[發明專利]基于健康醫療大數據標準庫的多源數據處理方法與系統

有效

• 申請號: 202110561940.8
• 申請日: 2021-05-21
• 公開（公告）號: CN113032532B
• 公開（公告）日: 2021-08-17
• 發明（設計）人: 吳靜依;李鵬飛;李青;張路霞
• 申請（專利權）人: 杭州未名信科科技有限公司;浙江省北大信息技術高等研究院
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/31;G06F40/284;G06F40/216;G06F40/30;G16H70/00
• 代理公司: 北京辰權知識產權代理有限公司 11619
• 代理人: 谷波

1.一種基于健康醫療大數據標準庫的多源數據處理方法，其特征在于，包括以下步驟：

獲得大數據標準庫和源數據模式庫，所述大數據標準庫和源數據模式庫均包括數據庫-數據表-數據元結構；

計算源數據模式庫內數據元與大數據標準庫內數據元之間的第一相似度和第一映射關系，其中，所述第一相似度包括數據元類型相似度S₁、數據元名稱相似度S₂、數據元描述相似度S₃、數據元值域相似度S₄和數據元單位相似度S₅，基于所述第一相似度中的最大值和最小值進行歸一化處理及加權累加得到源數據模式庫內數據元與大數據標準庫內數據元之間的第二相似度，基于所述第一映射關系得到數據元映射關系庫；

計算源數據模式庫內數據表與大數據標準庫內數據表之間的第三相似度和第二映射關系，其中，所述第三相似度包括數據表名稱相似度和數據表中含數據元的相似度，基于所述第三相似度中的數據表名稱相似度和數據表中含數據元的相似度加權累加得到源數據模式庫內數據表與大數據標準庫內數據表之間的第四相似度，基于所述第二映射關系得到數據表映射關系庫；

基于第二相似度和第四相似度校正所述數據元映射關系庫；

根據校正后的數據元映射關系庫得到數據元值域映射關系庫。

2.根據權利要求1所述的基于健康醫療大數據標準庫的多源數據處理方法，其特征在于，基于所述第一映射關系得到數據元映射關系庫，具體包括：

對于源數據模式庫內的每一個數據元，通過循環遍歷算法，計算該數據元與大數據標準庫內的每一個數據元的第一相似度；

將第一相似度最高且超過一定限值的標準庫內的數據元作為該源數據模式庫內的該數據元的匹配數據元，將每一個源數據模式庫內的數據元與其匹配數據元均建立一條第一映射關系，得到數據元映射關系庫。

3.根據權利要求2所述的基于健康醫療大數據標準庫的多源數據處理方法，其特征在于，基于所述第一相似度中的最大值和最小值進行歸一化處理及加權累加得到源數據模式庫內數據元與大數據標準庫內數據元之間的第二相似度具體包括：

基于第一相似度的最大值和最小值進行歸一化處理，按照其重要性分別給予相應的權重，將5個相似度加權累加為所述第二相似度

其中，C₁至C₅表示不同的權重系數。

4.根據權利要求3所述的基于健康醫療大數據標準庫的多源數據處理方法，其特征在于，對于數據元值域相似度，如果數據元值域為數組形式，數組內包含該數據元可能取值的上下限，數組形式的數據元值域相似度為兩個數據元的值域范圍的重疊程度，其計算方法為：

其中，low和high分別代表下限和上限，a和b代表源數據模式庫內數據元和標準庫內數據元。

5.根據權利要求4所述的基于健康醫療大數據標準庫的多源數據處理方法，其特征在于，基于所述第三相似度中的數據表名稱相似度和數據表中含數據元的相似度加權累加得到源數據模式庫內數據表與大數據標準庫內數據表之間的第四相似度具體包括：

采用語義相似性度量算法計算數據表名稱相似度；

計算數據表中含數據元的相似度，等于，其中，為涉及表t₁的數據元映射關系數量，為涉及表t₂的數據元映射關系數量，為同時涉及表t₁與表t₂的數據元映射關系數量；

將所述數據表名稱相似度和所述數據表中含數據元的相似度加權累加為所述第四相似度。

6.根據權利要求5所述的基于健康醫療大數據標準庫的多源數據處理方法，其特征在于，基于第二相似度和第四相似度校正所述數據元映射關系庫，包括：通過歸一化處理與相似度加權累加獲得最終值，再依所述最終值更新所述數據元映射關系庫。