[發明專利]一種屬地網站醫藥內容監測方法

在審

• 申請號: 202010280422.4
• 申請日: 2020-04-10
• 公開（公告）號: CN111506791A
• 公開（公告）日: 2020-08-07
• 發明（設計）人: 鄭中華;黎偉;胡淦;宣然
• 申請（專利權）人: 安徽博約信息科技股份有限公司
• 主分類號: G06F16/951
• 分類號: G06F16/951;G06F16/182;G06F40/216;G06F40/289
• 代理公司: 合肥律眾知識產權代理有限公司 34147
• 代理人: 趙娟

1.一種屬地網站醫藥內容監測方法，通過網絡爬蟲獲取屬地網站各網頁中的文本內容，并對文本內容進行違規醫藥信息判別，其特征在于，違規醫藥信息判別是將從屬地網站各網頁中獲取的文本內容與醫藥信息語料庫中的數據進行比對統計，計算出該文本內容屬于違規醫藥信息的命中率，若超出設定閾值，則判定為違規醫藥信息。

2.根據權利要求1所述的屬地網站醫藥內容監測方法，其特征在于，語料庫分為正常醫藥信息庫和違規醫藥信息庫，違規醫藥信息判別時，讀取兩大醫藥信息庫中的文本內容并經過分詞處理，匯總詞匯及其出現頻次兩大特征屬性，兩大特征屬性以映射表形式進行存儲。

3.根據權利要求2所述的屬地網站醫藥內容監測方法，其特征在于，文本內容屬于違規醫藥信息的命中率計算包括以下步驟：

S1，將從屬地網站各網頁中獲取的文本內容進行分詞處理，并通過查詢映射表獲取每個分詞在正常醫藥信息庫和違規醫藥信息庫中出現的概率，分別記為P1(ti)、P2(ti)；

S2，綜合文本內容中每個分詞在兩大醫藥信息庫中出現的頻率，計算每個分詞出現后屬于違規醫藥信息的概率，記為P(W|ti)；

S3，利用貝葉斯公式計算該文本內容屬于違規醫藥信息的命中率

4.根據權利要求1-3任一項所述的屬地網站醫藥內容監測方法，其特征在于，對從屬地網站各網頁中獲取的文本內容完成違規醫藥信息判別之后，經過人工審核對正常醫藥信息庫和違規醫藥信息庫進行更新，下一次違規醫藥信息判別時，兩大醫藥信息庫的兩大特征屬性映射表也隨之更新。

5.根據權利要求4所述的屬地網站醫藥內容監測方法，其特征在于，文本內容若被判定為違規醫藥信息，則進行違規醫藥信息預警推送，并錄入違規醫藥信息庫；若被判定為正常醫藥信息，則人工審核該站點是否具有互聯網藥品信息服務許可，若有則直接錄入正常醫藥信息庫，若無則進行無服務許可預警推送，再錄入正常醫藥信息庫。

6.根據權利要求1-3所述的屬地網站醫藥內容監測方法，其特征在于，從屬地網站各網頁中獲取文本內容的過程為，通過網絡爬蟲技術從網站深層采集網頁源碼，再提取網頁源碼中的正文內容，其中正文內容通過基于中文字符統計的正文提取算法進行精準提取。

7.根據權利要求6所述的屬地網站醫藥內容監測方法，其特征在于，通過網絡爬蟲技術從網站深層采集網頁源碼后，一方面將網頁源碼存儲至分布式文件系統中，另一方面對網頁源碼進行算法匹配，提取正文內容，并存入索引中。