[发明专利]信息特征提取方法、装置、可读存储介质及电子设备

说明书

本公开涉及一种信息特征提取方法、装置、可读存储介质及电子设备，该方法包括：获取获取用户来访记录信息，根据用户来访记录信息构建结构化数据，基于结构化数据构建用户来访记录信息的特征化表示，特征化表示包括用户来访记录信息的空间特征、时间特征及时空特征，根据空间特征、时间特征及时空特征，提取用户来访记录信息的时空依赖特征，时空依赖特征为用户的多次来访记录中目标事件之间的语义关系及时间序列特征。融入与用户来访记录信息相关的先验知识的同时，从时间、空间和时空三个维度全方位捕获用户来访记录信息的特征，学习更鲁棒、更准确的用户来访记录信息的特征表示，提升疾病预测任务的预测效果。

技术领域

本公开涉及计算机技术领域，具体地，涉及一种信息特征提取方法、装置、可读存储介质及电子设备。

背景技术

就诊信息预测是指利用计算机技术，根据患者历史就诊记录信息，预测其未来可能患有的疾病的任务。就诊信息预测能够辅助医生提升工作效率，降低误诊率，在医疗领域具有巨大的应用价值。也是医疗信息化重要的研究领域。随着医疗数据的大量积累以及数据挖掘技术的发展，个性化医疗和精准医疗的研究也在不断地进步。然而，由于医疗数据具有的复杂、稀疏、高维特点，传统的数据挖掘算法不能获得满意的预测效果。近年来，深度学习技术在医疗领域取得了瞩目的成绩，特别是在就诊信息预测领域，产生了很多优秀的方法，达到了不错的效果。这些方法的核心是围绕如何准确且有效的提取患者就诊记录信息的特征展开的。因而就诊记录信息的特征提取俨然成为疾病预测的核心问题。

因此，亟需一种能够准确提取就诊记录信息的特征的方法。

发明内容

本公开的目的是提供一种信息特征提取方法、装置、可读存储介质及电子设备，用以解决现有的就诊记录信息的特征提取不够准确导致的疾病预测不够准确的问题。

根据本公开实施例的第一方面，提供一种信息特征提取方法，包括：

可选地，获取用户来访记录信息，根据所述用户来访记录信息构建结构化数据，所述用户来访记录信息中包含用户的多次来访记录；基于所述结构化数据构建所述用户来访记录信息的特征化表示，所述特征化表示包括所述用户来访记录信息的空间特征、时间特征及时空特征；所述空间特征表征同一次来访记录中目标事件之间的语义关系，所述时间特征为所述不同次来访记录中同一目标事件之间的时间序列特征，所述时空特征表征不同次所述来访记录中目标事件之间的语义关系；根据所述空间特征、所述时间特征及所述时空特征，提取所述用户来访记录信息的时空依赖特征；所述时空依赖特征表征所述用户的多次来访记录中目标事件之间的语义关系及时间序列特征。

可选地，所述基于所述结构化数据构建所述用户来访记录信息的特征化表示的步骤包括：根据所述结构化数据构建所述用户来访记录信息的特征矩阵；所述特征矩阵为表征所述用户来访记录信息的原始数据的矩阵；根据所述结构化数据构建所述用户来访记录信息的空间邻接矩阵；所述空间邻接矩阵为表征所述用户来访记录信息的空间特征的矩阵；提取所述用户来访记录信息中的时间特征；根据所述结构化数据构建所述用户来访记录信息的时空邻接矩阵；所述时空邻接矩阵为表征所述用户来访记录信息的时空特征的矩阵。

可选地，所述根据所述空间特征、所述时间特征及所述时空特征，提取所述用户来访记录信息的时空依赖特征的步骤包括：基于所述特征矩阵、所述空间邻接矩阵计算所述用户来访记录信息的空间张量；基于所述时间特征，将所述空间张量在时间维度上进行时间卷积操作，得到时间张量；将所述时间张量与所述时空邻接矩阵进行时空卷积操作得到所述时空依赖特征。

可选地，所述基于所述特征矩阵、所述空间邻接矩阵计算所述用户来访记录信息的空间张量的步骤包括：通过卷积神经网络扩展所述特征矩阵得到扩展特征矩阵；将所述扩展特征矩阵与所述空间邻接矩阵进行图卷积操作得到所述空间张量。

可选地，所述空间张量的计算公式包括：