医疗问答知识生成方法、装置、电子设备及存储介质与流程

1.本发明涉及数字医疗技术领域，尤其涉及一种医疗问答知识生成方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.互联网医疗背景下的患者教育场景，一般是采用文章、互动问答等形式进行疾病的一般常识讲解以及药物指导。现有基于医学事实的知识问答主要依赖于专家医生编审，这种知识问答方法的生成容易受到人工编写效率的影响，同时语句生成的丰富度、流畅度都受到限制,同时人工编写医疗问答知识更多的是利用互联网搜索引擎进行相关知识查找，要求在较多杂乱的信息中筛选出有价值的信息，这样会导致效率较低且生成结果不准确。综上所述，现有技术存在医疗问答知识生成效率及准确率较低的问题。


技术实现要素：

3.本发明提供一种医疗问答知识生成方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决医疗问答知识生成效率及准确率较低的问题。
4.为实现上述目的，本发明提供的一种医疗问答知识生成方法，包括：
5.获取待处理文章，对所述待处理文章进行信息提取，得到知识三元组；
6.根据所述知识三元组构建知识图谱，对所述知识图谱进行节点特征提取，得到知识特征；
7.获取医疗问题，对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列；
8.将所述知识特征与所述医疗问题的单词特征序列进行特征融合，生成医疗问答知识。
9.可选地，所述对所述待处理文章进行信息提取，得到知识三元组，包括：
10.对所述待处理文章进行预处理，得到分词数据集；
11.对所述分词数据集进行实体关系抽取，得到实体集；
12.对所述实体集进行关系筛选，得到知识三元组。
13.可选地，所述对所述待处理文章进行预处理，得到分词数据集，包括：
14.对所述待处理文章进行分词处理，得到输入分词及对应的词性；
15.获取预设的停用词性标签，根据所述词性标签以及所述输入分词对应的词性对所述输入分词进行筛选，得到分词数据集。
16.可选地，所述对所述分词数据集进行实体关系抽取，得到实体集，包括：
17.对所述分词数据集进行向量表示，得到分词向量；
18.对所述分词向量进行特征提取，得到分词特征向量；
19.对所述分词特征向量进行关系分类，根据关系分类结果得到实体集。
20.可选地，所述根据所述知识三元组构建知识图谱，包括：
21.获取知识实体库，从所述知识实体库中预选出候选实体对象；
22.将所述候选实体对象与所述知识三元组进行相似度计算，根据相似度计算结果得到实体对象；
23.将所述实体对象进行知识融合，得到知识图谱。
24.可选地，所述对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列，包括：
25.对所述医疗问题进行词向量嵌入，得到嵌入向量；
26.将预设的位置信息向量与所述嵌入向量进行拼接，得到输入特征向量；
27.将所述输入特征向量进行层归一化，得到所述医疗问题的单词特征序列。
28.可选地，所述将所述知识特征与所述医疗问题的单词特征序列进行特征融合，生成医疗问答知识，包括：
29.获取所述医疗问题的实体类别，根据所述实体类别对所述知识特征进行初步筛选，得到初始知识特征；
30.对所述初始知识特征的特征序列与所述医疗问题的单词特征序列进行概率计算，根据概率计算结果生成医疗问答知识。
31.为了解决上述问题，本发明还提供一种医疗问答知识生成装置，所述装置包括：
32.信息提取模块，用于获取待处理文章，对所述待处理文章进行信息提取，得到知识三元组；
33.节点特征提取模块，用于根据所述知识三元组构建知识图谱，对所述知识图谱进行节点特征提取，得到知识特征；
34.特征编码模块，用于获取医疗问题，对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列；
35.特征融合模块，用于将所述知识特征与所述医疗问题的单词特征序列进行特征融合，生成医疗问答知识。
36.为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
37.至少一个处理器；以及，
38.与所述至少一个处理器通信连接的存储器；其中，
39.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述所述的医疗问答知识生成方法。
40.为了解决上述问题，本发明还提供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至少一个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的医疗问答知识生成方法。
41.本发明实施例通过构建待处理文章的知识图谱对医疗问答知识进行自动生成，可以实现对问答知识的充分利用；根据知识三元组构建知识图谱，可以将医学知识及知识体系用图形的方式显示出来，可以实现多方面医学知识的整合，提高医疗问答知识生成的准确性；通过对知识图谱进行节点特征提取，可以减少数据的维度，从而提高医疗问答知识的工作效率；将知识特征与医疗问题的单词特征序列进行特征融合，可以将医疗知识全面利用，提高医疗问答知识生成的准确性。因此本发明提出的医疗问答知识生成方法、装置、电
子设备及计算机可读存储介质，可以解决医疗问答知识生成效率及准确率较低的问题。
附图说明
42.图1为本发明一实施例提供的医疗问答知识生成方法的流程示意图；
43.图2为本发明一实施例提供的对所述待处理文章进行信息提取，得到知识三元组的流程示意图；
44.图3为本发明一实施例提供的对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列的流程示意图；
45.图4为本发明一实施例提供的医疗问答知识生成装置的功能模块图；
46.图5为本发明一实施例提供的实现所述医疗问答知识生成方法的电子设备的结构示意图。
47.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
48.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
49.本技术实施例提供一种医疗问答知识生成方法。所述医疗问答知识生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的电子设备中的至少一种。换言之，所述医疗问答知识生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
50.参照图1所示，为本发明一实施例提供的医疗问答知识生成方法的流程示意图。在本实施例中，所述医疗问答知识生成方法包括：
51.s1、获取待处理文章，对所述待处理文章进行信息提取，得到知识三元组；
52.本发明实施例中，所述待处理文章包括已发表的医学学术研究、专业医学知识论文等；信息提取的目的是提炼所述待处理文章中的关键医学知识及主题，可以采用stanford open ie(开放信息提取)技术，从医学学术文章中提取知识元组。
53.请参阅图2所示，本发明实施例中，所述对所述待处理文章进行信息提取，得到知识三元组，包括：
54.s21、对所述待处理文章进行预处理，得到分词数据集；
55.s22、对所述分词数据集进行实体关系抽取，得到实体集；
56.s23、对所述实体集进行关系筛选，得到知识三元组。
57.本发明实施例中，对待处理文章进行预处理包括分词、分词词性分析、句法分析等处理，得到的分词数据集中包括处理后的分词以及对应词性等。
58.本发明实施例中，实体关系是指所述分词数据集中的名词与动词之间的关系，例如主谓关系、动宾关系、前置宾语等；实体关系抽取就是将所述分词数据集中分词之间的关系进行整体抽取，得到完整的基本名词短语即为所述实体集，实体关系抽取可以基于机器
学习的监督学习算法，通过机器学习的方法利用医学文章进行原始语料训练，然后利用训练好的模型进行实体关系抽取。
59.本发明实施例中，关系筛选是根据预设的筛选规则进行筛选的，所述筛选规则为对包含三个实体词的所述实体集进行保留，得到知识三元组；所述知识三元组包含三个部分，即主语、谓语、宾语，例如“浙江大学位于杭州”就可以简单的用一个知识三元组来表示，即为一种实体-关系-实体的知识结构。
60.本发明实施例中，所述对所述待处理文章进行预处理，得到分词数据集，包括：
61.对所述待处理文章进行分词处理，得到输入分词及对应的词性；
62.获取预设的停用词性标签，根据所述词性标签以及所述输入分词对应的词性对所述输入分词进行筛选，得到分词数据集。
63.本发明实施例中，可以利用分词器对所述待处理文章进行分词处理，所述分词器包括但不限于结巴分词器；所述输入分词的词性包括名词、动词、形容词、副词、助词等；进一步地，所述停用词性标签可以为形容词、副词、助词等。
64.本发明实施例中，所述对所述分词数据集进行实体关系抽取，得到实体集，包括：
65.对所述分词数据集进行向量表示，得到分词向量；
66.对所述分词向量进行特征提取，得到分词特征向量；
67.对所述分词特征向量进行关系分类，根据关系分类结果得到实体集。
68.本发明实施例中，向量表示可以采用word2vec(词向量模型)，利用所述词向量模型对所述分词数据集进行映射计算，得到分词向量；特征提取可以将所述分词向量输入到预设的神经网络中，利用所述神经网络模型提取所述分词向量的特征，经过多次训练，所述神经网络可以成为一个特征提取器，便于新的分词向量的特征提取；关系分类可以根据预先定义好的关系种类，通过所述神经网络的非线性层进行分类完成，所述关系种类可以包括物理位置关系、部分整体关系以及人物社会关系等。
69.s2、根据所述知识三元组构建知识图谱，对所述知识图谱进行节点特征提取，得到知识特征；
70.本发明实施例中，所述根据所述知识三元组构建知识图谱，包括：
71.获取知识实体库，从所述知识实体库中预选出候选实体对象；
72.将所述候选实体对象与所述知识三元组进行相似度计算，根据相似度计算结果得到实体对象；
73.将所述实体对象进行知识融合，得到知识图谱。
74.本发明实施例中，所述知识实体库是现有的医学知识实体库，其中的医学知识之间具有对应关系的实体对象；相似度计算可以利用余弦值计算法，根据所述相似度计算结果的大小进行筛选，其中所述相似度计算结果最大的为正确的所述实体对象。
75.进一步地，本发明实施例中，知识融合是根据所述实体对象之间的实体关系将多个所述实体对象进行关联，形成一个整体的关系网，即为所述知识图谱。
76.本发明实施例中，所述知识图谱是关于所述待处理文章知识的机构化表示所组成的关系网络，它由节点和连接不同节点的边构成，每一个所述节点都包含所述待处理文章中的一个实体，所述连接不同节点的边即为所述实体之间的关系，节点特征提取可以利用预训练的节点分类器对所述节点及其相邻节点进行节点关系分类，将分类后的节点进行聚
合计算，得到聚合的邻居节点特征，对所述邻居节点特征进行加权求和得到的值输入到所述节点分类器中，生成知识特征。
77.s3、获取医疗问题，对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列；
78.本发明实施例中，所述医疗问题可以为用户在使用医学知识问答网页、软件、小程序等时所咨询的医疗问题，例如，“高血压在饮食方面需要注意哪些事项？”79.请参阅图3所示，本发明实施例中，所述对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列，包括：
80.s31、对所述医疗问题进行词向量嵌入，得到嵌入向量；
81.s32、将预设的位置信息向量与所述嵌入向量进行拼接，得到输入特征向量；
82.s33、将所述输入特征向量进行层归一化，得到所述医疗问题的单词特征序列。
83.本发明实施例中，词向量嵌入可以利用elmo(embedding from language models，词嵌入模型)进行计算；所述位置信息向量来自于所述词嵌入模型中的编码层，由于出现在所述医疗问题文本中不同位置的字或词所携带的语义信息存在差异，因此，elmo模型的编码层对不同位置的字/词分别附加一个不同的位置信息向量以作区分，拼接就是将所述位置信息向量添加在所述嵌入向量的末端；层归一化是在所述词嵌入模型中输出层进行的方差及均值计算。
84.本发明实施例中，所述对所述医疗问题进行词向量嵌入，得到嵌入向量，包括：
85.将所述待处理文章进行格式规范处理，得到标准语句；
86.将所述标准语句进行字符编码，得到初始词向量；
87.对所述初始词向量进行线性映射，得到嵌入向量。
88.本发明实施例中，格式规范处理是将所述医疗问题中的句子按照b*w*c的输入维度进行表示，其中，b表示为所述医疗问题中的句子数，w表示为所述句子中单词的个数，c表示为每个所述单词中包含的字符数；字符编码可以利用所述词嵌入模型的字符编码层，按照unicode编码的方法实现文本转换。
89.s4、将所述知识特征与所述医疗问题的单词特征序列进行特征融合，生成医疗问答知识。
90.本发明实施例中，所述将所述知识特征与所述医疗问题的单词特征序列进行特征融合，生成医疗问答知识，包括：
91.获取所述医疗问题的实体类别，根据所述实体类别对所述知识特征进行初步筛选，得到初始知识特征；
92.对所述初始知识特征的特征序列与所述医疗问题的单词特征序列进行概率计算，根据概率计算结果生成医疗问答知识。
93.本发明实施例中，所述实体类别是根据所述知识图谱中节点属性获取的，包含四个实体类别：疾病类、症状类、器官类和常规检查类，例如，“什么是甲状腺肿大？”该问题属于疾病类问题；根据所述实体类别在所述知识图谱中进行相应地筛选得到其中某一类别下的知识特征，即为所述初始知识特征。
94.本发明实施例中，概率计算可以利用softmax分类函数对所述初始知识特征的特征序列与所述医疗问题的单词特征序列进行概率排序，选取概率计算结果最大的所述初始
特征作为目标知识特征，所述目标知识特征在所述知识图谱中对应节点包含的医疗知识即为所述医疗问题的答案，因此可以生成医疗问答知识。
95.本发明提出的融合知识图谱的医疗问答知识生成方法，通过构建待处理文章的知识图谱对医疗问答知识进行自动生成，可以实现对问答知识的充分利用；根据知识三元组构建知识图谱，可以将医学知识及知识体系用图形的方式显示出来，可以实现多方面医学知识的整合，提高医疗问答知识生成的准确性；通过对知识图谱进行节点特征提取，可以减少数据的维度，从而提高医疗问答知识的工作效率；将知识特征与医疗问题的单词特征序列进行特征融合，可以将医疗知识全面利用，提高医疗问答知识生成的准确性。因此，本发明提出的医疗问答知识生成方法，可以解决医疗问答知识生成效率及准确率较低的问题。
96.如图4所示，是本发明一实施例提供的医疗问答知识生成装置的功能模块图。
97.本发明所述医疗问答知识生成装置100可以安装于电子设备中。根据实现的功能，所述医疗问答知识生成装置100可以包括信息提取模块101、节点特征提取模块102、特征编码模块103及特征融合模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
98.在本实施例中，关于各模块/单元的功能如下：
99.所述信息提取模块101，用于获取待处理文章，对所述待处理文章进行信息提取，得到知识三元组；
100.所述节点特征提取模块102，用于根据所述知识三元组构建知识图谱，对所述知识图谱进行节点特征提取，得到知识特征；
101.所述特征编码模块103，用于获取医疗问题，对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列；
102.所述特征融合模块104，用于将所述知识特征与所述医疗问题的单词特征序列进行特征融合，生成医疗问答知识。
103.详细地，本发明实施例中所述医疗问答知识生成装置100中所述的各模块在使用时采用与附图中所述的医疗问答知识生成方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
104.如图5所示，是本发明一实施例提供的实现医疗问答知识生成方法的电子设备的结构示意图。
105.所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如医疗问答知识生成程序。
106.其中，所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(central processing unit，cpu)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(control unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行医疗问答知识生成程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
107.所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：sd或dx存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡、闪存卡(flash card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如医疗问答知识生成程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
108.所述通信总线12可以是外设部件互连标准(peripheral component interconnect，简称pci)总线或扩展工业标准结构(extended industry standard architecture，简称eisa)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
109.所述通信接口13用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如wi-fi接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(display)、输入单元(比如键盘(keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
110.图5仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图5示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
111.例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、wi-fi模块等，在此不再赘述。
112.应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
113.所述电子设备1中的所述存储器11存储的医疗问答知识生成程序是多个指令的组合，在所述处理器10中运行时，可以实现：
114.获取待处理文章，对所述待处理文章进行信息提取，得到知识三元组；
115.根据所述知识三元组构建知识图谱，对所述知识图谱进行节点特征提取，得到知识特征；
116.获取医疗问题，对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列；
117.将所述知识特征与所述医疗问题的单词特征序列进行特征融合，生成医疗问答知
识。
118.具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
119.进一步地，所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-only memory)。
120.本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
121.获取待处理文章，对所述待处理文章进行信息提取，得到知识三元组；
122.根据所述知识三元组构建知识图谱，对所述知识图谱进行节点特征提取，得到知识特征；
123.获取医疗问题，对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列；
124.将所述知识特征与所述医疗问题的单词特征序列进行特征融合，生成医疗问答知识。
125.在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
126.所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
127.另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
128.对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
129.因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
130.本技术实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
131.此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等
词语用来表示名称，而并不表示任何特定的顺序。
132.最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

技术特征：
1.一种医疗问答知识生成方法，其特征在于，所述方法包括：获取待处理文章，对所述待处理文章进行信息提取，得到知识三元组；根据所述知识三元组构建知识图谱，对所述知识图谱进行节点特征提取，得到知识特征；获取医疗问题，对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列；将所述知识特征与所述医疗问题的单词特征序列进行特征融合，生成医疗问答知识。2.如权利要求1所述的医疗问答知识生成方法，其特征在于，所述对所述待处理文章进行信息提取，得到知识三元组，包括：对所述待处理文章进行预处理，得到分词数据集；对所述分词数据集进行实体关系抽取，得到实体集；对所述实体集进行关系筛选，得到知识三元组。3.如权利要求2所述的医疗问答知识生成方法，其特征在于，所述对所述待处理文章进行预处理，得到分词数据集，包括：对所述待处理文章进行分词处理，得到输入分词及对应的词性；获取预设的停用词性标签，根据所述词性标签以及所述输入分词对应的词性对所述输入分词进行筛选，得到分词数据集。4.如权利要求2所述的医疗问答知识生成方法，其特征在于，所述对所述分词数据集进行实体关系抽取，得到实体集，包括：对所述分词数据集进行向量表示，得到分词向量；对所述分词向量进行特征提取，得到分词特征向量；对所述分词特征向量进行关系分类，根据关系分类结果得到实体集。5.如权利要求1所述的医疗问答知识生成方法，其特征在于，所述根据所述知识三元组构建知识图谱，包括：获取知识实体库，从所述知识实体库中预选出候选实体对象；将所述候选实体对象与所述知识三元组进行相似度计算，根据相似度计算结果得到实体对象；将所述实体对象进行知识融合，得到知识图谱。6.如权利要求1所述的医疗问答知识生成方法，其特征在于，所述对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列，包括：对所述医疗问题进行词向量嵌入，得到嵌入向量；将预设的位置信息向量与所述嵌入向量进行拼接，得到输入特征向量；将所述输入特征向量进行层归一化，得到所述医疗问题的单词特征序列。7.如权利要求1至6中任一项所述的医疗问答知识生成方法，其特征在于，所述将所述知识特征与所述医疗问题的单词特征序列进行特征融合，生成医疗问答知识，包括：获取所述医疗问题的实体类别，根据所述实体类别对所述知识特征进行初步筛选，得到初始知识特征；对所述初始知识特征的特征序列与所述医疗问题的单词特征序列进行概率计算，根据概率计算结果生成医疗问答知识。8.一种医疗问答知识生成装置，其特征在于，所述装置包括：
信息提取模块，用于获取待处理文章，对所述待处理文章进行信息提取，得到知识三元组；节点特征提取模块，用于根据所述知识三元组构建知识图谱，对所述知识图谱进行节点特征提取，得到知识特征；特征编码模块，用于获取医疗问题，对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列；特征融合模块，用于将所述知识特征与所述医疗问题的单词特征序列进行特征融合，生成医疗问答知识。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的医疗问答知识生成方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的医疗问答知识生成方法。

技术总结
本发明涉及数字医疗技术，揭露了一种医疗问答知识生成方法，包括：获取待处理文章，对所述待处理文章进行信息提取，得到知识三元组；根据所述知识三元组构建知识图谱，对所述知识图谱进行节点特征提取，得到知识特征；获取医疗问题，对所述医疗问题进行特征编码，得到所述医疗问题的单词特征序列；将所述知识特征与所述医疗问题的单词特征序列进行特征融合，生成医疗问答知识。本发明还提出一种医疗问答知识生成装置、电子设备以及存储介质。本发明可以提高医疗问答知识生成效率及准确率。以提高医疗问答知识生成效率及准确率。以提高医疗问答知识生成效率及准确率。


技术研发人员：郭明娟
受保护的技术使用者：康键信息技术（深圳）有限公司
技术研发日：2023.04.14
技术公布日：2023/7/25