[发明专利]电子信息分析方法、装置、设备及可读存储介质有效

专利信息
申请号: 202010847670.2 申请日: 2020-08-21
公开(公告)号: CN111914562B 公开(公告)日: 2022-10-14
发明(设计)人: 于苗苗;管冲;陈曦 申请(专利权)人: 腾讯科技(深圳)有限公司
主分类号: G06F40/295 分类号: G06F40/295;G06F40/205;G16H10/60;G06N3/04
代理公司: 北京三高永信知识产权代理有限责任公司 11138 代理人: 张所明
地址: 518057 广东省深圳*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 电子信息 分析 方法 装置 设备 可读 存储 介质
【权利要求书】:

1.一种电子信息分析方法,其特征在于,所述方法包括:

获取目标帐号的异常描述内容,所述异常描述内容为所述目标帐号对应生命体的异常生命状态的电子化描述信息;

获取异质图结构,所述异质图结构中包括第一节点、第二节点和第三节点,所述第一节点对应电子病历中的生命体帐号,所述第二节点对应所述电子病历中所述异常生命状态的状态描述信息,所述第三节点对应所述电子病历中所述异常生命状态的状态类型,所述异质图结构中节点之间的边对应所述生命体帐号、所述状态描述信息以及所述状态类型之间的关联关系,所述异质图结构中嵌入有图神经网络模型,所述图神经网络模型中包括电子信息概率表达式,所述电子信息概率表达式为根据所述异质图结构中的所述关联关系推断得到的;

确定与所述异常描述内容对应的原子描述信息组合,所述原子描述信息组合中包括用于组合表达所述异常描述内容的至少一个原子描述信息;

将所述原子描述信息组合作为与所述第二节点对应的输入内容,输入至所述图神经网络模型;

通过所述图神经网络模型将所述原子描述信息组合输入所述电子信息概率表达式,输出得到对应状态类型的概率。

2.根据权利要求1所述的方法,其特征在于,所述确定与所述异常描述内容对应的原子描述信息组合,包括:

对所述异常描述内容进行实体识别,得到所述异常描述内容中的异常描述实体,所述异常描述实体为从所述异常描述内容中提取得到的与所述状态描述信息相关的实体;

将所述异常描述实体与预设标准化词典进行匹配,得到所述原子描述信息;

对所述原子描述信息进行组合,得到所述原子描述信息组合。

3.根据权利要求1所述的方法,其特征在于,所述生命体帐号还对应有人口统计学信息;

所述将所述原子描述信息组合作为与所述第二节点对应的输入内容,输入至所述图神经网络模型之前,还包括:

根据所述生命体帐号的人口统计学信息和所述原子描述信息组合,确定第一表达式;

根据所述异质图结构中所述状态描述信息和所述状态类型之间的关联关系,确定第二表达式;

对所述第一表达式和所述第二表达式的组合进行分类计算,得到所述图神经网络模型中的所述电子信息概率表达式。

4.根据权利要求3所述的方法,其特征在于,所述根据所述生命体帐号的人口统计学信息和所述原子描述信息组合,确定第一表达式,包括:

确定所述原子描述信息组合中的所述原子描述信息的聚合式;

将所述聚合式与所述人口统计学信息结合,得到所述第一表达式。

5.根据权利要求4所述的方法,其特征在于,所述确定所述原子描述信息组合中的所述原子描述信息的聚合式,包括:

对所述原子描述信息进行聚合处理,得到聚合表达式;

通过邻接矩阵对所述聚合表达式进行转化,得到所述聚合式,所述邻接矩阵用于学习得到所述异质图结构中所述状态描述信息之间的影响情况。

6.根据权利要求3所述的方法,其特征在于,所述根据所述异质图结构中所述状态描述信息和所述状态类型之间的关联关系,确定第二表达式,包括:

根据每种状态类型下出现次数最多的至少两种状态描述信息,确定所述异质图结构中所述状态描述信息与所述状态类型之间的权重;

根据所述权重确定所述第二表达式。

7.根据权利要求6所述的方法,其特征在于,所述根据所述权重确定所述第二表达式,包括:

根据所述权重通过余弦公式确定所述状态类型的第一表达部分,所述状态类型还对应有语义信息;

将所述第一表达部分与所述状态类型的所述语义信息进行组合,得到所述第二表达式。

8.根据权利要求1至7任一所述的方法,其特征在于,所述方法还包括:

将所述状态类型分析结果输入预设损失函数,输出得到损失值;

以减小所述损失值为训练目标,调整所述图神经网络模型中的模型参数。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于腾讯科技(深圳)有限公司,未经腾讯科技(深圳)有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202010847670.2/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code