CN113792115A - 实体相关性确定方法、装置、电子设备及存储介质 - Google Patents
实体相关性确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113792115A CN113792115A CN202110944911.XA CN202110944911A CN113792115A CN 113792115 A CN113792115 A CN 113792115A CN 202110944911 A CN202110944911 A CN 202110944911A CN 113792115 A CN113792115 A CN 113792115A
- Authority
- CN
- China
- Prior art keywords
- entity
- matched
- determining
- correlation
- type
- 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 96
- 238000012545 processing Methods 0.000 claims description 22
- 238000013507 mapping Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 9
- 238000003058 natural language processing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 25
- 230000008569 process Effects 0.000 description 15
- 238000002591 computed tomography Methods 0.000 description 14
- 238000005516 engineering process Methods 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000013145 classification model Methods 0.000 description 5
- 206010050296 Intervertebral disc protrusion Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 210000003127 knee Anatomy 0.000 description 4
- COCAUCFPFHUGAA-MGNBDDOMSA-N n-[3-[(1s,7s)-5-amino-4-thia-6-azabicyclo[5.1.0]oct-5-en-7-yl]-4-fluorophenyl]-5-chloropyridine-2-carboxamide Chemical compound C=1C=C(F)C([C@@]23N=C(SCC[C@@H]2C3)N)=CC=1NC(=O)C1=CC=C(Cl)C=N1 COCAUCFPFHUGAA-MGNBDDOMSA-N 0.000 description 4
- 208000036487 Arthropathies Diseases 0.000 description 3
- 208000012659 Joint disease Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 206010002091 Anaesthesia Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000037005 anaesthesia Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000012812 general test Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 210000002345 respiratory system Anatomy 0.000 description 2
- 208000003947 Knee Osteoarthritis Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010225 co-occurrence analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000000968 medical method and process Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 201000008482 osteoarthritis Diseases 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000002700 urine Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提出了实体相关性确定方法、装置、电子设备及存储介质,涉及计算机技术领域,尤其涉及自然语言处理、知识图谱等人工智能技术领域。具体实现方案:获取实体对,其中,实体对包括:待匹配实体和参考实体,并按照多个候选类型的优先级次序,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个,以及采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性,能够有效地确定实体之间的相关性,降低人为主观因素对相关性确定准确性的影响,有效地提升实体之间的相关性确定效率,提升实体之间的相关性确定效果。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及自然语言处理、知识图谱等人工智能技术领域,具体涉及实体相关性确定方法、装置、电子设备及存储介质。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术,以及机器学习、深度学习、大数据处理技术、知识图谱技术等几大方向。
在医疗服务场景中,医疗保险的监管是医疗保险管理的重要内容,对推进医保基金的合理利用、提高医保基金的使用效率、为医保部门节省不必要的开支、为参保人员提供更优质的医疗服务都有十分重要的意义。而医疗服务场景中存在多种实体,例如,诊断项、医疗消耗项,或者操作项。
发明内容
提供了一种实体相关性确定方法、装置、电子设备、存储介质及计算机程序产品。
根据第一方面,提供了一种实体相关性确定方法,包括:获取实体对,其中,实体对包括:待匹配实体和参考实体;按照与多个候选类型分别对应的多个描述信息,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个;以及采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性。
根据第二方面,提供了一种实体相关性确定装置,包括:第一获取模块,用于获取实体对,其中,实体对包括:待匹配实体和参考实体;确定模块,用于按照与多个候选类型分别对应的多个描述信息,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个;以及匹配模块,用于采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性。
根据第三方面,提供了一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本公开实施例提出的实体相关性确定方法。
根据第四方面,提出了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本公开实施例提出的实体相关性确定方法。
根据第五方面,提出了一种计算机程序产品,包括计算机程序,当所述计算机程序由处理器执行时实现本公开实施例提出的实体相关性确定方法的步骤。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;;
图3是根据本公开第三实施例的示意图;
图4是根据本公开实施例提供的标签映射处理过程的示意图;
图5是根据本公开实施例提供的实体关系示意图;
图6是根据本公开实施例提供的标签识别模型的网络结构示意图;
图7是根据本公开第四实施例的示意图;
图8是根据本公开实施例提供的历史实体知识库的构建示意图;
图9是根据本公开实施提供的实体相关性确定***的结构示意图;
图10是根据本公开第五实施例的示意图;
图11是根据本公开第六实施例的示意图;
图12是用来实现本公开实施例的实体相关性确定方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本公开第一实施例的示意图。
其中,需要说明的是,本实施例的实体相关性确定方法的执行主体为实体相关性确定装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
本公开涉及计算机技术领域,尤其涉及自然语言处理、知识图谱等人工智能技术领域,能够有效地确定实体之间的相关性,降低人为主观因素对相关性确定准确性的影响,有效地提升实体之间的相关性确定效率,提升实体之间的相关性确定效果。
其中,人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学。
自然语言处理(Natural Language Processing,NLP),是计算机科学领域与人工智能领域中的一个重要方向,它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法,主要应用于机器翻译、舆情监测、自动摘要、文本分类、语音识别、文本语义对比等方面。
而知识图谱,是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。
如图1所示,该实体相关性确定方法,包括:
S101:获取实体对,其中,实体对包括:待匹配实体和参考实体。
本公开实施例中,首先获取一个或者多个实体对。
实体,是指客观存在的并可以相互区分的对象或事物,可以是具体的概念也可以是抽象的概念,并且可以采用实体词进行表达,对此不作限制。
在一个具体实例中,该实体相关性确定方法例如可以应用于医保支付监管的场景中,则实体可以是与医疗领域相关的实体,例如:诊断项、操作项、医疗消耗项以及其它任意可能的医疗实体,对此不作限制。
而由多个实体(实体词)构成的组合可以被称为实体对,本公开实施例的实体对可以包括待匹配实体和参考实体两个实体,实体对的表现形式可以形如<entity_1,entity_2>,entity_1可以代表待匹配实体,entity_2可以代表参考实体。
其中,实体对中起到参考作用的实体可以被称为参考实体,而与该参考实体进行相关性匹配的实体可以被称为待匹配实体。
举例而言,在上述的医保支付监管的场景中,实体对可以由诊断项和医疗消耗项或者操作项和医疗消耗项构成,例如可以表示为<诊断项,医疗消耗项>,或者<操作项,医疗消耗项>,其中,诊断项和医疗消耗项分别对应于待匹配实体和参考实体,或者,操作项和医疗消耗项分别对应于待匹配实体和参考实体,也即是说,本公开实施例可以确定诊断项或者操作项与医疗消耗项之间的相关性(或者关联性)。
S102:按照与多个候选类型分别对应的多个描述信息,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个。
其中,参考实体(例如:医疗消耗项)所属的类型可以被称为参考类型,不同的参考实体可以有不同的参考类型,或者相同的参考实体可以有多种参考类型,对此不作限制。
在确定参考类型的过程中,可以按照与多个候选类型分别对应的多个描述信息,确定参考实体对应的参考类型。
其中,多个候选类型例如包括:通用类型、标签类型、目标类型以及其它任意可能的类型,对此不作限制。而参考类型可以为多个候选类型之中的任意一个,例如:参考类型为通用类型,或者为标签类型,或者为目标类型。
其中,通用类型的参考实体可以是医疗领域中通用项目,该通用项目可以没有特定适用的疾病、症状或者操作,属于入院就诊的常规项目,例如挂号、血常规检验、尿常规检验以及其它任意可能的通用项目,或者还可以是每个医疗科室的通用项目,对此不作限制。
而标签类型,与该参考实体的语义特征相关,也即是说,可以根据参考实体的语义确定对应的标签,并将该标签作为参考实体的参考类型。
而既不属于通用类型又不属于标签类型的参考实体,其参考类型可以被称为目标类型,该目标类型例如与历史病历数据、权威医学书籍、药典、病案数据相关,对此不做限制。
其中,用于对候选类型的特征进行描述的信息,可以被称为描述信息。
一些实施例中,描述信息可以是与相应候选类型对应的优先级次序,不同候选类型对应的优先级次序不相同,并且优先级次序可以根据实际的应用场景灵活设定,对此不作限制。
举例而言,在描述信息是与相应候选类型对应的优先级次序的情况下,可以根据优先级由高到低对多个候选类型进行排序,多个候选类型的优先级次序可以为通用类型、标签类型、目标类型,在确定参考实体对应的参考类型的过程中,可以依次确定参考类型是否为通用类型、标签类型、目标类型。
也即是说,首先确定参考类型是否属于通用类型,在参考类型不属于通用类型的情况下,进一步确定参考类型是否属于标签类型,在参考类型也不属于标签类型的情况下,则确定该参考实体的参考类型为目标类型。
其中,在确定参考类型是否属于通用类型的过程中,可以根据预先构建的通用型知识库进行确定,如果通用型知识库存在参考实体,则确定参考类型属于通用类型,具体过程详见下述实施例。而在确定参考类型是否属于标签类型的过程中,可以根据参考实体的语义特征确定参考实体的标签,进一步地,在预先构建的标签知识库中确定是否存在参考实体的标签,如果存在对应的标签,则确定参考类型属于标签类型。
另一些实施例中,描述信息还可以是与相应候选类型对应的分类类型,不同候选类型对应的分类类别不相同,并且分类类别可以根据实际的应用场景灵活设定,对此不作限制。
在实际应用中,可以训练用于识别候选类型所属类别的神经网络分类模型,通过分类模型确定参考实体对应的分类类别,进而根据分类类别确定参考实体对应的参考类型。
举例而言,该分类模型可以是二分类模型,该二分类模型可以对通用类型、标签类型的参考实体进行分类,而既不属于通用类型又不属于标签类型的参考实体,可以确定为目标类型。
可以理解的是,上述是实施例只是对判断参考类型是否属于通用类型或者标签类型进行示例性说明,在实际应用中还可以采用其它任意可能的方式确定参考类型,对此不作限制。
S103:采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性。
上述确定参考实体的参考类型的参考类型后,进一步地,采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性。
也即是说,不同的参考类型可以对应不同的相关性匹配方法,在确定待匹配实体和参考实体之间的相关性的操作中,可以采用与参考类型对应的相关性匹配方法,确定相关性。
其中,相关性也可以称为关联性,用于描述待匹配实体和参考实体的相关程度。
举例而言,实体对例如<腰椎间盘突出,腰椎X线计算机体层(CT)平扫>,其中,腰椎间盘突出为诊断项并且可以对应待匹配实体,腰椎X线计算机体层(CT)平扫为医疗消耗项并且对应参考实体。在医疗领域中,针对腰椎间盘突出的诊断项,一般可以采用腰椎X线计算机体层(CT)平扫进行诊断,因此腰椎间盘突出和腰椎X线计算机体层(CT)平扫之间存在合理的关联性,则该实例中可以确定待匹配实体和参考实体具有相关性。
又例如,实体对<膝关节病,颅脑磁共振成像>中,膝关节病为诊断项并且可以对应待匹配实体,颅脑磁共振成像为医疗消耗项并且对应参考实体,而膝关节病和颅脑磁共振成像之间不存在合理的相关性,因此可以确定待匹配实体和参考实体不具有相关性。
进而,可以根据实体对中待匹配实体和参考实体之间的相关性进行后续的处理操作,例如:在医保支付监管过程中判断是否存在不合理的医疗行为,进而实现对医保支付进行有效地核算和监管。
本公开实施例,通过获取实体对,实体对包括:待匹配实体和参考实体,并按照多个候选类型的优先级次序,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个,以及采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性,能够有效地确定实体之间的相关性,降低人为主观因素对相关性确定准确性的影响,有效地提升实体之间的相关性确定效率,提升实体之间的相关性确定效果。
需要说明的是,本实施例中的医保支付监管并不是针对某一特定用户进行的,并不能反映出某一特定用户的个人信息。
本实施例中,涉及到的医疗数据信息可以通过各种公开、合法合规的方式获取,例如可以是从公开数据集处获取的,或者是经过了用户的授权从用户处获取的,处理过程符合相关法律法规。
图2是根据本公开第二实施例的示意图。
如图2所示,该实体相关性确定方法包括:
S201:获取多个候选实体,多个候选实体分别具有对应的多个实体使用比例值。
其中,任意场景下的实体都可以被称为候选实体,例如:在上述的医保支付监管的场景,医疗过程中的任意项目(包括:任意的诊断项、操作项以及医疗消耗项)都可以被称为候选实体。
而候选实体可以有对应的实体使用比例值,其中,实体使用比例值用于描述候选实体在对应场景中的使用覆盖范围,或者用于描述候选实体在对应场景中出现的频率,或者还可以描述其他任意可能的使用比例,对此不做限制。
在实际应用中,可以对病案数据进行挖掘,计算候选实体覆盖病案的比率作为该实体使用比例值,或者还可以采用其它任意可能的方式计算该实体使用比例值,对此不做限制。
S202:获取大于或等于比例阈值的实体使用比例值所属的候选实体,并根据所属的候选实体构建通用型知识库。
上述获取多个候选实体后,进一步地,获取大于或等于比例阈值的实体使用比例值所属的候选实体,并根据所属的候选实体构建通用型知识库。
也即是说,从多个候选实体中选择使用比例值大于比例阈值的实体,并构建知识库,该知识库可以被称为通用型知识库。
其中,比例阈值可以根据实际的应用场景进行确定,举例而言,本公开实施例中的比例阈值可以为90%,也即是说,将实体使用比例大于或者等于90%的候选实体构建该通用型知识库。从而,通过创建通用型知识库,可以有利于后续根据通用型知识库确定参考实体的参考类型。
S203:获取实体对,其中,实体对包括:待匹配实体和参考实体。
S204:按照与多个候选类型分别对应的多个描述信息,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个。
S203-S204的描述说明可以具体参见上述实施例,在此不再赘述。
S205:如果能够在通用型知识库之中,检索得到与参考实体对应的候选实体,则确定参考类型是通用类型。
进一步地,可以在通用型知识库之中检索与参考实体对应的候选实体,如果通用型知识库之中存在对应的候选实体,则确定参考类型是通用类型。
举例而言,参考实体例如腰椎X线计算机体层(CT)平扫,则在通用型知识库之中检索是否存在该腰椎X线计算机体层(CT)平扫,如果存在,则表示腰椎X线计算机体层(CT)平扫为通用类型。从而,通过在通用性知识库中进行检索,可以快速的确定是否存在对应的候选实体,因此可以提高相关性匹配的速度。
S206:如果参考类型是通用类型,则确定待匹配实体和参考实体具有相关性。
进一步地,本公开实施例在采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性的操作中,可以判断参考类型是否为通用类型,如果参考类型是通用类型,则确定待匹配实体和参考实体具有相关性。通过通用类型可以直接确定待匹配实体和参考实体具有相关性,可以降低计算复杂度和占用的计算资源,提高相关性匹配效率,进而可以提升医疗监管的处理速度。
本公开实施例,通过获取实体对,实体对包括:待匹配实体和参考实体,并按照多个候选类型的优先级次序,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个,以及采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性,能够有效地确定实体之间的相关性,降低人为主观因素对相关性确定准确性的影响,有效地提升实体之间的相关性确定效率,提升实体之间的相关性确定效果。并且,通过在通用性知识库中进行检索,可以快速的确定是否存在对应的候选实体,因此可以提高相关性匹配的速度。此外,通过通用类型可以直接确定待匹配实体和参考实体具有相关性,可以降低计算复杂度和占用的计算资源,提高相关性匹配效率,进而可以提升医疗监管的处理速度。
图3是根据本公开第三实施例的示意图。
如图3所示,该实体相关性确定方法包括:
S301:获取实体对,其中,实体对包括:待匹配实体和参考实体。
S302:按照与多个候选类型分别对应的多个描述信息,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个。
S301-S302的描述说明可以具体参见上述实施例,在此不再赘述。
S303:如果参考类型是标签类型,则确定待匹配实体的待匹配标签信息,并确定参考实体的参考标签信息。
本公开实施例,在采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性的操作中,如果参考类型是标签类型,则确定待匹配实体的待匹配标签信息,并确定参考实体的参考标签信息。
也即是说,本公开实施例的实体可以有对应的标签信息,标签信息例如包括身体部位、身体***以及疾病类型等,对此不作限制。
其中,与待匹配实体对应的标签信息可以被称为待匹配标签信息,而与参考实体对应的标签信息,可以被称为参考标签信息。
一些实施例,可以对待匹配实体进行标签映射处理,以得到待匹配标签信息。
其中,例如可以采用基于机器学习的标签映射算法对待匹配实体进行标签映射处理,得到该待匹配标签信息,或者还可以采用其它任意可能的方法对待匹配实体进行标签映射处理,对此不做限制。
同理,本公开实施例还可以对参考实体进行标签映射处理,以得到参考标签信息,处理方式同理于上述的待匹配实体的标签映射处理方式,此处不再赘述。
举例而言,图4是根据本公开实施例提供的标签映射处理过程的示意图,如图4所示,医疗实体词:左膝骨性关节损伤,可以是参考实体或者待匹配实体,将该医疗实体词通过标签映射算法计算,可以得到对应的标签信息,标签信息例如,身体部位:膝部、骨、膝关节,身体***:运动***,疾病类型:损伤性疾病。从而,可以得到待匹配实体的待匹配标签信息,和参考实体的参考标签信息,有利于后续根据标签信息确定待匹配实体和参考实体的相关性。
一些实施例,在确定待匹配标签信息或者参考标签信息的过程中,还可以对待判定实体进行语义解析,以得到实体语义特征。其中,该待判定实体,可以是待匹配实体,或者还可以是参考实体,也即是说,可以确定待匹配实体和/或参考实体的实体语义特征。
其中,可以采用任意可能的方式或者算法对待匹配实体或者参考实体进行语义解析,例如:采用深度学习网络模型从待判定实体中识别实体语义特征,对此不做限制。
进一步地,根据实体语义特征,结合设定方式确定目标标签信息,目标标签信息,是待匹配标签信息或者参考标签信息,也即是说,可以采用设定方式和实体语义特征,确定待匹配标签信息或者参考标签信息。从而,在确定实体相关性的过程中还可以结合实体的语义信息,提升医保***在实际监管中的健壮性和可迁移性。
一些实施例中,可以从标签知识库中确定与实体语义特征匹配的候选语义特征,并将候选语义特征所属候选标签信息作为目标标签信息。
其中,该标签知识库可以是预先构建的,例如通过人工标注的方式建立实体词或者实体语义特征与标签之间的对应关系,或者还可以根据实体语义特征的关键词与标签之间建立映射关系,例如:将上呼吸道和呼吸***的关键词与对应的标签建立映射关系。
而候选语义特征,是该标签知识库中构建的特征,并且有对应的候选标签信息,也即是说,标签知识库中记录的是候选语义特征与候选标签信息之间的对应关系,或者映射关系。
在确定目标标签信息的操作中,可以根据实体语义特征在标签知识库中查询是否存在对应的候选语义特征,在存在候选语义特征的情况下,将该候选语义特征所属候选标签信息作为目标标签信息。
另一些实施例中,还可以根据实体语义特征,确定与待判定实体相关的关联实体。
举例而言,在上述医保支付监管的场景中,与待判定实体具有相同科室关系、相同病况关系以及具有其它任意可能相同或相近关系的实体,可以被称为关联实体,并且该关联实体可以有对应的关联标签信息。
在确定目标标签信息的操作中,还可以根据实体语义特征,确定与待判定实体相关的关联实体,并将关联实体的关联标签信息作为目标标签信息。
在实际应用中,可以采用标签传播模型实现确定关联实体。其中,标签传播的核心思想是相似的数据具有相同的标签,主要包括相似矩阵的构建和标签传播两个步骤。图5是根据本公开实施例提供的实体关系示意图,如图5所示,根据已知的关联实体(包括有标签信息和无标签信息),基于实体词之间所存在的上下位关系、相同的科室关系或者相同的病况关系等,将实体词以结点表示,结点间的连线代表两个实体之间的关系,然后以图结构的形式将它们关联起来。进一步地,进行标签的传播,通过结点之间的边传播标签,边得权重越大表示两个结点越相似,那么标签也越容易传递过去。例如:对于结点i和结点j来说,两者之间的边权重为:
其中,||xi-xj||2代表结点之间的欧式距离,α为超参数,那么标签的概率转移矩阵P为:
其中,Pij表示标签从结点i转移到结点j的概率。而对于有标签的数据来说,标签是事先确定的先验知识,不应受到标签传播所带来的影响,因此在每次传播完成之后需要重置回起始标签,通过上述操作的循环迭代,即可获得覆盖范围更广泛的实体词的标签。从而,通过标签传播算法可以确定目标标签信息。
另一些实施例中,还可以将实体语义特征输入至标签识别模型之中,以得到标签识别模型输出的目标标签信息。
其中,该标签识别模型可以是基于深度网络的模型,例如:基于门控循环单元(Gated Recurrent Unit,GRU)的深度网络模型,GRU是长短期记忆网络(Long Short-TermMemory,LSTM)的一种效果很好的变体,它较LSTM网络的结构更加简单,而且效果也很好。相比传统的神经网络的框架,一方面考虑到了实体词中字与字之间的顺序依赖关系,更加符合自然语言处理的基本假设(语序影响语义的表达),另一方面,基于GRU的方法有效的解决了传统循环神经网络(Recurrent Neural Network,RNN)长依赖所导致的梯度***(gradient explosion)和梯度弥散(gradient vanishing)等问题,使得模型训练更加稳定。在得到实体词的标签之后,即可通过判断两个实体词的标签是否存在重合,判断两者是否存在语义特征上的相关性。
图6是根据本公开实施例提供的标签识别模型的网络结构示意图,如图6所示,包括:输入层(input)、嵌入层(embedding)、全连接层(fully connected layers,FC),其中,embedding和FC之间还包括丢弃层(dropout),FC和embedding进行GRU传播,而后连接最大池化层(max pool),max pool经过全连接层FC、丢弃层dropout在连接FC层或激活函数(sigmoid),而后连接预测层(predictions)。
其中,dropout层的作用是在当前的训练批次中,随机将一定比率的特征节点值丢弃(即值置为0),这种方式可以减少特征检测器(隐层节点)间的相互作用,检测器相互作用是指某些检测器依赖其他检测器才能发挥作用,终极目标就是减少模型训练过程中的过拟合,降低对某些局部特征的依赖,增强模型的泛化性能。
从而,本实施例可以通过多种方式确定目标标签信息,保证了目标标签信息的准确性,提高容错率,进而有利于判断待匹配实体和参考实体之间的相关性。
S304:根据待匹配标签信息和参考标签信息,确定待匹配实体和参考实体之间的相关性。
上述确定待匹配标签信息和参考标签信息后,进一步地,根据待匹配标签信息和参考标签信息,确定待匹配实体和参考实体之间的相关性,也即是说,根据标签信息的相关性确定实体之间的相关性。从而,可以根据标签之间的相关性确定实体之间的相关性,由于标签是特定的,因此本实施例可以快速、准确地确定实体之间的相关性。
一些实施例中,可以首先确定待匹配标签信息和参考标签信息之间的标签重叠值。
其中,该标签重叠值例如可以表示待匹配标签信息和参考标签信息之间的相似度、重合度以及其它任意可能的相关性信息,例如可以计算待匹配标签信息和参考标签信息中相同字符的数量作为该标签重叠值,或者还可以通过其它任意可能的方式计算该标签重叠值,对此不作限制。
进一步地,将标签重叠值与重叠阈值进行对比,其中,该重叠阈值可以根据实际应用场景进行设定,如果标签重叠值大于或等于重叠阈值,则确定待匹配实体和参考实体之间具有相关性,如果标签重叠值小于重叠阈值,则确定待匹配实体和参考实体之间不具有相关性。从而,将标签重叠值与重叠阈值进行对比可以简化计算过程,并且重叠阈值可以灵活设定,因此可以满足不同场景下的需求。
本公开实施例,通过获取实体对,实体对包括:待匹配实体和参考实体,并按照多个候选类型的优先级次序,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个,以及采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性,能够有效地确定实体之间的相关性,降低人为主观因素对相关性确定准确性的影响,有效地提升实体之间的相关性确定效率,提升实体之间的相关性确定效果。并且,通过在通用性知识库中进行检索,可以快速的确定是否存在对应的候选实体,因此可以提高相关性匹配的速度。并且,可以通过多种方式确定目标标签信息,保证了目标标签信息的准确性,提高容错率,进而有利于判断待匹配实体和参考实体之间的相关性。此外,将标签重叠值与重叠阈值进行对比可以简化计算过程,并且重叠阈值可以灵活设定,因此可以满足不同场景下的需求。
图7是根据本公开第四实施例的示意图。
如图7所示,该实体相关性确定方法包括:
S701:获取实体对,其中,实体对包括:待匹配实体和参考实体。
S702:按照与多个候选类型分别对应的多个描述信息,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个。
S701-S702的描述说明可以具体参见上述实施例,在此不再赘述。
S703:如果参考类型是目标类型,则获取与参考实体相关的多个历史实体。
本公开实施例,在参考类型是目标类型的情况下,还可以获取与参考实体相关的多个历史实体。
举例而言,可以在历史病历数据、权威医学书籍、药典、以及病案数据中挖掘与参考实体相关的多个实体,作为历史实体。并且,如图8所示,图8是根据本公开实施例提供的历史实体知识库的构建示意图,历史病历数据、权威医学书籍、药典、以及病案数据中的历史实体可以构建成知识库。
S704:根据多个历史实体,确定待匹配实体和参考实体之间的相关性。
进一步地,根据多个知识库中的历史实体,确定待匹配实体和参考实体之间的相关性。从而,还可以结合历史数据确定待匹配实体和参考实体之间的相关性,使得相关性匹配结果更加权威。
一些实施例中,可以计算待匹配实体分别与多个历史实体之间的多个语义相似性。
语义相似性,用于描述待匹配实体与历史实体之间语义特征级别的相似性,例如:可以通过语义识别算法分别计算待匹配实体与每个历史实体之间的语义相似性,从而可以得到多个语义相似性。
进一步地,将多个语义相似性分别与相似性阈值进行比对,如果多个语义相似性之中任一个语义相似性大于或等于相似性阈值,则确定待匹配实体和参考实体之间具有相关性,如果多个语义相似性均小于相似性阈值,则确定待匹配实体和参考实体之间不具有相关性。也即是说,如果多个语义相似性中至少存在一个大于或等于相似性阈值的历史实体,则表示待匹配实体和参考实体之间具有相关性。从而,本实施例可以通过语义相似性与相似性阈值快速的确定待匹配实体和参考实体之间的相关性,并且通过灵活地调整相似性阈值,使得本方案可以应用到不同的应用场景。
本公开实施例,通过获取实体对,实体对包括:待匹配实体和参考实体,并按照多个候选类型的优先级次序,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个,以及采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性,能够有效地确定实体之间的相关性,降低人为主观因素对相关性确定准确性的影响,有效地提升实体之间的相关性确定效率,提升实体之间的相关性确定效果。并且,还可以结合历史数据确定待匹配实体和参考实体之间的相关性,使得相关性匹配结果更加权威。此外,可以通过语义相似性与相似性阈值快速的确定待匹配实体和参考实体之间的相关性,并且通过灵活地调整相似性阈值,使得本方案可以应用到不同的应用场景。
图9是根据本公开实施提供的实体相关性确定***的结构示意图,如图9所示,主要包括:医疗实体关系预测模块、医疗消耗项合理性检测模块、医保基金核算与监管模块。
其中,医疗实体关系预测模块主要用于实现上述实施例,该医疗实体关系预测模块可以通过通用项目(通用型知识库)检索确定医疗实体(参考实体和待匹配实体)之间的相关性,或者还可以通过标签预测模型确定医疗实体之间的相关性,或者还可以通过知识库(多个历史实体)确定医疗实体之间的相关性。
医疗消耗项合理性检测模块,建立在医疗实体关系预测模块基础之上,用于从病案首页数据中抽取出主要诊断、其他诊断、手术或其他操作、麻醉方式字段中的内容依次作为entity_1,抽取收费消耗项目名称作为entity_2,构建<entity_1,entity_2>关系对进行关系判断,对于一个病患,若收费消耗项目与主要诊断,其他诊断,手术及其他操作以及麻醉方式字段中的任意内容存在相关性,则可以判断该项收费为合理收费,反之为不合理收费。
医保基金核算与监管模块,用于判断出医保收费中合理与不合理的项目,然后根据所记录该项目的消耗数量,单价以及次数,即可计算出该病患在这次医疗就诊服务中合理可报销的总金额以及不合理的总金额,从而更加合理、高效地实现对医保支付的监管。
图10是根据本公开第五实施例的示意图。
如图10所示,该实体相关性确定装置100,包括:
第一获取模块101,用于获取实体对,其中,实体对包括:待匹配实体和参考实体;
确定模块102,用于按照与多个候选类型分别对应的多个描述信息,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个;以及
匹配模块103,用于采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性。
可选地,在本公开的一些实施例中,如图11所示,图11是根据本公开第六实施例的示意图,该实体相关性确定装置110,包括:第一获取模块111、确定模块112、匹配模块113,其中,该匹配模块113,包括:
第一匹配子模块1131,用于在参考类型是通用类型时,确定待匹配实体和参考实体具有相关性。
可选地,在本公开的一些实施例中,如图11所示,其中,匹配模块113,还包括:
第一确定子模块1132,用于在参考类型是标签类型时,确定待匹配实体的待匹配标签信息,并确定参考实体的参考标签信息;
第二匹配子模块1133,用于根据待匹配标签信息和参考标签信息,确定待匹配实体和参考实体之间的相关性。
可选地,在本公开的一些实施例中,其中,第二匹配子模块1133,具体用于:确定待匹配标签信息和参考标签信息之间的标签重叠值;在标签重叠值大于或等于重叠阈值时,确定待匹配实体和参考实体之间具有相关性;在标签重叠值小于重叠阈值时,确定待匹配实体和参考实体之间不具有相关性。
可选地,在本公开的一些实施例中,如图11所示,匹配模块113,还包括:
第二确定子模块1134,用于在参考类型是目标类型时,获取与参考实体相关的多个历史实体;
第三匹配子模块1135,用于根据多个历史实体,确定待匹配实体和参考实体之间的相关性。
可选地,在本公开的一些实施例中,其中,第三匹配子模块1135,具体用于:确定待匹配实体分别与多个历史实体之间的多个语义相似性;在多个语义相似性之中任一个语义相似性大于或等于相似性阈值时,确定待匹配实体和参考实体之间具有相关性;在多个语义相似性均小于相似性阈值时,确定待匹配实体和参考实体之间不具有相关性。
可选地,在本公开的一些实施例中,其中,第一匹配子模块1131,具体用于:在能够在通用型知识库之中,检索得到与参考实体对应的候选实体时,确定参考类型是通用类型。
可选地,在本公开的一些实施例中,如图11所示,装置110还包括:第二获取模块114,用于获取多个候选实体,多个候选实体分别具有对应的多个实体使用比例值;第三获取模块115,用于获取大于或等于比例阈值的实体使用比例值所属的候选实体,并根据所属的候选实体构建通用型知识库。
可选地,在本公开的一些实施例中,其中,第一确定子模块1132,具体用于:对待匹配实体进行标签映射处理,以得到待匹配标签信息;对参考实体进行标签映射处理,以得到参考标签信息。
可选地,在本公开的一些实施例中,其中,第一确定子模块1132,具体用于:对待判定实体进行语义解析,以得到实体语义特征,待判定实体,是待匹配实体或者参考实体;根据实体语义特征,结合设定方式确定目标标签信息,目标标签信息,是待匹配标签信息或者参考标签信息。
可选地,在本公开的一些实施例中,其中,第一确定子模块1132,具体用于:从标签知识库中确定与实体语义特征匹配的候选语义特征,并将候选语义特征所属候选标签信息作为目标标签信息;或者根据实体语义特征,确定与待判定实体相关的关联实体,并将关联实体的关联标签信息作为目标标签信息;或者将实体语义特征输入至标签识别模型之中,以得到标签识别模型输出的目标标签信息。
可选地,在本公开的一些实施例中,其中,描述信息,是与相应候选类型对应的优先级次序,不同候选类型对应的优先级次序不相同。
可以理解的是,本实施例附图11中的实体相关性确定装置110与上述实施例中的实体相关性确定装置100,第一获取模块111与上述实施例中的第一获取模块101,确定模块112与上述实施例中的确定模块102,匹配模块113与上述实施例中的匹配模块103,可以具有相同的功能和结构。
需要说明的是,前述对实体相关性确定方法的解释说明也适用于本实施例的实体相关性确定装置,此处不再赘述。
本公开实施例,通过获取实体对,实体对包括:待匹配实体和参考实体,并按照多个候选类型的优先级次序,确定参考实体对应的参考类型,其中,参考类型为多个候选类型之中的一个,以及采用与参考类型对应的相关性匹配方法,确定待匹配实体和参考实体之间的相关性,能够有效地确定实体之间的相关性,降低人为主观因素对相关性确定准确性的影响,有效地提升实体之间的相关性确定效率,提升实体之间的相关性确定效果。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图12是用来实现本公开实施例的实体相关性确定方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206,例如键盘、鼠标等;输出单元1207,例如各种类型的显示器、扬声器等;存储单元1208,例如磁盘、光盘等;以及通信单元1209,例如网卡、调制解调器、无线通信收发机等。通信单元1209允许设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如,实体相关性确定方法。
例如,在一些实施例中,实体相关性确定方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1202和/或通信单元1209而被载入和/或安装到设备1200上。当计算机程序加载到RAM 1203并由计算单元1201执行时,可以执行上文描述的实体相关性确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行实体相关性确定方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的实体相关性确定方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供至通用计算机、专用计算机或其他可编程实体相关性确定装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供至计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供至用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网及区块链网络。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (27)
1.一种实体相关性确定方法,包括:
获取实体对,其中,所述实体对包括:待匹配实体和参考实体;
按照与多个候选类型分别对应的多个描述信息,确定所述参考实体对应的参考类型,其中,所述参考类型为所述多个候选类型之中的一个;以及
采用与所述参考类型对应的相关性匹配方法,确定所述待匹配实体和所述参考实体之间的相关性。
2.根据权利要求1所述的方法,所述候选类型包括:通用类型,其中,所述采用与所述参考类型对应的相关性匹配方法,确定所述待匹配实体和所述参考实体之间的相关性,包括:
如果所述参考类型是所述通用类型,则确定所述待匹配实体和所述参考实体具有相关性。
3.根据权利要求1所述的方法,所述候选类型包括:标签类型,其中,所述采用与所述参考类型对应的相关性匹配方法,确定所述待匹配实体和所述参考实体之间的相关性,包括:
如果所述参考类型是所述标签类型,则确定所述待匹配实体的待匹配标签信息,并确定所述参考实体的参考标签信息;
根据所述待匹配标签信息和所述参考标签信息,确定所述待匹配实体和所述参考实体之间的相关性。
4.根据权利要求3所述的方法,其中,所述根据所述待匹配标签信息和所述参考标签信息,确定所述待匹配实体和所述参考实体之间的相关性,包括:
确定所述待匹配标签信息和所述参考标签信息之间的标签重叠值;
如果所述标签重叠值大于或等于重叠阈值,则确定所述待匹配实体和所述参考实体之间具有相关性;
如果所述标签重叠值小于所述重叠阈值,则确定所述待匹配实体和所述参考实体之间不具有相关性。
5.根据权利要求1所述的方法,所述候选类型包括:目标类型,其中,所述采用与所述参考类型对应的相关性匹配方法,确定所述待匹配实体和所述参考实体之间的相关性,包括:
如果所述参考类型是所述目标类型,则获取与所述参考实体相关的多个历史实体;
根据所述多个历史实体,确定所述待匹配实体和所述参考实体之间的相关性。
6.根据权利要求5所述的方法,其中,所述根据所述多个历史实体,确定所述待匹配实体和所述参考实体之间的相关性,包括:
确定所述待匹配实体分别与所述多个历史实体之间的多个语义相似性;
如果所述多个语义相似性之中任一个所述语义相似性大于或等于相似性阈值,则确定所述待匹配实体和所述参考实体之间具有相关性;
如果所述多个语义相似性均小于所述相似性阈值,则确定所述待匹配实体和所述参考实体之间不具有相关性。
7.根据权利要求2所述的方法,所述方法还包括:
如果能够在通用型知识库之中,检索得到与所述参考实体对应的候选实体,则确定所述参考类型是所述通用类型。
8.根据权利要求7所述的方法,在所述获取实体对之前,还包括:
获取多个候选实体,所述多个候选实体分别具有对应的多个实体使用比例值;
获取大于或等于比例阈值的所述实体使用比例值所属的候选实体,并根据所述所属的候选实体构建所述通用型知识库。
9.根据权利要求3所述的方法,其中,所述确定所述待匹配实体的待匹配标签信息,并确定所述参考实体的参考标签信息,包括:
对所述待匹配实体进行标签映射处理,以得到所述待匹配标签信息;
对所述参考实体进行所述标签映射处理,以得到所述参考标签信息。
10.根据权利要求9所述的方法,还包括:
对待判定实体进行语义解析,以得到实体语义特征,所述待判定实体,是所述待匹配实体或者所述参考实体;
根据所述实体语义特征,结合设定方式确定目标标签信息,所述目标标签信息,是所述待匹配标签信息或者所述参考标签信息。
11.根据权利要求10所述的方法,其中,所述根据所述实体语义特征,结合设定方式确定目标标签信息,包括:
从标签知识库中确定与所述实体语义特征匹配的候选语义特征,并将所述候选语义特征所属候选标签信息作为所述目标标签信息;或者
根据所述实体语义特征,确定与所述待判定实体相关的关联实体,并将所述关联实体的关联标签信息作为所述目标标签信息;或者
将所述实体语义特征输入至标签识别模型之中,以得到所述标签识别模型输出的所述目标标签信息。
12.根据权利要求1所述的方法,其中,所述描述信息,是与相应所述候选类型对应的优先级次序,不同所述候选类型对应的优先级次序不相同。
13.一种实体相关性确定装置,包括:
第一获取模块,用于获取实体对,其中,所述实体对包括:待匹配实体和参考实体;
确定模块,用于按照与多个候选类型分别对应的多个描述信息,确定所述参考实体对应的参考类型,其中,所述参考类型为所述多个候选类型之中的一个;以及
匹配模块,用于采用与所述参考类型对应的相关性匹配方法,确定所述待匹配实体和所述参考实体之间的相关性。
14.根据权利要求13所述的装置,所述候选类型包括:通用类型,其中,所述匹配模块,包括:
第一匹配子模块,用于在所述参考类型是所述通用类型时,确定所述待匹配实体和所述参考实体具有相关性。
15.根据权利要求13所述的装置,所述候选类型包括:标签类型,其中,所述匹配模块,还包括:
第一确定子模块,用于在所述参考类型是所述标签类型时,确定所述待匹配实体的待匹配标签信息,并确定所述参考实体的参考标签信息;
第二匹配子模块,用于根据所述待匹配标签信息和所述参考标签信息,确定所述待匹配实体和所述参考实体之间的相关性。
16.根据权利要求15所述的装置,其中,所述第二匹配子模块,具体用于:
确定所述待匹配标签信息和所述参考标签信息之间的标签重叠值;
在所述标签重叠值大于或等于重叠阈值时,确定所述待匹配实体和所述参考实体之间具有相关性;
在所述标签重叠值小于所述重叠阈值时,确定所述待匹配实体和所述参考实体之间不具有相关性。
17.根据权利要求13所述的装置,所述候选类型包括:目标类型,其中,所述匹配模块,还包括:
第二确定子模块,用于在所述参考类型是所述目标类型时,获取与所述参考实体相关的多个历史实体;
第三匹配子模块,用于根据所述多个历史实体,确定所述待匹配实体和所述参考实体之间的相关性。
18.根据权利要求17所述的装置,其中,所述第三匹配子模块,具体用于:
确定所述待匹配实体分别与所述多个历史实体之间的多个语义相似性;
在所述多个语义相似性之中任一个所述语义相似性大于或等于相似性阈值时,确定所述待匹配实体和所述参考实体之间具有相关性;
在所述多个语义相似性均小于所述相似性阈值时,确定所述待匹配实体和所述参考实体之间不具有相关性。
19.根据权利要求14所述的装置,其中,所述第一匹配子模块,具体用于:
在能够在通用型知识库之中,检索得到与所述参考实体对应的候选实体时,确定所述参考类型是所述通用类型。
20.根据权利要求19所述的装置,其中,所述装置还包括:
第二获取模块,用于获取多个候选实体,所述多个候选实体分别具有对应的多个实体使用比例值;
第三获取模块,用于获取大于或等于比例阈值的所述实体使用比例值所属的候选实体,并根据所述所属的候选实体构建所述通用型知识库。
21.根据权利要求15所述的装置,其中,所述第一确定子模块,具体用于:
对所述待匹配实体进行标签映射处理,以得到所述待匹配标签信息;
对所述参考实体进行所述标签映射处理,以得到所述参考标签信息。
22.根据权利要求21所述的装置,其中,所述第一确定子模块,具体用于:
对待判定实体进行语义解析,以得到实体语义特征,所述待判定实体,是所述待匹配实体或者所述参考实体;
根据所述实体语义特征,结合设定方式确定目标标签信息,所述目标标签信息,是所述待匹配标签信息或者所述参考标签信息。
23.根据权利要求22所述的装置,其中,所述第一确定子模块,具体用于:
从标签知识库中确定与所述实体语义特征匹配的候选语义特征,并将所述候选语义特征所属候选标签信息作为所述目标标签信息;或者
根据所述实体语义特征,确定与所述待判定实体相关的关联实体,并将所述关联实体的关联标签信息作为所述目标标签信息;或者
将所述实体语义特征输入至标签识别模型之中,以得到所述标签识别模型输出的所述目标标签信息。
24.根据权利要求13所述的装置,其中,所述描述信息,是与相应所述候选类型对应的优先级次序,不同所述候选类型对应的优先级次序不相同。
25.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-12中任一项所述的方法。
26.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-12中任一项所述的方法。
27.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-12中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110944911.XA CN113792115B (zh) | 2021-08-17 | 2021-08-17 | 实体相关性确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110944911.XA CN113792115B (zh) | 2021-08-17 | 2021-08-17 | 实体相关性确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792115A true CN113792115A (zh) | 2021-12-14 |
CN113792115B CN113792115B (zh) | 2024-03-22 |
Family
ID=78876033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110944911.XA Active CN113792115B (zh) | 2021-08-17 | 2021-08-17 | 实体相关性确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792115B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114579626A (zh) * | 2022-03-09 | 2022-06-03 | 北京百度网讯科技有限公司 | 数据处理方法、数据处理装置、电子设备和介质 |
CN116303392A (zh) * | 2023-03-02 | 2023-06-23 | 重庆市规划和自然资源信息中心 | 关于不动产登记数据的多源数据表管理方法 |
CN117421416A (zh) * | 2023-12-19 | 2024-01-19 | 数据空间研究院 | 交互检索方法、装置和电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180300401A1 (en) * | 2014-04-04 | 2018-10-18 | Chevron U.S.A. Inc. | System and method for fuzzy ontology matching and search across ontologies |
CN111241282A (zh) * | 2020-01-14 | 2020-06-05 | 北京百度网讯科技有限公司 | 文本主题生成方法、装置及电子设备 |
CN111967262A (zh) * | 2020-06-30 | 2020-11-20 | 北京百度网讯科技有限公司 | 实体标签的确定方法和装置 |
CN112115697A (zh) * | 2020-09-25 | 2020-12-22 | 北京百度网讯科技有限公司 | 用于确定目标文本的方法、装置、服务器以及存储介质 |
CN112699667A (zh) * | 2020-12-29 | 2021-04-23 | 京东数字科技控股股份有限公司 | 一种实体相似度确定方法、装置、设备和存储介质 |
CN112860866A (zh) * | 2021-02-09 | 2021-05-28 | 北京百度网讯科技有限公司 | 语义检索方法、装置、设备以及存储介质 |
WO2021151353A1 (zh) * | 2020-10-20 | 2021-08-05 | 平安科技(深圳)有限公司 | 医学实体关系抽取方法、装置、计算机设备及可读存储介质 |
CN113257383A (zh) * | 2021-06-16 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 匹配信息确定方法、显示方法、装置、设备及存储介质 |
US20210383121A1 (en) * | 2020-06-03 | 2021-12-09 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method for generating tag of video, electronic device, and storage medium |
-
2021
- 2021-08-17 CN CN202110944911.XA patent/CN113792115B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180300401A1 (en) * | 2014-04-04 | 2018-10-18 | Chevron U.S.A. Inc. | System and method for fuzzy ontology matching and search across ontologies |
CN111241282A (zh) * | 2020-01-14 | 2020-06-05 | 北京百度网讯科技有限公司 | 文本主题生成方法、装置及电子设备 |
KR20210092142A (ko) * | 2020-01-14 | 2021-07-23 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 텍스트 주제 생성 방법, 장치 및 전자기기 |
US20210383121A1 (en) * | 2020-06-03 | 2021-12-09 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method for generating tag of video, electronic device, and storage medium |
CN111967262A (zh) * | 2020-06-30 | 2020-11-20 | 北京百度网讯科技有限公司 | 实体标签的确定方法和装置 |
CN112115697A (zh) * | 2020-09-25 | 2020-12-22 | 北京百度网讯科技有限公司 | 用于确定目标文本的方法、装置、服务器以及存储介质 |
WO2021151353A1 (zh) * | 2020-10-20 | 2021-08-05 | 平安科技(深圳)有限公司 | 医学实体关系抽取方法、装置、计算机设备及可读存储介质 |
CN112699667A (zh) * | 2020-12-29 | 2021-04-23 | 京东数字科技控股股份有限公司 | 一种实体相似度确定方法、装置、设备和存储介质 |
CN112860866A (zh) * | 2021-02-09 | 2021-05-28 | 北京百度网讯科技有限公司 | 语义检索方法、装置、设备以及存储介质 |
CN113257383A (zh) * | 2021-06-16 | 2021-08-13 | 腾讯科技(深圳)有限公司 | 匹配信息确定方法、显示方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘峤;钟云;李杨;刘瑶;秦志光;: "基于图的中文集成实体链接算法", 计算机研究与发展, no. 02 * |
延浩然;靳小龙;贾岩涛;程学旗;: "一种改进的实体关系抽取算法――OptMultiR", 中文信息学报, no. 09 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114579626A (zh) * | 2022-03-09 | 2022-06-03 | 北京百度网讯科技有限公司 | 数据处理方法、数据处理装置、电子设备和介质 |
CN114579626B (zh) * | 2022-03-09 | 2023-08-11 | 北京百度网讯科技有限公司 | 数据处理方法、数据处理装置、电子设备和介质 |
CN116303392A (zh) * | 2023-03-02 | 2023-06-23 | 重庆市规划和自然资源信息中心 | 关于不动产登记数据的多源数据表管理方法 |
CN116303392B (zh) * | 2023-03-02 | 2023-09-01 | 重庆市规划和自然资源信息中心 | 关于不动产登记数据的多源数据表管理方法 |
CN117421416A (zh) * | 2023-12-19 | 2024-01-19 | 数据空间研究院 | 交互检索方法、装置和电子设备 |
CN117421416B (zh) * | 2023-12-19 | 2024-03-26 | 数据空间研究院 | 交互检索方法、装置和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113792115B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
Du et al. | ML-Net: multi-label classification of biomedical texts with deep neural networks | |
Jing et al. | Mobile-Unet: An efficient convolutional neural network for fabric defect detection | |
Fan et al. | Adverse drug event detection and extraction from open data: A deep learning approach | |
CN113792115B (zh) | 实体相关性确定方法、装置、电子设备及存储介质 | |
CN113033622B (zh) | 跨模态检索模型的训练方法、装置、设备和存储介质 | |
CN112541122A (zh) | 推荐模型的训练方法、装置、电子设备及存储介质 | |
CN112232065B (zh) | 挖掘同义词的方法及装置 | |
Ling et al. | Integrating extra knowledge into word embedding models for biomedical NLP tasks | |
US12008313B2 (en) | Medical data verification method and electronic device | |
CN112786144B (zh) | 知识图谱的方法、医嘱质控的方法、装置、设备和介质 | |
CN112507230B (zh) | 基于浏览器的网页推荐方法、装置、电子设备及存储介质 | |
CN112925883B (zh) | 搜索请求处理方法、装置、电子设备及可读存储介质 | |
CN115858886B (zh) | 数据处理方法、装置、设备及可读存储介质 | |
CN111696656B (zh) | 一种互联网医疗平台的医生评价方法、装置 | |
CN113792153A (zh) | 问答推荐方法及其装置 | |
Tiwari et al. | Symptoms are known by their companies: towards association guided disease diagnosis assistant | |
Dubey et al. | Enabling CT-Scans for covid detection using transfer learning-based neural networks | |
CN113705698A (zh) | 基于点击行为预测的信息推送方法及装置 | |
Saad et al. | Predicting death risk analysis in fully vaccinated people using novel extreme regression-voting classifier | |
WO2021119188A1 (en) | Data processing systems and methods for repurposing drugs | |
Amador-Domínguez et al. | A case-based reasoning model powered by deep learning for radiology report recommendation | |
Singh et al. | Magnetic resonance imaging image-based segmentation of brain tumor using the modified transfer learning method | |
Saad et al. | Novel extreme regression-voting classifier to predict death risk in vaccinated people using VAERS data | |
CN113792230B (zh) | 服务链接方法、装置、电子设备和存储介质 |
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 |