CN109684445B - 口语化医疗问答方法及*** - Google Patents
口语化医疗问答方法及*** Download PDFInfo
- Publication number
- CN109684445B CN109684445B CN201811348745.1A CN201811348745A CN109684445B CN 109684445 B CN109684445 B CN 109684445B CN 201811348745 A CN201811348745 A CN 201811348745A CN 109684445 B CN109684445 B CN 109684445B
- Authority
- CN
- China
- Prior art keywords
- medical
- question
- answer
- determining
- standard expression
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000014509 gene expression Effects 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 57
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 206010035664 Pneumonia Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 201000001178 Bacterial Pneumonia Diseases 0.000 description 2
- 206010035737 Pneumonia viral Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 208000009421 viral pneumonia Diseases 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001580 bacterial effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/247—Thesauruses; Synonyms
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H70/00—ICT specially adapted for the handling or processing of medical references
Landscapes
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及一种口语化医疗问答方法及***,所述口语化医疗问答方法包括:根据历史数据,构建医疗实体字典;基于医疗实体字典,从口语化的医疗语料中确定训练数据;所述医疗语料包括问、答数据;通过词向量表达方法,对训练数据进行同义词处理,得到同义词组;对同义词组进行归一化处理,得到标准表达术语,以使医学专业术语统一;基于问、答的训练数据、同一词组及对应的标准表达术语,建立检索库;根据用户输入的医疗问题,基于所述检索库,确定医疗答案。从而提高医疗问答的准确性和快速性。
Description
技术领域
本发明涉及医疗及计算机处理技术领域,特别涉及一种口语化医疗问答方法及***。
背景技术
随着人口老龄化的来临,我国的医疗资源日益紧张,而医疗需求不断增长。利用人工智能辅助医生、提高医疗***运转效率是发展的必由之路。医疗问答的具体定义是:用户(患者)提出具体的问题,***通过人工智能技术向用户提供相应答案。例如:
Q:宝宝发烧了怎么办?
A:如果不超过38.5度可以先考虑物理降温,超过38.5度则需要及时到医院就诊。
医疗问答是辅助医患沟通的重要工具,可以嵌入在医生随访***中,帮助医生及时回复患者的问题,也可作为参考知识供患者及家属学习。
医疗问答同时也能满足用户的泛医疗需求,即用户对医疗知识、日常保健等医疗健康知识的获取。医疗问答可以更加精准地满足用户的需求,而不需要用户从大量信息中进行筛选。
现有的医疗问答技术方案主要有以下三种:
1)基于信息抽取。通过信息抽取获取关键词,再进行排序。
2)基于知识图谱。通过通过构建实体及其关系的知识图谱,在图谱上进行推理回答问题。
3)基于深度学习。基于深度神经网络建模,计算问答匹配程度。
上述方法均存在一些缺陷:
1)基于信息抽取方式:基于信息抽取的方式只能匹配一些关键词,无法有效处理同义词、近义词,以及医疗术语的口语化表达。
2)基于知识图谱方式:基于知识图谱的问答只能回答答案为一个实体的问题,而不能面向开放问题进行回答。例如前述问题“宝宝发烧了怎么办?”,基于知识图谱的方法无法通过描述性的语句进行回答。
3)基于深度学习方式:已有方法没有针对医疗领域的特殊性进行优化。例如医疗领域涉及大量的医疗实体(疾病、症状、药品),因此需要构建专门的医疗字典;医疗领域还常常涉及医用名词及口语表示的同义关系,因此需要构建同义词词典;此外医疗实体间还往往存在从属关系,例如细菌性肺炎、病毒性肺炎都是肺炎的一种,直接学习的词向量往往无法充分表征其中的关联与区别,因此需要通过字符级别的向量进行表示。
综上所述,由于无法准确区分医疗口语,导致医疗问答的错误理解、医疗问答的效率低、速度慢。
发明内容
为了解决现有技术中的上述问题,即为了解决医疗口语化问题,本发明的目的在于提供一种口语化医疗问答方法及***,可准确将医疗口语化准换为标准术语。
为解决上述技术问题,本发明提供了如下方案:
一种口语化医疗问答方法,所述口语化医疗问答方法包括:
根据历史数据,构建医疗实体字典;
基于医疗实体字典,从口语化的医疗语料中确定训练数据;所述医疗语料包括问、答数据;
通过词向量表达方法,对训练数据进行同义词处理,得到同义词组;
对同义词组进行归一化处理,得到标准表达术语,以使医学专业术语统一;
基于问、答的训练数据、同一词组及对应的标准表达术语,建立检索库;
根据用户输入的医疗问题,基于所述检索库,确定医疗答案。
可选的,所述口语化医疗问答方法还包括:
将所述训练数据添加到所述医疗实体字典中,以更新医疗实体字典。
可选的,所述根据历史数据,构建医疗实体字典,具体包括:
通过网络爬虫技术获取医疗百科、知识库和教材至少一者中公开的医疗数据;
基于规则、命名实体识别方法,对公开的医疗数据进行处理,获取医疗实体字典。
可选的,所述基于医疗实体字典,从口语化的医疗语料中确定训练数据,具体包括:
根据医疗实体字典,对所述医疗语料进行分词,得到训练数据。
可选的,所述通过词向量表达方法,对训练数据进行同义词处理,得到同义词组,具体包括:
针对每一训练数据,计算所述训练数据分别与其他训练数据之间的余弦距离;
将各余弦距离与设定的距离阈值进行比较,得到同义词组,所述同义词组为余弦距离小于距离阈值的各个训练数据。
可选的,所述口语化医疗问答方法还包括:
根据用户输入的医疗问题,确定问题的标准表达术语。
可选的,所述根据用户输入的医疗问题,基于所述检索库,确定医疗答案,具体包括:
根据所述问题的标准表达术语,确定该问题表征的相似的同义词;
根据该问题表征的相似的同义词,确定各同义词对应的答案的标准表达术语,得到多对分别对应问题和答案的标准表达术语;
基于长短期记忆网络LSTM,分别确定每对标准表达术语的问题特征向量和答案特征向量;
将每对的题特征向量和答案特征向量拼接,输入到两层全连接神经网络中,输出预测问答匹配程度的分值;
比较各个分值,确定分值最大的答案标准表达术语。
可选的,所述根据用户输入的医疗问题,基于所述检索库,确定医疗答案,具体包括:
根据所述问题的标准表达术语,确定该问题表征的相似的同义词;
根据该问题表征的相似的同义词,确定各同义词对应的答案的标准表达术语,得到多对分别对应问题和答案的标准表达术语;
基于长短期记忆网络LSTM,分别确定每对标准表达术语的问题特征向量和答案特征向量;
针对每对标准表达术语,分别计算问题特征向量和答案特征向量的余弦距离;
确定其中最小余弦距离对应的答案的标准表达术语。
为解决上述技术问题,本发明还提供了如下方案:
一种口语化医疗问答***,所述口语化医疗问答***包括:
字典构建单元,用于根据历史数据,构建医疗实体字典;
数据确定单元,用于基于医疗实体字典,从口语化的医疗语料中确定训练数据;所述医疗语料包括问、答数据;
同义词处理单元,用于通过词向量表达方法,对训练数据进行同义词处理,得到同义词组;
归一化处理单元,用于对同义词组进行归一化处理,得到标准表达术语,以使医学专业术语统一;
检索库建立单元,用于基于问、答的训练数据及对应的标准表达术语,建立检索库;
答案确定单元,用于根据用户输入的医疗问题,基于所述检索库,确定医疗答案。
可选的,所述口语化医疗问答***还包括:
字典更新单元,用于将所述训练数据添加到所述医疗实体字典中,以更新医疗实体字典。
根据本发明的实施例,本发明公开了以下技术效果:
本发明根据历史数据,构建医疗实体字典,进而从口语化的医疗语料中确定训练数据;通过对训练数据进行同义词处理,得到同义词组;再通过归一化处理,得到标准表达术语;基于问、答的训练数据、同一词组及对应的标准表达术语,建立检索库;从而可根据用户输入的医疗问题,确定医疗答案,提高医疗问答的准确性和快速性。
附图说明
图1是本发明口语化医疗问答方法的流程图;
图2是本发明口语化医疗问答***的模块结构示意图。
符号说明:
字典构建单元—1,数据确定单元—2,同义词处理单元—3,检索库建立单元—4,答案确定单元—5。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
本发明的目的是提供一种口语化医疗问答方法,根据历史数据,构建医疗实体字典,进而从口语化的医疗语料中确定训练数据;通过对训练数据进行同义词处理,得到同义词组;再通过归一化处理,得到标准表达术语;基于问、答的训练数据、同一词组及对应的标准表达术语,建立检索库;从而可根据用户输入的医疗问题,确定医疗答案,提高医疗问答的准确性和快速性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明口语化医疗问答方法包括:
步骤100:根据历史数据,构建医疗实体字典;
步骤200:基于医疗实体字典,从口语化的医疗语料中确定训练数据;所述医疗语料包括问、答数据;
步骤300:通过词向量表达方法,对训练数据进行同义词处理,得到同义词组;
步骤400:对同义词组进行归一化处理,得到标准表达术语,以使医学专业术语统一;
步骤500:基于问、答的训练数据、同一词组及对应的标准表达术语,建立检索库;
步骤600:根据用户输入的医疗问题,基于所述检索库,确定医疗答案。
其中,在步骤100,所述根据历史数据,构建医疗实体字典,具体包括:
步骤101:通过网络爬虫技术获取医疗百科、知识库和教材至少一者中公开的医疗数据。
步骤102:基于规则、命名实体识别(Named Entity Recognition,NER)方法,对公开的医疗数据进行处理,获取医疗实体字典。
百科、知识库等数据库中,包含疾病、症状、药品、手术等不同类别的医疗实体,可直接解析提取;教材中,包含名词解释、定义等,可通过规则挖掘医疗实体。以上获取的医疗实体,可作为一个初始的医疗实体字典。
在步骤200中,所述基于医疗实体字典,从口语化的医疗语料中确定训练数据,具体包括:
根据医疗实体字典,对所述医疗语料进行分词,得到训练数据。
在医疗语料环境下,分词的一个难点是医疗术语往往是组合性的词语,不应该被分开,例如细菌性肺炎、病毒性肺炎作为一个疾病,应当被分为一个词,而不是细菌性/肺炎、病毒性/肺炎。因此,在分词过程中,需引入实体字典,如果一个词出现在实体字典中,则完整保留而不进一步进行切分。
进一步地,本发明口语化医疗问答方法还包括:
将所述训练数据添加到所述医疗实体字典中,以更新医疗实体字典。
在步骤300中,所述通过词向量表达方法,对训练数据进行同义词处理,得到同义词组,具体包括:
步骤301:针对每一训练数据,计算所述训练数据分别与其他训练数据之间的余弦距离;
步骤302:将各余弦距离与设定的距离阈值进行比较,得到同义词组,所述同义词组为余弦距离小于距离阈值的各个训练数据。
其中,词向量是指将一个词映射为一个高维空间的向量,一个词即为这个高维空间上的一个点。在这个高维空间上,词向量有如下属性:词义相近的词语,在高维空间的距离更接近。这里距离的定义,一般是余弦距离。
优选地,词向量的获取需要利用大量的语料,对于医疗相关问题,采用医疗语料训练可以得到更好的结果。词向量的训练,可采用公开的算法,如word2vec、fasttext等。
考虑日常生活中对医疗术语的口语化的表达,语料还应该包括具有口语化表达的医疗语料。优选地,可以利用医疗问、答数据作为训练语料,其中包含了大量口语化的医疗表达。
获取每个词的词向量后,可在词向量空间计算出,与每个词距离小于一定阈值的所有词,获取到每个词和其对应的候选同义词。为提高准确率,可以通过人工标注的方式进一步筛选,获取到同义词,然后将所有同义词归一到一个基准词。
需要解释的是,同义词归一到基准词,应当考虑两个方面。首先,应当尽可能归一到专业医疗术语的表达,因此,优先归一到医疗实体字典中存在的专业表达。其次,应当考虑词语的词频,即每个词语在语料中出现的次数。同义词的归一应当尽可能归一到高频词中。
优选的,本发明口语化医疗问答方法还包括:
根据用户输入的医疗问题,确定问题的标准表达术语。
进一步地,在步骤600中,所述根据用户输入的医疗问题,基于所述检索库,确定医疗答案,具体包括:
步骤601:根据所述问题的标准表达术语,确定该问题表征的相似的同义词;
步骤602:根据该问题表征的相似的同义词,确定各同义词对应的答案的标准表达术语,得到多对分别对应问题和答案的标准表达术语;
步骤603:基于长短期记忆网络LSTM,分别确定每对标准表达术语的问题特征向量和答案特征向量;
步骤604:将每对的题特征向量和答案特征向量拼接,输入到两层全连接神经网络中,输出预测问答匹配程度的分值;
步骤605:比较各个分值,确定分值最大的答案标准表达术语。
此外,在步骤600中,所述根据用户输入的医疗问题,基于所述检索库,确定医疗答案,还可为另一种方案,具体包括:
步骤611:根据所述问题的标准表达术语,确定该问题表征的相似的同义词;
步骤612:根据该问题表征的相似的同义词,确定各同义词对应的答案的标准表达术语,得到多对分别对应问题和答案的标准表达术语;
步骤613:基于长短期记忆网络LSTM,分别确定每对标准表达术语的问题特征向量和答案特征向量;
步骤614:针对每对标准表达术语,分别计算问题特征向量和答案特征向量的余弦距离;
步骤615:确定其中最小余弦距离对应的答案的标准表达术语。
此外,本发明还提供一种口语化医疗问答***,可准确将医疗口语化准换为标准术语。
如图2所示,本发明口语化医疗问答***包括字典构建单元1、数据确定单元2、同义词处理单元3、归一化处理单元4、检索库建立单元5及答案确定单元6。
其中,所述字典构建单元1用于根据历史数据,构建医疗实体字典。所述数据确定单元2用于基于医疗实体字典,从口语化的医疗语料中确定训练数据;所述医疗语料包括问、答数据。所述同义词处理单元3用于通过词向量表达方法,对训练数据进行同义词处理,得到同义词组。所述归一化处理单元4用于对同义词组进行归一化处理,得到标准表达术语,以使医学专业术语统一。所述检索库建立单元5用于基于问、答的训练数据及对应的标准表达术语,建立检索库。所述答案确定单元6用于根据用户输入的医疗问题,基于所述检索库,确定医疗答案。
进一步地,本发明口语化医疗问答***还包括:
字典更新单元,用于将所述训练数据添加到所述医疗实体字典中,以更新医疗实体字典。
相对于现有技术,本发明口语化医疗问答***与上述一种口语化医疗问答方法的有益效果相同,在此不再赘述。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (7)
1.一种口语化医疗问答方法,其特征在于,所述口语化医疗问答方法包括:
根据历史数据,构建医疗实体字典;
基于医疗实体字典,从口语化的医疗语料中确定训练数据;所述医疗语料包括问、答数据;
通过词向量表达方法,对训练数据进行同义词处理,得到同义词组;
对同义词组进行归一化处理,得到标准表达术语,以使医学专业术语统一;
基于问、答的训练数据、同一词组及对应的标准表达术语,建立检索库;
根据用户输入的医疗问题,确定问题的标准表达术语;
根据用户输入的医疗问题,基于所述检索库,确定医疗答案,具体包括:
根据所述问题的标准表达术语,确定该问题表征的相似的同义词;
根据该问题表征的相似的同义词,确定各同义词对应的答案的标准表达术语,得到多对分别对应问题和答案的标准表达术语;
基于长短期记忆网络LSTM,分别确定每对标准表达术语的问题特征向量和答案特征向量;
将每对的题特征向量和答案特征向量拼接,输入到两层全连接神经网络中,输出预测问答匹配程度的分值,比较各个分值,确定分值最大的答案标准表达术语;或者,针对每对标准表达术语,分别计算问题特征向量和答案特征向量的余弦距离,确定其中最小余弦距离对应的答案的标准表达术语。
2.根据权利要求1所述的口语化医疗问答方法,其特征在于,所述口语化医疗问答方法还包括:
将所述训练数据添加到所述医疗实体字典中,以更新医疗实体字典。
3.根据权利要求1所述的口语化医疗问答方法,其特征在于,所述根据历史数据,构建医疗实体字典,具体包括:
通过网络爬虫技术获取医疗百科、知识库和教材至少一者中公开的医疗数据;
基于规则、命名实体识别方法,对公开的医疗数据进行处理,获取医疗实体字典。
4.根据权利要求1所述的口语化医疗问答方法,其特征在于,所述基于医疗实体字典,从口语化的医疗语料中确定训练数据,具体包括:
根据医疗实体字典,对所述医疗语料进行分词,得到训练数据。
5.根据权利要求1所述的口语化医疗问答方法,其特征在于,所述通过词向量表达方法,对训练数据进行同义词处理,得到同义词组,具体包括:
针对每一训练数据,计算所述训练数据分别与其他训练数据之间的余弦距离;
将各余弦距离与设定的距离阈值进行比较,得到同义词组,所述同义词组为余弦距离小于距离阈值的各个训练数据。
6.一种口语化医疗问答***,其特征在于,所述口语化医疗问答***包括:
字典构建单元,用于根据历史数据,构建医疗实体字典;
数据确定单元,用于基于医疗实体字典,从口语化的医疗语料中确定训练数据;所述医疗语料包括问、答数据;
同义词处理单元,用于通过词向量表达方法,对训练数据进行同义词处理,得到同义词组;
归一化处理单元,用于对同义词组进行归一化处理,得到标准表达术语,以使医学专业术语统一;
检索库建立单元,用于基于问、答的训练数据及对应的标准表达术语,建立检索库;
答案确定单元,用于根据用户输入的医疗问题,确定问题的标准表达术语,基于所述检索库,确定医疗答案,具体包括用于:
根据所述问题的标准表达术语,确定该问题表征的相似的同义词;
根据该问题表征的相似的同义词,确定各同义词对应的答案的标准表达术语,得到多对分别对应问题和答案的标准表达术语;
基于长短期记忆网络LSTM,分别确定每对标准表达术语的问题特征向量和答案特征向量;
将每对的题特征向量和答案特征向量拼接,输入到两层全连接神经网络中,输出预测问答匹配程度的分值,比较各个分值,确定分值最大的答案标准表达术语;或者,针对每对标准表达术语,分别计算问题特征向量和答案特征向量的余弦距离,确定其中最小余弦距离对应的答案的标准表达术语。
7.根据权利要求6所述的口语化医疗问答***,其特征在于,所述口语化医疗问答***还包括:
字典更新单元,用于将所述训练数据添加到所述医疗实体字典中,以更新医疗实体字典。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811348745.1A CN109684445B (zh) | 2018-11-13 | 2018-11-13 | 口语化医疗问答方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811348745.1A CN109684445B (zh) | 2018-11-13 | 2018-11-13 | 口语化医疗问答方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109684445A CN109684445A (zh) | 2019-04-26 |
CN109684445B true CN109684445B (zh) | 2021-05-28 |
Family
ID=66185724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811348745.1A Active CN109684445B (zh) | 2018-11-13 | 2018-11-13 | 口语化医疗问答方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109684445B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110176315B (zh) * | 2019-06-05 | 2022-06-28 | 京东方科技集团股份有限公司 | 医疗问答方法及***、电子设备、计算机可读介质 |
CN110472032A (zh) * | 2019-08-16 | 2019-11-19 | 未来火种(北京)科技有限公司 | 医疗自定义实体词词性标签的多分类智能问答检索方法 |
CN110909245A (zh) * | 2019-11-29 | 2020-03-24 | 北京函子科技有限公司 | 一种多标签的网页查找方法、浏览器、服务器及存储介质 |
CN110931128B (zh) * | 2019-12-05 | 2023-04-07 | 中国科学院自动化研究所 | 非结构化医疗文本无监督症状自动识别方法、***、装置 |
CN111339777A (zh) * | 2020-02-24 | 2020-06-26 | 中国科学院自动化研究所 | 基于神经网络的医学相关意图识别方法及*** |
CN112151010B (zh) * | 2020-04-23 | 2024-05-03 | 中国医学科学院北京协和医院 | 一种关节患者随访对话方法及装置 |
CN112133284B (zh) * | 2020-04-23 | 2023-07-07 | 中国医学科学院北京协和医院 | 一种医疗语音对话方法及装置 |
CN112562807B (zh) * | 2020-12-11 | 2024-03-12 | 北京百度网讯科技有限公司 | 医疗数据分析方法、装置、设备、存储介质和程序产品 |
CN112988977A (zh) * | 2021-04-25 | 2021-06-18 | 成都索贝数码科技股份有限公司 | 基于近似词的模糊匹配媒资内容库检索方法 |
CN113409935A (zh) * | 2021-06-04 | 2021-09-17 | 新大陆数字技术股份有限公司 | 一种禽畜疾病问诊方法及*** |
CN116228440B (zh) * | 2023-02-22 | 2024-04-12 | 自贡市第一人民医院 | 一种医保智能管理方法、***、装置和介质 |
CN116089459B (zh) * | 2023-04-10 | 2023-06-27 | 联仁健康医疗大数据科技股份有限公司 | 数据检索方法、装置、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170031899A1 (en) * | 2015-07-31 | 2017-02-02 | Samsung Electronics Co., Ltd. | Apparatus and method for determining translation word |
CN106874643A (zh) * | 2016-12-27 | 2017-06-20 | 中国科学院自动化研究所 | 基于词向量自动构建知识库实现辅助诊疗的方法和*** |
CN107562792A (zh) * | 2017-07-31 | 2018-01-09 | 同济大学 | 一种基于深度学习的问答匹配方法 |
CN108108449A (zh) * | 2017-12-27 | 2018-06-01 | 哈尔滨福满科技有限责任公司 | 一种面向医疗领域的基于多源异构数据问答***及该***的实现方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107368547A (zh) * | 2017-06-28 | 2017-11-21 | 西安交通大学 | 一种基于深度学习的智能医疗自动问答方法 |
-
2018
- 2018-11-13 CN CN201811348745.1A patent/CN109684445B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170031899A1 (en) * | 2015-07-31 | 2017-02-02 | Samsung Electronics Co., Ltd. | Apparatus and method for determining translation word |
CN106874643A (zh) * | 2016-12-27 | 2017-06-20 | 中国科学院自动化研究所 | 基于词向量自动构建知识库实现辅助诊疗的方法和*** |
CN107562792A (zh) * | 2017-07-31 | 2018-01-09 | 同济大学 | 一种基于深度学习的问答匹配方法 |
CN108108449A (zh) * | 2017-12-27 | 2018-06-01 | 哈尔滨福满科技有限责任公司 | 一种面向医疗领域的基于多源异构数据问答***及该***的实现方法 |
Non-Patent Citations (2)
Title |
---|
Routing questions to appropriate answerers in community question answering services;Baichuan Li等;《Proceedings of the 19th ACM international conference on Information and knowledge management》;20101031;第1585-1588页 * |
面向患者的智能医生框架研究;谢刚等;《计算机科学与探索》;20180627;第9卷(第12期);第1475-1486页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109684445A (zh) | 2019-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109684445B (zh) | 口语化医疗问答方法及*** | |
CN109670179B (zh) | 基于迭代膨胀卷积神经网络的病历文本命名实体识别方法 | |
US10331659B2 (en) | Automatic detection and cleansing of erroneous concepts in an aggregated knowledge base | |
CN106874643B (zh) | 基于词向量自动构建知识库实现辅助诊疗的方法和*** | |
WO2021151353A1 (zh) | 医学实体关系抽取方法、装置、计算机设备及可读存储介质 | |
US20090119095A1 (en) | Machine Learning Systems and Methods for Improved Natural Language Processing | |
US10956463B2 (en) | System and method for generating improved search queries from natural language questions | |
CN111768869B (zh) | 面向智能问答***的医学指南图谱化构建搜索***及方法 | |
US20180107648A1 (en) | System and method for supplementing a question answering system with mixed-language source documents | |
US11295861B2 (en) | Extracted concept normalization using external evidence | |
US10599776B2 (en) | Predicate parses using semantic knowledge | |
US10303766B2 (en) | System and method for supplementing a question answering system with mixed-language source documents | |
US20170193197A1 (en) | System and method for automatic unstructured data analysis from medical records | |
WO2018188981A1 (en) | Drawing conclusions from free form texts with deep reinforcement learning | |
Liu et al. | Augmented LSTM framework to construct medical self-diagnosis android | |
CN116561538A (zh) | 问答评分方法、问答评分装置、电子设备及存储介质 | |
Kilicoglu et al. | An ensemble method for spelling correction in consumer health questions | |
US20180075016A1 (en) | System and method for automatic, unsupervised paraphrase generation using a novel framework that learns syntactic construct while retaining semantic meaning | |
Vasilakes et al. | Natural language processing | |
CN113571184A (zh) | 一种用于精神健康测评的对话交互设计方法及*** | |
Cheng et al. | Weakly-supervised neural semantic parsing with a generative ranker | |
CN111553140A (zh) | 数据处理方法、数据处理设备及计算机存储介质 | |
Chang et al. | Automated Chinese essay scoring based on multilevel linguistic features | |
WO2023124837A1 (zh) | 问诊处理方法、装置、设备及存储介质 | |
CN114003684A (zh) | 一种基于开放世界假设的医疗信息关系预测方法及*** |
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 |