[发明专利]一种电子文档的抽样方法及装置

说明书

本发明公开了一种电子文档的抽样方法、装置、计算机可读存储介质及电子设备，方法包括：确定样本电子文档集合对应的字段关键词序列；将所述字段关键词序列转化为待抽样电子文档对应的词向量；根据各个所述待抽样电子文档分别对应的词向量，确定至少一个聚类簇；对所述聚类簇中的所述待抽样电子文档进行抽样，确定所述聚类簇对应的电子文档模板。通过本发明的技术方案，可对电子文档进行电子文档模板的抽样，之后，即可将电子文档中的数据映射到电子文档模板中，从而实现数据的结构化。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种电子文档的抽样方法及装置。

背景技术

数据抽样是指通过某些特殊特征并结合某些算法从大量数据中抽取少量样本，且少量样本能较好的符合数据处理的目的。数据抽样可以通过较少数据，来提高对应工作的针对性及效率。

医院通过电子病历文档用于记录患者每一次的就诊信息，在国内，不同医院，由于电子病历文档中数据的分布特点及内容设定的差异，不同科室都有可能使用着不同的电子病历文档模板，相同的电子病历文档模板具有相似的数据分布特点及内容设定，不同的电子病历文档模板的电子病历文档数据分布特点及内容设定存在明显差异。

近年来我国各级医院逐渐采用电子病案管理系统代替传统的手写病历，从而累积了越来越多的医疗电子记录。另一方面，随着以大数据、人工智能为代表的信息技术与医学的深度融合，催生了诸如精准医疗、临床决策支持、医学数据挖掘、疾病风险评估等一系列新的概念和方法。但是，这些新概念、新方法的实现高度依赖巨量的真实、准确、可靠的结构化的诊疗数据。遗憾的是，现实中的病历数据大都是非结构化的。正因为如此，迫切需要对电子病历数据的深度挖掘，从而将电子病历数据映射到相同或者相似的电子病历文档模板上，从而更好的服务于医生及科学研究者开展疾病相关的研究，也可以服务于和医院相关的机构或公司相应的支撑。

但是，医院的电子病历文档的数量十分庞大的，同时数据质量存在较大差异，为了将电子病历文档中的数据映射到相同或者相似的电子病历文档模板中，从电子病历文档的中抽样出电子病历模板则成为亟待解决的问题。

发明内容

本发明提供了一种电子文档的抽样方法、装置、计算机可读存储介质及电子设备，可对电子文档进行电子文档模板的抽样，之后，即可将电子文档中的数据映射到电子文档模板中，从而实现数据的结构化。

第一方面，本发明提供了一种电子文档的抽样方法，包括：

确定样本电子文档集合对应的字段关键词序列；

根据所述字段关键词序列，确定待抽样电子文档对应的词向量；

根据各个所述待抽样电子文档分别对应的词向量，对各个所述待抽样电子文档进行聚类并划分为至少一个聚类簇；

对所述聚类簇中的所述待抽样电子文档进行抽样，确定所述聚类簇对应的电子文档模板。

优选地，

所述确定样本电子文档集合对应的字段关键词序列，包括：

对样本电子文档集合中的每个样本电子文档进行分句，确定所述样本电子文档集合对应的文本串集合；

根据预设字段关键词集合，对所述样本电子文档集合对应的文本串集合进行过滤，确定所述样本电子文档集合对应的关键词集合；

根据所述关键词集合，确定样本电子文档集合对应的字段关键词序列。

优选地，

所述根据所述关键词集合，确定样本电子文档集合对应的字段关键词序列，包括：

针对所述关键词集合中的每个关键词，确定所述关键词在所述样本电子文档集合中的重复次数；

当所述重复次数满足条件时，将所述重复次数对应的所述关键词确定为字段关键词；