[发明专利]一种基于TFIDF的医学症状关键词提取优化及回收方法和系统

说明书

本发明提供一种基于TFIDF的医学症状关键词提取优化及回收方法和系统，其中方法包括收集大规模病例，包括以下步骤：将所述大规模病例按照科室分类，提取主诉部分并进行分词；针对每一个科室计算各个词语优化后的TFIDF；按照词语回收法获得最终结果。本发明是对现有的词语权重评价方法进行优化，除考虑词语在科室的权重排名外，还考虑了词语在所有科室的重要程度，进而根据权重大小选出能代表各科室的关键词，提高提取各科室的关键症状的准确性、有效性，以方便病人根据自己的症状准确找到相应的科室进去挂号就医。

技术领域

本发明涉及医学数据提取的技术领域，特别是一种基于TFIDF的医学症状关键词提取优化及回收方法和系统。

背景技术

随着医学信息的不断膨胀和扩张，对医学术语的关键词进行正确提取变得越来越重要，这不仅可以快速帮助病人找到相应的科室进行挂号就医，还可以提高整体的就医效率。

病历是医务人员对患者疾病的发生、发展、转归进行检查、诊断、治疗等医疗活动过程的记录，也是对采集到的资料加以归纳、整理、综合分析并按规定的格式和要求书写的患者医疗健康档案。主诉是现病史和入院记录的高度概括，更是整份病历的精华。

医院科室和病症状况繁多，病人很难根据自己的症状在短时间内进行初步的判断并挂号，因此我们建立了智能导诊系统，抽取出各科室关键症状词，方便病人挂号就医。

词语权重评价方法是文本文件提取重要关键词的常用方法，其原理是根据词语的权重进行排序。目前常用的关键词提取方法有 TextRank方法和TFIDF方法，两者都存在着一定的缺点：TextRank 方法将两个顶点词语的初始权重设为1，忽略了词语本身的属性、文档的篇章结构及句子的上下文信息；在应用TFIDF方法提取某科室中关键症状时，若在单个科室计算词语权重，计算结果受高频症状词语干扰较大，而若以所有科室为计算总文档，计算结果的抽取阈值难以统一以至于词语难以实现自动化。

百度文库公开了题目为《一种基于TFIDF方法的中文关键词抽取算法》 (https://wenku.baidu.com/view/523cf33567ec102de2bd8964.html)，该文在海量智能分词基础之上,提出了一种基于向量空间模型和TFIDF 方法的中文关键词抽取算法。该算法在对文本进行自动分词后,用 TFIDF方法对文献空间中的每个词进行权重计算,然后根据计算结果抽取出科技文献的关键词。在该算法中，当某个关键词的词频很低时，将难以被算法识别，如果将该算法应用到医学领域中，由于某症状的发病率不高，导致其症状关键词在医院的主诉中出现的频率很低，就会出现关键词被忽略的情况。

发明内容

为了解决上述的技术问题，本发明提出一种基于TFIDF的医学症状关键词提取优化及回收方法，考虑了词性的重要性、每个词在各科室出现的不同情况以及每个词在多个病历主诉里面出现的频繁程度，并基于词语在各个科室的排名情况，对词语进行按科室分类，从而使得到的结果更客观更准确。

本发明的第一目的是提供一种基于TFIDF的医学症状关键词提取优化及回收方法，包括使用计算机收集大规模病例并建立数据库，包括以下步骤：

步骤1：将所述大规模病例按照科室分类，提取主诉部分并进行分词；

步骤2：针对每一个科室计算各个词语优化后的TFIDF；

步骤3：按照词语回收法获得最终结果。

优选的是，所述分词方法为使用分词器加自定义字典分词，分词结果去除数词与标点符号。

在上述任一方案中优选的是，所述步骤2还包括将每个科室的病历的所述主诉当作一个总文档，每一条病历的所述主诉作为一个小文档。