端的输出值。

另一方面，所述浅层特征提取模型的表达式为：

;

;

;

其中，为所述浅层特征提取模型的输出，/>、/>、/>、/>均为预先训练的线性变换参数，/>为ReLU激活函数，D为Dropout层，/>中的元素/>到/>分别为所述ALBERT-base模型的前6个隐藏层的输出端的输出值。

在本实施例中，所述特征融合模块的表达式为：

；

A=;

B=1-A;

其中，为所述特征融合模块的输出,/>为sigmoid函数，W为预先训练的权重向量。

具体来说，所述分类模块的表达式为：

;

其中，为softmax函数，/>和/>分别为预先训练的线性变换参数。

本实施例对于ALBERT-base模型的深层输出和浅层输出都进行了提取，以更好地获取和融合语义特征。深层隐藏层可以输出更抽象、更高级的语义特征，在该模型配置的注意力机制下对文本整体的语义特征关注更具有全面性。浅层的隐藏层输出对于语义原始状态保持更多，可以更专注于一些原始细节。对两种特征进行融合，可以实现更准确、全面、可靠地提取特征。后续再通过融合后的特征进行分类。深层和浅层信息采用不同的激活函数主要是Leaky ReLU在ALBERT的深层网络表现更优。

特别说明的是，所有模型涉及的参数均为预先设置损失函数和训练数据训练得到。

最后，所述计算每个所述文本关键词的权重级别的方法优选为：

获取所述护理类型模块中每个所述文本关键词的占比，并且根据占比由高到低进行排序，序号作为所述权重级别：

；

其中，为文本关键词i的占比，/>为文本关键词i在对应的所述护理类型模块中的出现次数，i=1,2,…,k，k为对应的所述护理类型模块中设置的所述文本关键词的总数。

也就是说，本实施例需要为每一个护理类型模块建立一个索引信息，其中包括护理类型模块的名称、类型关键词、文本关键词和文本关键词的权重级别，以这个表格作为类型关键词-文本关键词映射关系表，其大致的对应关系可以是：一个护理类型模块下有多个类型关键词和多个文本关键词，每个文本关键词有一个权重级别。两种关键词都可以进行自主预先设定，系统可以在护理类型模块里自主进行词汇检索。一个表格形式的参考案例可以参阅表1，特别说明的是该表格仅仅表示类型关键词-文本关键词映射关系表的结构，其内容并不代表真实应用情况。

表1 类型关键词-文本关键词映射关系表案例

本实施例相当于用词频来体现相关文本关键词的重要程度，并进行标记。便于后面的其他应用操作，例如训练其他模型来抓取主要的语义信息以获取护理方法等。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种护理知识库的构建方法，其特征在于，包括以下步骤：

构建多种护理类型模块，每个护理类型模块对应一种护理类型；

采集护理知识材料，并进行数据清洗；

将所述护理知识材料划分为多个子文本模块；

分别将所述子文本模块分别输入预先训练的护理类型分类器的输入端，所述护理类型分类器的输出端输出所述子文本模块所属的护理类型，护理类型分类器以护理类型为标签；

将所述子文本模块放入对应的所述护理类型模块；

为所述子文本模块设置文本关键词，为每个护理类型设置类型关键词；

获取每个所述文本关键词在对应所述护理类型模块中的出现次数，并计算每个所述文本关键词的权重级别；

根据所述子文本模块和所述护理类型模块的归属关系建立类型关键词-文本关键词映射关系表作为索引目录，并标注每个所述文本关键词的所述权重级别；

所述护理类型分类器包括主特征提取模型、深层特征提取模型、浅层特征提取模型、特征融合模块和分类模块；

所述主特征提取模型的输入端为所述护理类型分类器的输入端；

所述主特征提取模型的m个深层输出端连接到所述深层特征提取模型的输入端；

所述主特征提取模型的n个浅层输出端连接到所述浅层特征提取模型的输入端；

所述深层特征提取模型的输出端和所述浅层特征提取模型的输出端分别连接到所述特征融合模块的输入端，所述特征融合模块的输出端连接所述分类模块的输入端，所述分类模块的输出端为所述护理类型分类器的输出端。

2.根据权利要求1所述的一种护理知识库的构建方法，其特征在于，所述护理类型模块包括用药护理模块、个人卫生护理模块、饮食护理模块、运动护理模块、按摩与体表状态护理模块和排泄管理护理模块；

所述护理知识材料包括患者的多种状态下分别对应的护理方法。

3.根据权利要求2所述的一种护理知识库的构建方法，其特征在于，患者的所述状态包括疾病类型、当前治疗阶段、年龄、身高及体重、性别和体征数据。

4.根据权利要求3所述的一种护理知识库的构建方法，其特征在于，所述主特征提取模型采用ALBERT-base模型，ALBERT-base模型的前6个隐藏层的输出端作为浅层输出端，ALBERT-base模型的后6个隐藏层的输出端作为深层输出端。

5.根据权利要求4所述的一种护理知识库的构建方法，其特征在于，所述深层特征提取模型的表达式为：

;

;

;

其中，为所述深层特征提取模型的输出，/>、/>、/>、/>均为预先训练的线性变换参数，/>为Leacky ReLU激活函数，D为Dropout层，/>中的元素/>到/>分别为所述ALBERT-base模型的后6个隐藏层的输出端的输出值。

6.根据权利要求5所述的一种护理知识库的构建方法，其特征在于，所述浅层特征提取模型的表达式为：

;

;

;

其中，为所述浅层特征提取模型的输出，/>、/>、/>、/>均为预先训练的线性变换参数，/>为ReLU激活函数，D为Dropout层，/>中的元素/>到/>分别为所述ALBERT-base模型的前6个隐藏层的输出端的输出值。

7.根据权利要求6所述的一种护理知识库的构建方法，其特征在于，所述特征融合模块的表达式为：

；

A=;

B=1-A;

其中，为所述特征融合模块的输出,/>为sigmoid函数，W为预先训练的权重向量。

8.根据权利要求7所述的一种护理知识库的构建方法，其特征在于，所述分类模块的表达式为：

;

其中，为softmax函数，/>和/>分别为预先训练的线性变换参数。

9.根据权利要求1所述的一种护理知识库的构建方法，其特征在于，所述计算每个所述文本关键词的权重级别的方法为：

获取所述护理类型模块中每个所述文本关键词的占比，并且根据占比由高到低进行排序，序号作为所述权重级别：

；

其中，为文本关键词i的占比，/>为文本关键词i在对应的所述护理类型模块中的出现次数，i=1,2,…,k，k为对应的所述护理类型模块中设置的所述文本关键词的总数。