[發明專利]一種面向多數據源的醫療器材類實體識別方法及裝置

有效

• 申請號: 201710101838.3
• 申請日: 2017-02-24
• 公開（公告）號: CN106933803B
• 公開（公告）日: 2020-02-21
• 發明（設計）人: 黃玉麗;李雪莉;關毅
• 申請（專利權）人: 黑龍江特士信息技術有限公司;哈爾濱工業大學
• 主分類號: G06F40/295
• 分類號: G06F40/295;G16H40/20;G16H40/63
• 代理公司: 北京三友知識產權代理有限公司 11127
• 代理人: 王濤;賈磊

1.一種面向多數據源的醫療器材類實體識別方法，其特征在于，包括：

獲取原始數據中的待處理語句；

將所述待處理語句進行單字切分，確定待處理語句中的每個文字；

根據預先訓練完成的CRF訓練模型，確定待處理語句中的每個文字在待處理語句中的實體標記，并確定待處理語句的實體標記序列；

根據待處理語句的實體標記序列，確定待處理語句的第一組候選實體；

根據預先設置的醫療器材類術語切分策略，對所述待處理語句進行術語切分，確定第二組候選實體；

根據第一組候選實體和第二組候選實體中各候選實體的末尾字符，對各候選實體進行篩選，分別形成第一組醫療器材類候選實體和第二組醫療器材類候選實體；

若第一組醫療器材類候選實體和第二組醫療器材類候選實體不相同，根據預先設置的判斷策略從第一組醫療器材類候選實體和第二組醫療器材類候選實體中確定醫療器材類實體結果。

2.根據權利要求1所述的面向多數據源的醫療器材類實體識別方法，其特征在于，所述根據預先設置的判斷策略從第一組醫療器材類候選實體和第二組醫療器材類候選實體中確定醫療器材類實體結果，包括：

確定待處理語句在進行術語切分時，是否通過預先設置的切分規則進行切分；

若待處理語句在進行術語切分時，通過預先設置的切分規則進行切分，則選擇所述第二組醫療器材類候選實體中的候選實體作為醫療器材類實體結果；

若待處理語句在進行術語切分時，未通過預先設置的切分規則進行切分，則選擇所述第一組醫療器材類候選實體中的候選實體作為醫療器材類實體結果；

或者，確定來源于相同待處理語句的原始字符串的第一組醫療器材類候選實體和第二組醫療器材類候選實體中，實體個數少，且實體包含的字符數多的一組實體作為醫療器材類實體結果；

所述醫療器材類實體結果中的實體類型包括醫療器材名稱實體、器材規格型號實體；

在所述第一組醫療器材類候選實體和第二組醫療器材類候選實體中相對應的實體的實體類型不一致時，選擇第二組候選實體中的實體的實體類型作為所述相對應的實體的實體類型。

3.根據權利要求2所述的面向多數據源的醫療器材類實體識別方法，其特征在于，所述原始數據包括醫療器材臨床治療數據、醫療器材研發實驗數據、醫療器材銷售數據、醫療器材科技文獻數據、醫療器材電子商務數據。

4.根據權利要求3所述的面向多數據源的醫療器材類實體識別方法，其特征在于，根據預先訓練完成的CRF訓練模型，確定待處理語句中的每個文字在待處理語句中的實體標記，并確定待處理語句的實體標記序列，包括：

從預先設置的語料庫中提取待處理語句中的每個文字的CRF統計特征值；所述預先設置的語料庫中記錄有原始數據中各語句、各語句中的實體、以及各語句中的實體在各語句中的位置以及實體類別；所述CRF統計特征值包括每個文字在各語句中的分詞特征值；

根據每個字在各語句中的CRF統計特征值，確定一訓練模型；所述訓練模型為：

根據所述訓練模型，計算待處理語句中的每個文字的實體標記y_j；

將每個文字的實體標記進行組合，形成待處理語句的實體標記序列；其中，x表示所述待處理語句；y_j表示待處理語句中j位置對應的文字的實體標記；f_i(y_j,y_j-1,x)表示待處理語句中分詞特征i的函數值；λ_i為模型參數；m表示分詞特征的個數；n表示待處理語句中的文字位置個數；Z(x)表示歸一化因子；p(y|x)表示文字在待處理語句中的標記概率。

5.根據權利要求4所述的面向多數據源的醫療器材類實體識別方法，其特征在于，根據待處理語句的實體標記序列，確定待處理語句的第一組候選實體，包括：

在實體標記序列中確定各文字對應的分詞特征值，并根據所述分詞特征值確定待處理語句的第一組候選實體。