[发明专利]基于混合算法的医疗文献检索方法

权利要求书

1.一种基于混合算法的医疗文献检索方法，其特征在于，包括以下步骤：

(1)对查询词进行扩展，采用改进的BM25算法作为一次检索的基础算法，根据标准化得分降序排序得出检索文献；

改进的BM25算法为：

(1.1)定义摘要得分：

其中，IDF为检索语素q_i的IDF分数，k₁、b₁为调整因子，f_i为q_i的频率在d中，dl是文档d的文本长度，avgdl是所有文档的平均文本长度；

(1.2)提出一个词列表wordlist用于合并一个检索文档的化学词chemical words，医学主题词MeSH headings，关键词keywords，并对其得分定义如下：

其中，tfw为每个检索语素的IDF值之和，k₂、b₂为调整因子，dwl是文档d的wordlist的单词数量，avgdwl是所有文档的wordlist平均单词数量；

(1.3)定义共现得分，即检索语素中的疾病与基因，在摘要和wordlist中共同出现的话，记作共现得分：

其中，IDF_word(g_i,d)表示基因g_i为查询Q中的基因；

(1.4)将三种得分进行标准化相加，标准化的方法采用max-min方法公式如：

其中，x_norm表示标准化后的值，x表示标准化前的值，min(X)表示待标准化数列的最小值，max(X)表示待标准化数列的最大值；

(2)对一次检索得到的文献进行基于聚类的摘要提取，采用基于Biobert模型的摘要、标题与检索任务的相似度匹配方法计算摘要相似度得分与标题相似度得分；

基于聚类的摘要提取的具体流程为，采用biobert预训练模型将摘要中的每一句话生成句向量，得到句子级别的向量表示；使用k-mean聚类算法对句子进行聚类，得到N个类别；从每个类别中选取距离中心最近的句子，直到整体长度到达512个单词为止，形成新的摘要文本；

采用Biobert模型的相似度计算过程为，将输入送入BERT前，在首部加入[CLS]，在摘要/标题之间加入[SEP]作为分隔；然后得到BERT的输出句子对的词向量层，取[CLS]完成相似度计算任务；设取到的[CLS]对应的词向量层为c，计算P＝sigmoid(cW')获取摘要/标题与查询任务之间的相似度，使用[0,1]输出logit[CLS]令牌T[CLS]作为输入文档和查询任务的匹配分数；

(3)将一次检索得到的文献的得分标准化，使其与标题相似度得分与摘要相似度得分处于同一等级，将三种得分相加并降序排序输出最后的检索结果排序列表。

2.根据权利要求1所述的基于混合算法的医疗文献检索方法，其特征在于，步骤(1)中，将病人信息输入到医学数据库中获取查询扩展信息，将病人信息与查询扩展信息输入到改进的BM25算法之中得出摘要得分、词得分和共现得分，将三种得分进行标准化相加并按分值降序排序得出检索文献；病人信息包含疾病、基本信息、基因和其他。

3.根据权利要求1所述的基于混合算法的医疗文献检索方法，其特征在于，步骤(2)中，将检索任务分为相同基因不同疾病和疾病相同基因不同；将疾病、基本信息、基因提取放在摘要抽取后的头部，并对疾病相同基因不同或者基因相同疾病不同的内容进行负样本生成。