[发明专利]一种基于字向量相似度的医疗发票条目名称标准化方法及系统

说明书

本发明公开了一种基于字向量相似度的医疗发票条目名称标准化方法及系统，包括：构建医疗发票条目名称数据集；基于数据集训练医疗文本字向量模型；收集医疗发票条目标准名称数据，构建标准名称数据库；基于医疗文本字向量模型，计算待标准化名称与标准名称数据库中的每个标准名称的字向量相似度；选择相似度最大的标准名称作为待标准化名称的标准名称。本发明以“字”为单位训练医疗文本字向量模型，通过基于字向量相似度的比较提高医疗非标准名称标准化的准确性，实现医疗发票条目名称的标准化。

技术领域

本发明涉及医疗数据处理技术领域，具体涉及一种基于字向量相似度的医疗发票条目名称标准化方法及系统。

背景技术

在医疗保险领域，保险公司需要根据用户提交的医疗发票，通过人工手动采集医疗数据或借助图像文字识别技术自动获取医疗数据，然后做费用理算，完成费用支付。然而，不管是人工手动采集还是借助图像文字识别技术的自动采集都不可避免的存在名称采集错误的情况。因此，需要对采集的错误医疗名称进行纠正，以实现医疗名称的标准化。

在对医疗非标准名称进行标准化的现有技术中，公开号为CN109949938A的中国专利文献公开了一种基于词向量相似度的医疗名称标准化方法；该方法包括：医疗标准名称数据的收集；利用所收集的标准名称数据训练词向量模型；根据训练好的词向量模型，计算待标准化名称与标准名称数据中的每个标准名称的词向量相似度，选取相似度最高的标准名称作为待标准化名称的标准名称。上述方法的关键步骤是词向量模型的训练，在训练过程中需要对医疗名称数据进行文本分词，将其分成若干词汇，并以“词”为单位训练词向量模型。

然而，由于医疗名称的复杂性和专业性，已有的分词工具很难准确的切分医疗术语。例如：使用结巴分词对“甲苯磺酸拉帕替尼片”这一药品名称进行分词，会把此药品名称错误地拆分成“甲/苯磺酸/拉帕/替/尼片”的形式。分词工具对医疗文本术语切分准确率低的问题，严重限制了以词为比对单位的医疗名称标准化系统的准确率。

发明内容

针对现有技术中存在的上述问题，本发明提供一种基于字向量相似度的医疗发票条目名称标准化方法及系统，该方法及系统以“字”为单位进行字向量训练，可有效避免分词不准确的问题。

本发明公开了一种基于字向量相似度的医疗发票条目名称标准化方法，包括：

构建医疗发票条目名称数据集；

基于所述数据集训练医疗文本字向量模型；

收集医疗发票条目标准名称数据，构建标准名称数据库；

基于所述医疗文本字向量模型，计算待标准化名称与所述标准名称数据库中的每个标准名称的字向量相似度；

选择相似度最大的标准名称作为所述待标准化名称的标准名称。

作为本发明的进一步改进，所述构建医疗发票条目名称数据集，包括：

收集医院的发票明细数据，构建医疗发票条目名称数据集；其中，所述医疗发票条目名称包括药品通用名称、药品注册名称和诊疗项目名称。

作为本发明的进一步改进，所述基于所述数据集训练医疗文本字向量模型，包括：

对所述数据集进行预处理，将所述数据集内每项医疗发票条目名称的各字符间以空格进行分隔；

利用GENSIM工具中的Skip-gram模型对分隔的字向量进行训练，得到医疗文本字向量模型。

作为本发明的进一步改进，所述收集医疗发票条目标准名称数据，构建标准名称数据库；包括：

采用网络爬虫技术，从医疗领域的开放知识库中爬取医疗发票条目标准名称数据；其中，所述医疗发票条目标准名称包括药品通用名称、药品注册名称和诊疗项目名称；

对爬取的标准名称数据进行去重处理；