申请/专利权人：广州中康数字科技有限公司

申请日：2023-06-01

公开（公告）日：2024-04-23

公开（公告）号：CN116680377B

主分类号：G06F16/332

分类号：G06F16/332;G06F16/33;G06F11/30;G06F11/34;G06F40/40;G06F16/23;G06F18/24;G06F18/22;G06N3/0895;G06N3/084;G06F40/30

优先权：

专利状态码：有效-授权

法律状态：2024.04.23#授权;2023.09.19#实质审查的生效;2023.09.01#公开

摘要：本发明公开了一种基于日志反馈的中文医学术语自适应对齐方法，基于日志反馈、弱监督和对比学习实现，通过记录客户端的操作日志，分析日志中的动作过程，识别并抽取医学术语，打通医学术语并分拆概念子图，从而实现自动构建训练样本，并进行自学习和自动索引，从而可随着下游的业务系统的日志数据的接入进行自我学习与自我提升，然后把自学习好的模型再服务于下游系统，通过全流程的闭环来实现术语对齐的自动化和高效性。

主权项：1.一种基于日志反馈的中文医学术语自适应对齐方法，其特征在于，具体包括如下步骤：S1、收集开放的医学术语资源，进行医学术语初始化，构建初始的医学术语样本，训练得到中文医学术语对齐模型；S2、用户可通过客户端输入查询的医学术语；然后应用服务器通过术语服务器的中文医学术语对齐模型检索查询词相关的概念编码，并返回候选概念编码序列，此时用户在客户端对候选的概念编码进行选择并提交；应用服务器的日志系统对用户的查询操作进行记录得到用户的操作日志数据，并得到应用服务器由此产生的事务日志数据，然后将用户的操作日志数据和应用服务器的事务日志数据反馈到术语服务器的日志仓库；S3、日志仓库将应用服务器反馈的日志数据通过弱监督进行学习，得到高质量训练样本；术语服务器利用得到的训练样本对中文医学术语对齐模型基于对比学习进行训练，训练得到的中文医学术语对齐模型持续为应用服务器提供服务：S3.1、定义样本格式：首先把日志数据的结构转换成术语1，术语2，{1，－1}的形式，每一个样本都包含一个术语对；具体转换规则为：1查询的医学术语与选择集对应的术语构建成正样本；2从候选集对应的术语中去除选择集所对应的术语得到去重术语集，将查询的医学术语与去重术语集中的术语构建成负样本；S3.2、定义与建立学习模型：在步骤S3.1中根据两个规则生成的正样本集和负样本集中，删除频率小于3的样本，最终得到样本集S，日志来源个数为M，总样本数据量为N；样本标注矩阵为A∈{-1,1}N*2M+|C|，C表示任意日志来源i，k的两两组合的抽样，表示日志来源的相关情况，样本的真实标签为Y∈{-1，1}N为隐变量；把多来源标注与真实标注的关系定义为概率图模型的因子图模型，记为PθA，Y，定义三个因子式为： 式1生成的标签矩阵记为式2生成的正确度矩阵记为式3生成的相关矩阵记为具体地，定义的元素表示样本xi来源于j源头的日志数据，如果存在术语相似，则否则对于的元素如果标注样本的标注标签与真实一致，则否则对于的元素如果样本xi在来源j与来源k相同，则否则故合并三个因子可以得到综上，所以合并后的因子表达式记为学习模型定义为： 其中，表示概率分布的权重；S3.3、学习模型训练：对于包含的隐变量Y的学习模型PθA，Y，根据日志标注标签可见的矩阵A，最小化负对数边际似然： 求解与优化问题，采用梯度下降的方法，具体为Gibbs采样算法，采用斯坦福的Snorkel工具包求解，把学习后参数记为θ*；S3.4、由步骤S3.3得到学习模型的参数θ*，得到训练后的学习模型即S3.5、通过学习模型学习，对多来源样本的含噪声的标注进行了融合，得到一个软标注分布，会生成软标注的术语对样本集Xsoft；设定过滤标注阈值αα≥0.95，对Xsoft进行过滤得到术语对样本集Xhard，构建概念图：B1、对于术语对样本集Xhard，以术语作为概念图的节点，以术语对构成两节点的边，构建成了概念子图Gsample，此时的术语集合为Term_setsample；B2、基于UMLS先验库，概念编码CUI为单位，取术语集合Term_setumls，取Ti∈Term_setumls创建节点，其中节点可以中文术语或英文术语，所有的术语构建成节点集合，并对同一CUI术语集合中的节点两两用边连接起来构成一个个独立的概念子图GUMLS；B3、按构建GUMLS的过程，构建其它的术语库的概念子图Gx；B4、基于相同节点术语和多个概念子图，得到概念图G： 同理，全体医学术语集合表示为： B5、对于图G，分拆出独立连通子图，每个连通子图定义为概念子图获取过程采用python的第三方包networkx的connected＿components方法进行计算，形式表示为： 对每个给予唯一的全局概念编码来表示，称为概念编码，记为获取对应的子图中的节点术语，并构建的医学术语语义等价集全量术语等价集记为SC；统一概念编码后，同时得到与公开源术语库的术语映射关系列表gid2cid＿list；对Term_set的医学术语进行自动编号，带编号的医学术语集记为Term_set'，编码号字段记为tid，同时得到与Term_set'的术语映射关系列表tid2gid＿list。

全文数据：

权利要求：

百度查询： 广州中康数字科技有限公司 基于日志反馈的中文医学术语自适应对齐方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD