[发明专利]一种药品规格数据相似度匹配方法

说明书

技术领域

本发明涉及自然语言处理领域，特别涉及药品规格数据的相似度计算以及匹配方法。

背景技术

当前，在自然语言处理领域，文本相似度在很多方面中有着广泛的应用，如信息检索、信息抽取、文本分类、词义排歧、机器翻译等等。文本相似度是表示两个或多个文本数据匹配程度的一个度量参数，相似度值越大，说明文本相似度越高，反之文本相似度越低。

虽然国内外对于文本相似度的计算方法已经有了大量的研究，且均在特定领域取得了良好的效果，但由于药品规格数据的特殊性，直接套用其他领域的相似度计算方法并不能取到很好的匹配效果；另外，有些方法复杂度太大，影响匹配效率。

发明内容

针对现有技术存在的问题，本发明的主要目的在于提供针对药品规格数据，匹配准确度高的数据相似度匹配方法。

为实现上述目的，本发明提供一种药品规格数据相似度匹配方法的实施例，用于将采集的药品规格数据与标准库中的药品规格数据相匹配，该药品规格数据包含药品的有效成分和有效成分含量，首先进行数据准备工作：在语料库中找出所有主题词和前置词，分别计算主题词和前置词的信息量，生成语料库主题词信息量文件和前置词信息量文件，该方法还包括如下步骤：

（1）将采集的药品规格数据和标准库的药品规格数据转化为分层链表形式的数据结构；

（2）在标准库中找到与采集的药品规格数据有效成分含量相同的标准药品规格数据集S；

（3）在语料库主题词信息量文件和前置词信息量文件中分别找到采集的药品规格数据和标准药品规格数据集S的前置词和主题词的信息量；

（4）利用采集的药品规格数据和标准药品规格数据集S的前置词和主题词的信息量，计算采集的药品规格数据和标准药品规格数据集S中的标准药品规格数据的相似度；

（5）在标准药品规格数据集S中选取相似度最大的标准药品规格数据作为采集的药品规格数据的匹配数据。

进一步地，步骤在语料库中找出所有主题词和前置词具体包含如下步骤：

（1）导入语料库，以药品名词典对导入的语料库进行中文分词处理，保存分词结果，可利用中文分词引擎对导入的语料库进行中文分词处理。

（2）遍历分词结果，将分词结果中的药品名词作为主题词，药品名词前面的中文词汇作为前置词。

进一步地，步骤分别计算主题词和前置词的信息量具体包含如下步骤：

（1）统计主题词的TF值，统计前置词的RIDF值，主题词的TF值TFCWkey)=COUnt(Wkey)/Σ_w∈SMNCOUnt(W),前置词的RIDF值

RIDF(Wpre)=Σ_w∈SMNCout(Wpre+W)/Σ_w∈SMNCount(W),其中Wkey代表主题词，Count(Wkey)代表主题词出现的次数，SMN代表药品名词典中的药品名称集合，W代表药品名称集合中的词，Count(W)代表词出现的次数，Wpre代表前置词，Count(Wpre)代表前置词出现的次数；

（2）计算主题词和前置词的信息量，主题词的信息量I(Wkey)=TF(Wkey),前置词的信息量

进一步地，步骤将采集的药品规格数据和标准库的药品规格数据转化为分层链表形式的数据结构具体包含如下步骤：

（1）统一采集的药品规格数据和标准库的药品规格数据中有效成分含量的单位；

（2）针对采集的药品规格数据和标准库的药品规格数据进行BNF语法规则定义；

（3）采用语法分析生成器对采集的药品规格数据和标准库的药品规格数据进行语法分析，生成分层链表形式的数据结构。该语法分析生成器为JAVACC。

更进一步地，采集的药品规格数据和标准药品规格数据的相似度具体为：

Sim(Item_processing,Item_stand)=