CN114220536A - 基于机器学习的疾病分析方法、装置、设备及存储介质 - Google Patents
基于机器学习的疾病分析方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114220536A CN114220536A CN202111509656.2A CN202111509656A CN114220536A CN 114220536 A CN114220536 A CN 114220536A CN 202111509656 A CN202111509656 A CN 202111509656A CN 114220536 A CN114220536 A CN 114220536A
- Authority
- CN
- China
- Prior art keywords
- disease
- data
- loss value
- disease analysis
- calculating
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 290
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 290
- 238000004458 analytical method Methods 0.000 title claims abstract description 149
- 238000010801 machine learning Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 141
- 239000011159 matrix material Substances 0.000 claims abstract description 125
- 230000006870 function Effects 0.000 claims abstract description 93
- 238000012549 training Methods 0.000 claims abstract description 60
- 208000031940 Disease Attributes Diseases 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims description 34
- 238000000034 method Methods 0.000 claims description 15
- 230000000873 masking effect Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 8
- 210000004185 liver Anatomy 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 208000006454 hepatitis Diseases 0.000 description 3
- 231100000283 hepatitis Toxicity 0.000 description 3
- 210000003786 sclera Anatomy 0.000 description 3
- 206010019842 Hepatomegaly Diseases 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010041519 Spider naevus Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000007310 pathophysiology Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010186 staining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及人工智能技术，揭露了一种基于机器学习的疾病分析方法，包括：获取训练疾病数据以及训练疾病数据对应的真实疾病名称和真实疾病属性；构建训练疾病数据的目标向量相关矩阵，利用疾病分析模型对目标向量相关矩阵计算，得到输出结果；分别利用疾病名称损失函数和属性信息损失函数计算得到输出结果与真实疾病名称的疾病名称损失值和属性信息损失值，并利用联合损失函数计算疾病名称损失值和属性信息损失值，得到联合损失值，根据联合损失值优化所述疾病分析模型；利用优化后的疾病分析模型对待检测数据计算，得到目标疾病分析结果。本发明还提出一种基于机器学习的疾病分析装置、设备以及介质。本发明可以提高疾病分析的精确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于机器学习的疾病分析方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能的发展，相关应用涉及生活的各方各面，而疾病在人们日常生活中的地位不容小觑，疾病不仅仅是生物医学中的重要研究课题，它也常常出现在生物医学自然语言处理的任务中，利用人工智能辅助医疗诊断，进行疾病分析等已成为当今的一个重要研究方向。然而目前利用人工的进行疾病诊断和识别，效率较低，需要耗费大量人力；利用机器学习进行疾病诊断，往往因为训练数据量较大，导致模型识别精度不高，进而使疾病分析的精确度较低。
发明内容
本发明提供一种基于机器学习的疾病分析方法、装置及计算机可读存储介质，其主要目的在于解决疾病分析精确度较低的问题。
为实现上述目的，本发明提供的一种基于机器学习的疾病分析方法，包括：
获取训练疾病数据以及所述训练疾病数据对应的真实疾病名称和真实疾病属性；
构建所述训练疾病数据的目标向量相关矩阵，将所述目标向量相关矩阵输入预构建的疾病分析模型，得到所述疾病分析模型的输出结果；
利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名称损失值，利用预设的属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属性信息损失值，并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，根据所述联合损失值优化所述疾病分析模型，得到标准疾病分析模型，其中，所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积；
获得待检测数据，利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果。
可选地，所述构建所述训练疾病数据的目标向量相关矩阵，包括：
对所述训练疾病数据进行掩码操作和编码操作，得到定位向量集；
对所述定位向量集进行矩阵转换，并根据矩阵转换的结果和所述定位向量集计算，得到目标向量相关矩阵。
可选地，所述对所述训练疾病数据进行掩码操作和编码操作，得到定位向量集，包括：
从所述训练疾病数据中提取待掩码数据，对所述待掩码数据执行掩码操作，得到已掩码数据；
对所述已掩码数据中的所有数据进行向量转换，得到向量集，并对所述向量集执行位置编码，得到定位向量集。
可选地，所述对所述定位向量集进行矩阵转换，并根据矩阵转换的结果和所述定位向量集计算，得到目标向量相关矩阵，包括：
将所述定位向量集转换为定位向量矩阵，根据所述定位向量矩阵的维度，生成分类迭代转换矩阵；
利用预构建的指数归一化函数、所述定位向量矩阵和所述分类迭代转换矩阵，计算得到与所述定位字向量集对应的原始向量相关矩阵；
利用所述原始向量相关矩阵和所述定位向量矩阵，调节预构建的前馈神经网络中的迭代权重因子，得到目标向量相关矩阵。
可选地，所述利用联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，包括：
利用指数函数对所述属性信息损失值和所述属性信息损失值对应的权重系数进行计算；
将计算的结果与所述疾病名称损失值相乘，得到联合损失值。
可选地，所述根据所述联合损失值优化所述疾病分析模型，包括：
判断所述联合损失值是否小于预设损失阈值；
当所述联合损失值大于或等于预设损失阈值时，利用梯度下降算法对所述疾病分析模型的超参数进行更新；
当所述联合损失值小于预设损失阈值时，得到迭代后的标准疾病分析模型。
可选地，所述利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果，所述方法还包括：
根据所述待检测数据从网络或数据库中抓取对应的答案，并存储至答案列表中；
将所述待检测数据输入所述标准疾病分析模型，得到识别答案；
计算所述识别答案与所述答案列表中的每一个答案的关联度；
根据所述关联度对所述答案列表中的答案进行排序，得到目标列表。
为了解决上述问题，本发明还提供一种基于机器学习的疾病分析装置，所述装置包括：
训练数据获取模块，用于获取训练疾病数据以及所述疾病数据对应的真实疾病名称和真实疾病属性；
疾病分析模型训练模块，用于构建所述训练疾病数据的目标向量相关矩阵，将所述目标向量相关矩阵输入预构建的疾病分析模型进行迭代，得到所述疾病分析模型的输出结果；
疾病分析模型优化模块，用于利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名称损失值，利用预设的属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属性信息损失值，并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，根据所述联合损失值优化所述疾病分析模型，得到标准疾病分析模型，其中，所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积；
疾病分析模块，用于获得待检测数据，利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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上述所述的基于机器学习的疾病分析方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的基于机器学习的疾病分析方法。
本发明实施例通过对训练疾病数据进行处理得到定位向量集，通过构建所述训练疾病数据的目标向量相关矩阵，再通过该目标向量相关矩阵对疾病分析模型，并利用疾病名称损失函数、属性信息损失函数和联合损失函数这三种损失函数计算训练后的输出结果得到联合损失值，通过联合损失值更新疾病分析模型，使得优化得到的标准疾病分析模型更加准确，提高了对待检测数据识别的效率和精确度。因此，本发明实施例提出的基于机器学习的疾病分析方法，可以解决疾病分析精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于机器学习的疾病分析方法的流程示意图；
图2为本发明一实施例提供的构建所述训练疾病数据的目标向量相关矩阵的流程示意图；
图3为本发明一实施例提供的优化所述疾病分析模型的流程示意图；
图4为本发明一实施例提供的基于机器学习的疾病分析装置的功能模块图；
图5为本发明一实施例提供的实现所述基于机器学习的疾病分析方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于机器学***台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于机器学习的疾病分析方法的流程示意图。在本实施例中，所述基于机器学习的疾病分析方法包括：
S1、获取训练疾病数据以及所述训练疾病数据对应的真实疾病名称和真实疾病属性。
本发明实施例中，所述训练疾病数据可以为利用爬虫技术从网络上或数据库(如MeSH，***，WebMD，NHS Choices等)抓取的疾病相关的信息，所述训练疾病数据对应的有所属的疾病名称和疾病属性，其中所述疾病属性包括：疾病信息、病因信息、症状信息、诊断信息、治疗信息、预防信息、病理生理学信息等的属性信息。例如，假设疾病数据为肝部比较疼，出现肝掌，其对应的疾病名称为肝炎，疾病属性为症状信息：巩膜或皮肤黄染，发热，肝区隐痛、肝大、触痛，可能出现蜘蛛痣和肝掌。
本实施例另一实施例中，采用正则表达式对采集到的原始数据进行数据过滤，然后保存过滤过后的数据。通过数据过滤，能够减少干扰数据，比如无意义的标点符号，转义字符等。
S2、构建所述训练疾病数据的目标向量相关矩阵，将所述目标向量相关矩阵输入预构建的疾病分析模型，得到所述疾病分析模型的输出结果。
本发明实施例中，可通过神经网络对所述训练疾病数据进行预处理。
本发明实施例中，所述疾病分析模型是一种预训练语言模型，包括但不限于BERT模型(Bidirectional Encoder Representations from Transformers，双向编码表示模型)、LSTM模型(Long-Short Term Memory,长短期记忆模型)。
本发明实施例中的疾病分析模型包括所述疾病名称和与疾病属性之间的语义关系，可以对输入的目标向量相关矩阵进行识别，成功地捕获句法、语义以及一些常识，可以将疾病描述文本与其相应的疾病(Disease)和属性(Attribution)的语义关系识别出来。
本发明实施例中，请参阅图2所示，所述构建所述训练疾病数据的目标向量相关矩阵，包括：
S21、对所述训练疾病数据进行掩码操作和编码操作，得到定位向量集；
S22、对所述定位向量集进行矩阵转换，并根据矩阵转换的结果和所述定位向量集计算，得到目标向量相关矩阵。
具体地，本发明实施例中所述对所述训练疾病数据进行掩码操作和编码操作，得到定位向量集，包括：
从所述训练疾病数据中提取待掩码数据，对所述待掩码数据执行掩码操作，得到已掩码数据；
对所述已掩码数据中的所有数据进行向量转换，得到向量集，并对所述向量集执行位置编码，得到定位向量集。
具体地，所述对所述待掩码数据执行掩码操作，得到已掩码数据，包括：
根据预设的掩码概率，从所述待掩码数据中提取关键字，对所述关键字执行掩码操作，得到已掩码字；
在所述待掩码数据中，用所述已掩码字替换所述关键字，得到所述已掩码数据。
详细地，所述预设的掩码概率是指随机在所述训练疾病数据中挑选的关键字的字数占所述训练疾病数据总字数的比例，所述掩码概率可设定为25％。例如：所述训练疾病数据为一百个字，若按照25％的概率进行掩码，则随机对其中的二十五个关键字进行掩码；所述掩码包括但不限于MASK掩码、随机掩码，MASK掩码指用mask符号对关键字进行遮掩、所述随机掩码指用其他词语对关键字进行遮掩。
本发明实施例中，可采用Word2vec算法，将所述已掩码数据中的所有数据进行向量转换。
进一步地，所述对所述向量集执行位置编码，包括：
提取所述向量集中所述已掩码字对应的向量，将所述已掩码字对应的向量的位置作为坐标原点；
根据所述坐标原点，建立所述向量集中每个向量的位置向量，利用所述位置向量对所述向量集执行位置编码。
本发明实施例中，向量离所述已编码字对应的向量越远，则所述向量对应的位置向量的模越大。
本发明实施例中，所述对所述定位向量集进行矩阵转换，并根据矩阵转换的结果和所述定位向量集计算，得到目标向量相关矩阵，包括：
将所述定位向量集转换为定位向量矩阵，根据所述定位向量矩阵的维度，生成分类迭代转换矩阵；
利用预构建的指数归一化函数、所述定位向量矩阵和所述分类迭代转换矩阵计算，得到与所述定位字向量集对应的原始向量相关矩阵；
利用所述原始向量相关矩阵和所述定位向量矩阵，调节预构建的前馈神经网络中的迭代权重因子，得到目标向量相关矩阵。
本发明实施例中，所述分类迭代转换矩阵与所述定位向量矩阵的维度一样，例如定位向量矩阵的维度为m×n，则生成的分类迭代矩阵的维度也为m×n，本发明实施例中，可采用随机方法，生成分类迭代矩阵。
具体地，所述利用预构建的指数归一化函数、所述定位向量矩阵和所述分类迭代转换矩阵计算，得到与所述定位字向量集对应的原始向量相关矩阵，包括：
将所述分类迭代转换矩阵拆分为中心转换矩阵、关联转换矩阵和权重转换矩阵；
利用所述定位向量矩阵和所述中心转换矩阵、关联转换矩阵以及权重转换矩阵分别进行点乘，得到中心向量矩阵、关联向量矩阵以及权重向量矩阵；
将所述中心向量矩阵、关联向量矩阵以及权重向量矩阵作为所述指数归一化函数的输入参数，计算得到所述原始向量相关矩阵。
本发明实施例中，所述指数归一化函数可以为Softmax函数。
本发明实施例中，利用所述分类迭代转换矩阵的维度，将分类迭代转换矩阵拆分成中心转换矩阵、关联转换矩阵和权重转换矩阵，如上述分类迭代转换矩阵为m×n，则可按照m×s、s×t、t×n执行拆分，分别得到m×s维度的中心转换矩阵、s×t维度的关联转换矩阵及t×n维度的权重转换矩阵。
本发明实施例中，所述原始向量相关矩阵的计算过程如下：
其中，Q是指所述中心转换矩阵，KT是指所述关联转换矩阵，dk是指所述关联转换矩阵的维度，V是指所述权重转换矩阵，Z是指所述原始向量相关矩阵。
进一步地，所述利用所述原始向量相关矩阵和所述定位向量矩阵，调节预构建的前馈神经网络中的迭代权重因子，并得到目标向量相关矩阵，包括：
将所述原始向量相关矩阵和所述定位向量矩阵进行求和归一，得到归一向量相关矩阵；
将所述归一向量相关矩阵输入预构建的前馈神经网络，利用所述前馈神经网络中的迭代权重因子对所述归一向量相关矩阵进行权重调节，得到所述目标向量相关矩阵。
本发明实施例中，所述求和归一是指将所述原始向量相关矩阵和所述定位向量矩阵进行叠加，并对叠加后的向量矩阵执行归一化处理，将向量矩阵中的数值映射到0-1的区间，方便所述前馈神经网络进行调节。
本发明实施例中，所述归一向量相关矩阵是将所述原始向量相关矩阵和所述定位向量矩阵，进行求和后再进行归一化，可采用Layer Normalization函数进行所述归一化操作。
本发明实施例中，通过疾病分析模型对输入向量矩阵的卷积、池化及全连接操作，得到关于疾病属性以及疾病名称的计算结果，通过将计算结果与真实的疾病名称和疾病属性比较，即可用来确定所述疾病分析模型的训练结果。
S3、利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名称损失值，利用预设的所述属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属性信息损失值，并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，根据所述联合损失值优化所述疾病分析模型，得到标准疾病分析模型，其中，所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积；
本发明实施例中，通过所述疾病名称损失函数计算所述疾病名称损失值可以通过以下公式所表示：
其中，N为疾病名称的数量，xn为第n个疾病名称，p(xn|passage)为xn位于目标段落上的条件概率，β为预设平衡系数，Sn＝w*yn+b，其中，w为预设权重，yn为xn经过所述疾病分析模型的嵌入后输出层的结果，b表示预设偏差；
通过所述属性信息损失函数计算得到属性信息损失值可以通过以下公式所表示：
其中，M为疾病属性数量，Ti为第i个疾病属性的标签值，取0或取1，lnai为第i个疾病属性ai经过所述疾病分析模型的激活层后得到的输出值的对数。
本发明实施例中，所述利用联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，包括：
利用指数函数对所述属性信息损失值和所述属性信息损失值对应的权重系数进行计算；
将计算的结果与所述疾病名称损失值相乘，得到联合损失值。
进一步地，本发明实施例中联合损失函数的学习率可以选择e-5，联合损失函数则结合疾病名称损失函数LOSSdisease和属性信息损失函数LOSSattribution来同时考虑，具体公式如下所示：
LOSS＝LOSSdisease*exp(λLOSSattribution)
其中，λ为预设权重系数，取值范围在(0，1)，exp是以自然数e为底的指数函数。
通过所述疾病名称损失函数、所述属性信息损失函数和所述联合损失函数对输出结果进行计算，使得疾病属性对计算得到的联合损失值的影响更大，使得通过改损失值优化后的模型在运用于专业领域时更有效的发挥诊断作用。
本发明实施例中，请参阅图3所示，所述根据所述联合损失值优化所述疾病分析模型，包括：
S31、判断所述联合损失值是否小于预设损失阈值；
当所述联合损失值大于或等于预设损失阈值时，执行S32、利用梯度下降算法对所述疾病分析模型的超参数进行更新；
当所述联合损失值小于预设损失阈值时，执行S33、得到迭代后的标准疾病分析模型。
本发明施例中，每一次迭代后，利用损失函数计算疾病分析模型的输出结果与所述疾病数据对应的真实疾病名称和真实疾病属性的联合损失值，进而根据联合损失值对疾病分析模型的超参数进行更新。其中，所述超参数可以包括，如学习率、学习率衰减规律、优化方法选择、损失函数选取等，对所述超参数更新的目的在于选择一组合适的参数使所述疾病分析模型的性能达到最优。
进一步地，所述梯度下降算法包括但不限于批量梯度下降算法、随机梯度下降算法、小批量梯度下降算法。
较佳地，本发明实施例可以利用小批量梯度下降算法对所述超参数进行更新。所述小批量梯度下降算法可以减少超参数更新时的变化，能够提高超参数收敛时的稳定性。
本发明实施例可选择Adam作为优化器，采用反向传播优化，对构建一个的前向传播过程构建一个自动的反向传播过程，来优化疾病分析模型，优化相关模型参数，降低疾病名称损失值，从而提高模型对疾病名称的识别能力；降低属性信息损失值，来提高模型对疾病属性的识别能力，进而更好推断疾病及其属性之间的语义关联。
S4、获得待检测数据，利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果。
本发明实施例中，所述待检测数据可以为问诊单、病历、疾病咨询问题等。
例如，假设所述待检测数据为“巩膜或皮肤黄染，发热，肝区隐痛、肝大、触痛”，将所述待检测数据输入所述标准疾病分析模型，得到输出结果对应的识别信息包括疾病名称为“肝炎”，则所述目标识别结果为“患有肝炎”。
本发明实施例中，所述利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果，包括：
根据所述待检测数据从网络或数据库中抓取对应的答案，并存储至答案列表中；
将所述待检测数据输入所述标准疾病分析模型，得到识别答案；
计算所述识别答案与所述答案列表中的每一个答案的关联度；
根据所述关联度对所述答案列表中的答案进行排序，得到目标列表并确定所述目标列表为目标疾病分析的结果。
本发明实施中，所述目标列表中包含着所述待检测数据对应的多个答案，即多个疾病分析结果。
例如，假设待检测数据为“巩膜或皮肤黄染，肝区隐痛、触痛”，通过浏览器搜索等途径抓取所述待检测数据对应的答案，存储至答案列表中，其中所述答案列表中的答案的置信度、关联度等是随机分布的；将所述描述信息输入所述标准疾病分析模型，得到输出结果，即目标疾病分析答案(包含一个或多个识别结果及不同识别结果的不同概率)；通过将所述答案列表中的答案与所述目标疾病分析答案进行关联度计算，即可得到所述答案列表中答案的关联度，并通过所述关联度重新进行排序，即可得到具有置信度顺序的答案列表，即具有置信度顺序的目标疾病分析结果。
本发明实施例通过对训练疾病数据进行处理得到定位向量集，通过对定位向量集进行矩阵转换和计算，得到目标向量相关矩阵，实现了对定位向量集中向量的筛选，提高了后续利用目标向量相关矩阵进行疾病分析的准确率；通过训练疾病数据对疾病分析模型，并利用疾病名称损失函数、属性信息损失函数和联合损失函数这三种损失函数计算训练后的输出结果得到联合损失值，通过联合损失值更新疾病分析模型，使得优化得到的标准疾病分析模型更加准确，提高了对待检测数据识别的效率和精确度。因此，本发明实施例提出的基于机器学习的疾病分析方法，可以解决疾病分析精确度较低的问题。
如图4所示，是本发明一实施例提供的基于机器学习的疾病分析装置的功能模块图。
本发明所述基于机器学习的疾病分析装置100可以安装于电子设备中。根据实现的功能，所述基于机器学习的疾病分析装置100可以包括训练数据获取模块101、疾病分析模型训练模块102、疾病分析模型优化模块103及疾病分析模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述训练数据获取模块101，用于获取训练疾病数据以及所述疾病数据对应的真实疾病名称和真实疾病属性；
所述疾病分析模型训练模块102，用于构建所述训练疾病数据的目标向量相关矩阵，将所述目标向量相关矩阵输入预构建的疾病分析模型进行迭代，得到所述疾病分析模型的输出结果；
所述疾病分析模型优化模块103，用于利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名称损失值，利用预设的属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属性信息损失值，并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，根据所述联合损失值优化所述疾病分析模型，得到标准疾病分析模型，其中，所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积；
所述疾病分析模块104，用于获得待检测数据，利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果。
详细地，本发明实施例中所述基于机器学习的疾病分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于机器学习的疾病分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图5所示，是本发明一实施例提供的实现基于机器学习的疾病分析方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如基于机器学习的疾病分析程序。
其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行基于机器学习的疾病分析程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、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，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如基于机器学习的疾病分析程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图中仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图中示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于机器学习的疾病分析程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取训练疾病数据以及所述训练疾病数据对应的真实疾病名称和真实疾病属性；
构建所述训练疾病数据的目标向量相关矩阵，将所述目标向量相关矩阵输入预构建的疾病分析模型，得到所述疾病分析模型的输出结果；
利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名称损失值，利用预设的属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属性信息损失值，并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，根据所述联合损失值优化所述疾病分析模型，得到标准疾病分析模型，其中，所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积；
获得待检测数据，利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备1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。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述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(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取训练疾病数据以及所述训练疾病数据对应的真实疾病名称和真实疾病属性；
构建所述训练疾病数据的目标向量相关矩阵，将所述目标向量相关矩阵输入预构建的疾病分析模型，得到所述疾病分析模型的输出结果；
利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名称损失值，利用预设的属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属性信息损失值，并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，根据所述联合损失值优化所述疾病分析模型，得到标准疾病分析模型，其中，所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积；
获得待检测数据，利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于机器学习的疾病分析方法，其特征在于，所述方法包括：
获取训练疾病数据以及所述训练疾病数据对应的真实疾病名称和真实疾病属性；
构建所述训练疾病数据的目标向量相关矩阵，将所述目标向量相关矩阵输入预构建的疾病分析模型，得到所述疾病分析模型的输出结果；
利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名称损失值，利用预设的属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属性信息损失值，并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，根据所述联合损失值优化所述疾病分析模型，得到标准疾病分析模型，其中，所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积；
获得待检测数据，利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果。
2.如权利要求1所述的基于机器学习的疾病分析方法，其特征在于，所述构建所述训练疾病数据的目标向量相关矩阵，包括：
对所述训练疾病数据进行掩码操作和编码操作，得到定位向量集；
对所述定位向量集进行矩阵转换，并根据矩阵转换的结果和所述定位向量集进行计算，得到目标向量相关矩阵。
3.如权利要求2所述的基于机器学习的疾病分析方法，其特征在于，所述对所述训练疾病数据进行掩码操作和编码操作，得到定位向量集，包括：
从所述训练疾病数据中提取待掩码数据，对所述待掩码数据执行掩码操作，得到已掩码数据；
对所述已掩码数据中的所有数据进行向量转换，得到向量集，并对所述向量集执行位置编码，得到定位向量集。
4.如权利要求2所述的基于机器学习的疾病分析方法，其特征在于，所述对所述定位向量集进行矩阵转换，并根据矩阵转换的结果和所述定位向量集进行计算，得到目标向量相关矩阵，包括：
将所述定位向量集转换为定位向量矩阵，根据所述定位向量矩阵的维度生成分类迭代转换矩阵；
利用预构建的指数归一化函数、所述定位向量矩阵和所述分类迭代转换矩阵计算，得到与所述定位字向量集对应的原始向量相关矩阵；
利用所述原始向量相关矩阵和所述定位向量矩阵，调节预构建的前馈神经网络中的迭代权重因子，得到目标向量相关矩阵。
5.如权利要求1所述的基于机器学习的疾病分析方法，其特征在于，所述利用联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，包括：
利用指数函数对所述属性信息损失值和所述属性信息损失值对应的权重系数进行计算；
将计算的结果与所述疾病名称损失值相乘，得到联合损失值。
6.如权利要求5所述的基于机器学习的疾病分析方法，其特征在于，所述根据所述联合损失值优化所述疾病分析模型，包括：
判断所述联合损失值是否小于预设损失阈值；
当所述联合损失值大于或等于预设损失阈值时，利用梯度下降算法对所述疾病分析模型的超参数进行更新；
当所述联合损失值小于预设损失阈值时，得到迭代后的标准疾病分析模型。
7.如权利要求1至6中任一项所述的基于机器学习的疾病分析方法，其特征在于，所述利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果，包括：
根据所述待检测数据从网络或数据库中抓取对应的答案，并存储至答案列表中；
将所述待检测数据输入所述标准疾病分析模型，得到识别答案；
计算所述识别答案与所述答案列表中的每一个答案的关联度；
根据所述关联度对所述答案列表中的答案进行排序，得到目标列表并确定所述目标列表为目标疾病分析的结果。
8.一种基于机器学习的疾病分析装置，其特征在于，所述装置包括：
训练数据获取模块，用于获取训练疾病数据以及所述疾病数据对应的真实疾病名称和真实疾病属性；
疾病分析模型训练模块，用于构建所述训练疾病数据的目标向量相关矩阵，将所述目标向量相关矩阵输入预构建的疾病分析模型进行迭代，得到所述疾病分析模型的输出结果；
疾病分析模型优化模块，用于利用预设的疾病名称损失函数计算得到所述输出结果与所述真实疾病名称的疾病名称损失值，利用预设的属性信息损失函数计算得到所述输出结果与所述真实疾病属性的属性信息损失值，并利用预设的联合损失函数计算所述疾病名称损失值和所述属性信息损失值，得到联合损失值，根据所述联合损失值优化所述疾病分析模型，得到标准疾病分析模型，其中，所述联合损失函数为疾病名称损失函数与属性信息损失函数的线性乘积；
疾病分析模块，用于获得待检测数据，利用所述标准疾病分析模型对所述待检测数据计算，得到目标疾病分析结果。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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如权利要求1至7中任意一项所述的基于机器学习的疾病分析方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于机器学习的疾病分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111509656.2A CN114220536A (zh) | 2021-12-10 | 2021-12-10 | 基于机器学习的疾病分析方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111509656.2A CN114220536A (zh) | 2021-12-10 | 2021-12-10 | 基于机器学习的疾病分析方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114220536A true CN114220536A (zh) | 2022-03-22 |
Family
ID=80700908
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111509656.2A Pending CN114220536A (zh) | 2021-12-10 | 2021-12-10 | 基于机器学习的疾病分析方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114220536A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742238A (zh) * | 2022-06-14 | 2022-07-12 | 四川省郫县豆瓣股份有限公司 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
| CN116110597A (zh) * | 2023-01-30 | 2023-05-12 | 深圳市平行维度科技有限公司 | 一种基于数字孪生的患者病症类别智能分析方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107798621A (zh) * | 2017-08-30 | 2018-03-13 | 平安科技（深圳）有限公司 | 疾病诊断信息审核方法及装置 |
| CN108021553A (zh) * | 2017-09-30 | 2018-05-11 | 北京颐圣智能科技有限公司 | 疾病术语的词处理方法、装置及计算机设备 |
| CN112232449A (zh) * | 2020-12-14 | 2021-01-15 | 浙江大华技术股份有限公司 | 神经网络的训练方法、电子设备及存储介质 |
| CN113095081A (zh) * | 2021-06-11 | 2021-07-09 | 深圳市北科瑞声科技股份有限公司 | 疾病的识别方法及装置、存储介质、电子装置 |
| CN113420546A (zh) * | 2021-06-24 | 2021-09-21 | 平安国际智慧城市科技股份有限公司 | 文本纠错方法、装置、电子设备及可读存储介质 |
-
2021
- 2021-12-10 CN CN202111509656.2A patent/CN114220536A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107798621A (zh) * | 2017-08-30 | 2018-03-13 | 平安科技（深圳）有限公司 | 疾病诊断信息审核方法及装置 |
| CN108021553A (zh) * | 2017-09-30 | 2018-05-11 | 北京颐圣智能科技有限公司 | 疾病术语的词处理方法、装置及计算机设备 |
| CN112232449A (zh) * | 2020-12-14 | 2021-01-15 | 浙江大华技术股份有限公司 | 神经网络的训练方法、电子设备及存储介质 |
| CN113095081A (zh) * | 2021-06-11 | 2021-07-09 | 深圳市北科瑞声科技股份有限公司 | 疾病的识别方法及装置、存储介质、电子装置 |
| CN113420546A (zh) * | 2021-06-24 | 2021-09-21 | 平安国际智慧城市科技股份有限公司 | 文本纠错方法、装置、电子设备及可读存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742238A (zh) * | 2022-06-14 | 2022-07-12 | 四川省郫县豆瓣股份有限公司 | 豆瓣酱的原料筛选方法、装置、设备及介质 |
| CN116110597A (zh) * | 2023-01-30 | 2023-05-12 | 深圳市平行维度科技有限公司 | 一种基于数字孪生的患者病症类别智能分析方法及装置 |
| CN116110597B (zh) * | 2023-01-30 | 2024-03-22 | 深圳市平行维度科技有限公司 | 一种基于数字孪生的患者病症类别智能分析方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112732915A (zh) | 情感分类方法、装置、电子设备及存储介质 | |
| CN112446025A (zh) | 联邦学习防御方法、装置、电子设备及存储介质 | |
| CN110033018B (zh) | 图形相似度判断方法、装置及计算机可读存储介质 | |
| CN113707303A (zh) | 基于知识图谱的医疗问题解答方法、装置、设备及介质 | |
| CN112581227A (zh) | 产品推荐方法、装置、电子设备及存储介质 | |
| CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
| CN114220536A (zh) | 基于机器学习的疾病分析方法、装置、设备及存储介质 | |
| CN113886708A (zh) | 基于用户信息的产品推荐方法、装置、设备及存储介质 | |
| CN114461777A (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN114398557A (zh) | 基于双画像的信息推荐方法、装置、电子设备及存储介质 | |
| CN115238670A (zh) | 信息文本抽取方法、装置、设备及存储介质 | |
| CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
| CN114756669A (zh) | 问题意图的智能分析方法、装置、电子设备及存储介质 | |
| CN114706985A (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN114416939A (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN112632264A (zh) | 智能问答方法、装置、电子设备及存储介质 | |
| CN112632260A (zh) | 智能问答方法、装置、电子设备及计算机可读存储介质 | |
| CN112052310A (zh) | 基于大数据的信息获取方法、装置、设备及存储介质 | |
| CN116741358A (zh) | 问诊挂号推荐方法、装置、设备及存储介质 | |
| CN115409041B (zh) | 一种非结构化数据提取方法、装置、设备及存储介质 | |
| CN116739001A (zh) | 基于对比学习的文本关系提取方法、装置、设备及介质 | |
| CN116705345A (zh) | 医疗实体标注方法、装置、设备及存储介质 | |
| CN115510188A (zh) | 文本关键词关联方法、装置、设备及存储介质 | |
| CN114610854A (zh) | 智能问答方法、装置、设备及存储介质 | |
| CN114676307A (zh) | 基于用户检索的排序模型训练方法、装置、设备及介质 |
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 |