[发明专利]关键数据确定方法、装置、设备及存储介质

权利要求书

1.一种关键数据确定方法，包括：

获取目标电子病例文本；

提取所述目标电子病例文本中的多个目标症状体征数据及目标辅助数据；

将所述目标症状体征数据、所述目标辅助数据输入到训练至收敛的注意力attention模型，以确定多个目标症状体征数据中的关键症状体征数据，训练至收敛的attention模型用于对所述目标症状体征数据进行筛选，以筛选出关键症状体征数据。

2.根据权利要求1所述的方法，其中，所述目标辅助数据包括：主诉病例文本，所述训练至收敛的attention模型包括：文本卷积神经网络TextCNN子模型，门控循环神经网络GRU子模型及注意力attention子模型；

所述将所述目标症状体征数据、所述目标辅助数据输入到训练至收敛的注意力attention模型，以确定多个目标症状体征数据中的关键症状体征数据，包括：

将多个目标症状体征数据输入到所述TextCNN子模型中，通过所述TextCNN子模型对多个目标症状体征数据进行特征提权，以获得对应的键key向量；

将所述主诉病例文本输入到GRU子模型中，通过所述GRU子模型对所述主诉病例文本进行特征提权，以获得查询query矩阵；

将所述query矩阵与各key向量输入到attention子模型中，以通过所述attention子模型确定出所述关键症状体征数据。

3.根据权利要求2所述的方法，其中，所述attention子模型包括第一分类层；

所述将所述query矩阵与各key向量输入到attention子模型中，以通过所述attention子模型确定出所述关键症状体征数据，包括：

对query矩阵与各key向量分别进行相似度计算，以得到对应的贡献权重值；

将各贡献权重值输入到第一分类层中，通过所述第一分类层对所述各权重值进行归一化处理；

将所述贡献权重值由大到小进行排序，并将排序在前预设个数的贡献权重值对应的目标症状体征数据确定为关键症状体征数据。

4.根据权利要求3所述的方法，其中，所述将多个目标症状体征数据输入到所述TextCNN子模型之前，还包括：

对多个目标症状体征数据进行编码处理，以获得对应的键值value向量；

所述将所述主诉病例文本输入到GRU子模型之前，还包括：

对所述主诉病例文本进行切字和编码处理，以获得编码后的主诉病例文本向量。

5.根据权利要求4所述的方法，其中，所述将各贡献权重值输入到第一分类层中，通过所述第一分类层对所述各权重值进行归一化处理之后，还包括：

将各贡献权重值及各贡献权重值中key向量对应的value向量进行加权求和处理，以获得注意力attention特征矩阵。

6.根据权利要求5所述的方法，其中，所述目标辅助数据还包括：目标对象的基本属性信息；

所述根据所述目标症状体征数据、所述目标辅助数据及训练至收敛的attention模型，确定多个目标症状体征数据中的关键症状体征数据之后，还包括：

根据所述基本属性信息、所述attention特征矩阵及训练至收敛的attention模型，确定所述目标电子病例文本对应的分类结果。

7.根据权利要求6所述的方法，其中，训练至收敛的attention模型还包括：深度神经网络DNN子模型、全连接层及第二分类层；

所述根据所述基本属性信息、所述attention特征矩阵及训练至收敛的attention模型，确定所述目标电子病例文本对应的分类结果，包括：

对所述基本属性信息进行归一化处理；

将归一化处理后的基本属性信息输入到DNN子模型中，通过所述DNN子模型对归一化处理后的基本属性信息进行特征提取，以获得属性特征矩阵；

将所述attention特征矩阵及所述属性特征矩阵输入到所述全连接层中，通过所述全连接层进行特征融合，以获得融合特征矩阵；

将所述融合特征矩阵输入到第二分类层，通过所述第二分类层确定所述目标电子病例文本对应的分类结果。