基于知识图谱的医学数据获取方法、系统及存储介质与流程
本申请涉及医学数据检索,尤其涉及一种基于知识图谱的医学数据获取方法、系统及存储介质。
背景技术:
1、知识图谱是以三元组为基本存储单元的结构化语义网络,在医学领域中以疾病、药物、症状、检查项目等医学实体为节点,以治疗、禁忌、并发、病因等语义关系为边,将海量异构医学数据组织为可计算的图结构。现有的基于知识图谱的医学数据获取方法通常包括以下步骤:首先对用户查询文本进行实体识别与实体链接,将查询映射至图谱节点;其次在全局图谱上训练统一的图嵌入模型,将所有实体与关系映射至同一低维向量空间;最后以查询向量与图谱节点或路径向量之间的余弦相似度为排序依据,将相似度最高的医学数据返回给用户,代表性方法包括medgraph、care-rag、pathmind等。
2、然而,现有方法在构建图嵌入模型时,将医学知识图谱中语义功能根本不同的关系类型——如治疗关系、禁忌关系、并发关系、病因关系——统一压缩至同一全局向量空间进行表示,导致不同语义类型的关系边在同一嵌入空间中相互干扰,向量距离无法准确反映关系语义的差异;在路径检索阶段,现有方法对全局图谱中的所有路径不加区分地展开搜索,未能将检索范围限定于与查询语义类型相匹配的关系边子集内,大量跨语义类型的无关路径混入候选集合,造成严重的检索噪声;在排序输出阶段,现有方法以单一的路径-查询相似度分作为唯一排序依据,无法区分同一候选路径在不同语义通道内的典型性差异,导致高语义相关通道内的优质路径可能被低相关通道内的高相似度噪声路径所压制。
技术实现思路
1、本申请提供了一种基于知识图谱的医学数据获取方法、系统及存储介质,解决了现有基于知识图谱的医学数据获取方法因将异质关系边压缩至统一全局向量空间而导致跨语义类型检索噪声严重、排序结果与查询意图不符的问题,提高了医学数据获取中查询意图与检索通道的匹配精度以及跨通道候选路径的融合排序质量。
2、第一方面,本申请提供了一种基于知识图谱的医学数据获取方法,所述基于知识图谱的医学数据获取方法包括:
3、步骤s1、基于医学知识图谱中关系边的共现拓扑,将所述关系边聚类为若干意图通道,各所述意图通道对应一个通道子图及通道原型向量;
4、步骤s2、将用户查询向量投影至各所述意图通道的嵌入空间后与所述通道原型向量进行相似度匹配,由匹配结果筛选得到激活通道子图及对应的激活置信度分数;
5、步骤s3、在所述激活通道子图的边集合内枚举候选路径,以所述激活通道子图训练得到的专属嵌入向量,分别计算各所述候选路径与所述用户查询向量之间的路径相关度分数、以及各所述候选路径与所述通道原型向量之间的路径内聚度分数,所述候选路径的枚举严格限定于所述激活通道子图的边集合内,非所述激活通道子图的关系边不参与所述候选路径的构建;
6、步骤s4、将所述激活置信度分数分别与所述路径相关度分数、所述路径内聚度分数加权融合,得到各所述候选路径的融合排序分,按所述融合排序分降序输出对应医学数据。
7、第二方面,本申请提供了一种基于知识图谱的医学数据获取系统,所述基于知识图谱的医学数据获取系统包括:
8、聚类模块,用于基于医学知识图谱中关系边的共现拓扑,将所述关系边聚类为若干意图通道,各所述意图通道对应一个通道子图及通道原型向量;
9、匹配模块,用于将用户查询向量投影至各所述意图通道的嵌入空间后与所述通道原型向量进行相似度匹配,由匹配结果筛选得到激活通道子图及对应的激活置信度分数;
10、计算模块,用于在所述激活通道子图的边集合内枚举候选路径,以所述激活通道子图训练得到的专属嵌入向量,分别计算各所述候选路径与所述用户查询向量之间的路径相关度分数、以及各所述候选路径与所述通道原型向量之间的路径内聚度分数,所述候选路径的枚举严格限定于所述激活通道子图的边集合内,非所述激活通道子图的关系边不参与所述候选路径的构建;
11、融合模块,用于将所述激活置信度分数分别与所述路径相关度分数、所述路径内聚度分数加权融合,得到各所述候选路径的融合排序分,按所述融合排序分降序输出对应医学数据。
12、第三方面,提供了一种基于知识图谱的医学数据获取设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述基于知识图谱的医学数据获取设备执行上述的基于知识图谱的医学数据获取方法。
13、第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的基于知识图谱的医学数据获取方法。
14、本申请提供的技术方案中,通过基于关系边共现拓扑的意图通道聚类机制,将医学知识图谱中语义功能不同的关系边自动归并为若干意图通道,各意图通道对应独立的通道子图与通道原型向量,打破了现有技术将全部关系类型压缩至统一全局向量空间的处理方式,使不同语义类型的关系边在各自独立的嵌入空间中得到表示,从根本上消除了异质关系边在同一向量空间内相互干扰的问题。在查询意图匹配阶段,用户查询向量经各意图通道独立的线性投影矩阵分别投影至各通道嵌入空间后与通道原型向量进行相似度匹配,得到各通道的激活置信度分数,该机制将查询的语义类型意图显式量化为可计算的置信度分数,使检索系统能够在路径枚举之前完成对查询意图所属语义通道的精确定位,避免了现有技术中查询意图与检索范围不匹配的问题。
15、在路径检索与排序阶段,候选路径的枚举严格限定于激活通道子图的边集合内,非激活通道子图的关系边在枚举阶段被物理排除而非软性降权,通道封闭式检索机制从结构层面切断了跨语义类型路径进入候选集合的通道,路径相关度分数与路径内聚度分数分别衡量候选路径与查询语义的贴合程度及候选路径在通道内的语义典型性,两者均在通道专属嵌入空间内独立计算,保证了评分维度的语义纯粹性,最终将激活置信度分数、路径相关度分数、路径内聚度分数三者加权融合得到融合排序分,使排序结果同时反映通道级意图匹配强度与路径级语义质量,解决了现有技术以单一相似度分排序时高置信度通道内优质路径被低置信度通道噪声路径压制的问题,实现了多语义类型激活场景下跨通道候选路径的合理融合排序输出。
1.一种基于知识图谱的医学数据获取方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于知识图谱的医学数据获取方法,其特征在于,所述步骤s1,包括:
3.根据权利要求1所述的基于知识图谱的医学数据获取方法,其特征在于,所述步骤s2,包括:
4.根据权利要求3所述的基于知识图谱的医学数据获取方法,其特征在于,所述步骤s3中,在所述激活通道子图的边集合内枚举候选路径,所述候选路径的枚举严格限定于所述激活通道子图的边集合内,非所述激活通道子图的关系边不参与所述候选路径的构建,包括:
5.根据权利要求4所述的基于知识图谱的医学数据获取方法,其特征在于,所述步骤s3中,以所述激活通道子图训练得到的专属嵌入向量,计算各所述候选路径与所述用户查询向量之间的路径相关度分数,包括:
6.根据权利要求5所述的基于知识图谱的医学数据获取方法,其特征在于,所述步骤s3中,计算各所述候选路径与所述通道原型向量之间的路径内聚度分数,包括:
7.根据权利要求6所述的基于知识图谱的医学数据获取方法,其特征在于,所述步骤s4,包括:
8.一种基于知识图谱的医学数据获取系统,其特征在于,用于实现如权利要求1-7中任一项所述的基于知识图谱的医学数据获取方法,所述基于知识图谱的医学数据获取系统包括:
9.一种基于知识图谱的医学数据获取设备,其特征在于,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于知识图谱的医学数据获取方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序在被处理器运行时使得所述处理器执行如权利要求1至7中任一项所述的基于知识图谱的医学数据获取方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com