[发明专利]一种基于知识的深度医疗问题路由方法及系统

权利要求书

1.一种基于知识的深度医疗问题路由方法，其特征在于，包括以下步骤：

接收训练数据，所述训练数据中包括成对的训练医疗问题和相应的医生数据；

对训练数据中的所有医疗问题进行特征表示；

将训练医疗问题的低维向量表示作为输入，相应的医生问题作为输出，训练深度神经网络，得到深度医疗问题路由模型；

所述深度医疗问题路由模型用于为医疗问题匹配医生；

其中，对医疗问题进行特征表示包括：

对所述医疗问题进行分词，得到文本通道表示；基于医学术语词典对所述医疗问题进行医学实体提取，采用这些医学实体替换文本通道表示中的相应单词，得到知识通道表示；所述知识通道表示获取方法具体为：

构建医学知识库，其中包括三元组(h，r，t)，其中h，t和r分别表示头实体、尾实体以及它们之间的关系，头实体和尾实体均为医学术语；

得到所述医疗问题的最终表示包括：

将医学实体在医学知识库中进行检索，输出相应的三元组；

对这些三元组进行低维向量表示，并应用到文本通道表示和知识通道表示；

对文本通道表示和知识通道表示分别采用长短期记忆网络进行编码，并将两个编码结果进行拼接，得到所述医疗问题的最终表示。

2.如权利要求1所述的一种基于知识的深度医疗问题路由方法，其特征在于，所述为医疗问题匹配医生包括：

接收测试医疗问题，并进行特征表示；

将测试医疗问题的低维向量表示输入深度医疗问题路由模型，得到相应的医生。

3.如权利要求1所述的一种基于知识的深度医疗问题路由方法，其特征在于，检索过程中，对于每个医学实体，将医学知识库中头实体和尾实体其中之一与该医学实体相同的三元组，均进行输出。

4.如权利要求1所述的一种基于知识的深度医疗问题路由方法，其特征在于，所述深度医疗问题路由模型中，Softmax函数如下：

其中，K是类别的数目，θ是softmax函数的参数；u_i表示候选医生，z_i表示全连接层的第i维输出，z_i＝(W_ir_i+b_i)，W_i和b_i分别是权重和偏置，r_i∈R_q，R_q＝[q，q′]^T，q和q′分别表示长短期记忆网络编码后的文本通道表示和知识通道表示。

5.如权利要求4所述的一种基于知识的深度医疗问题路由方法，其特征在于，损失函数定义如下：

L₁＝∑_{(h，r，t)∈S}∑_{(h′，r，t′)∈S′}max(0，γ+d(h+r，t)-d(h′+r，t′))

d(h+r，t)＝||l_h+l_r-l_t||₁

S′＝{(h′，r，t)|h′∈E}∪{(h，r，t′)|t′∈E}

其中，γ是超参数，h，r和t分别表示头实体，它们之间的关系以及尾实体，给定三元组(h，r，t)∈S，h，t∈E，r∈R，S是知识库中所有三元组的集合，E和R分别表示实体和关系的集合，S集合的负样本集合表示为S′；头实体h和尾实体t之一被随机替换为知识库中另一实体，h′为替换后的头实体，t′为替换后的尾实体，并保证替换之后的三元组在知识库中并不存在；l_h，l_r和l_t分别是头实体，关系和尾实体的低维向量表示；

交叉熵函数如下：

m表示训练样例的数量，y是真实标签向量，a是softmax函数的输出；最终的目标函数如下：

L＝α·L₁+β·L₂

其中，α、β为L1和L2比例系数。