专利交易市场

本发明公开了基于关系融合和信息融合的医疗实体消歧方法和装置，属于人工智能、自然语言处理领域。本发明要解决的技术问题为如何使用自然语言处理技术增强医疗实体提及的上下文表示和候选医疗实体的表示，从而准确地判断医疗实体提及所对应的候选医疗实体。采用的技术方案为：①基于关系融合和信息融合的医疗实体消歧方法，该方法包括如下步骤：S1、构建医疗实体消歧知识库；S2、构建医疗实体消歧模型数据集；S3、构建医疗实体消歧模型；S4、训练医疗实体消歧模型。②基于关系融合和信息融合的医疗实体消歧装置，该装置包括：医疗实体消歧知识库构建单元、医疗实体消歧模型数据集构建单元、医疗实体消歧模型构建单元和医疗实体消歧模型训练单元。

本公开公开的一种人类表型本体术语识别方法及系统，包括，获取电子病历；对电子病历预处理，并切分出描述疾病症状的词组；对每个词组，计算该词组与HPO库中每个HPO的相似度得分，相似度得分最高的HPO为该词组对应的HPO。实现了根据自然语言描述的电子病历，自动识别出与该电子病历对应的标准的HPO。

本发明涉及在线心理咨询技术领域，具体为一种在线心理咨询的话术回复方法及系统，包括以下步骤：基于情感状态和心理咨询需求的原始数据，对差异化状态和需求进行符号的分配，并对数据进行初始化编码处理，生成符号集初始框架。本发明中，通过初始化编码和符号优化精确映射话术策略，有效避免信息传递过程中的损失，使得咨询过程中的信息交流更为流畅和精确，信息传递效率的持续分析与迭代调整有助于不断优化回复策略，提升整体咨询质量，通过模拟差异化话术策略的心理影响并绘制影响图谱，能够精确预测和规避潜在的心理风险，确保咨询服务能够更贴合求助者的实际需要，加强个性化服务的实施，促进用户的心理健康。

本发明公开了一种实现国际疾病分类的自动编码方法，从医疗数据库中获取电子病历数据，并对数据进行初步清洗；提取电子病历文本，与医生诊断的ICD编码关联，构建训练数据集；构建多元知识库，包括UMLS同义词库、非结构化知识库和利用LLM生成辅助知识库；构建ICD编码模型，包括上下文编码模块、辅助知识筛选模块、多重注意力交互模块以及融合预测模块；采用二元交叉熵损失函数优化ICD编码模型，实现国际疾病分类的自动编码。本发明能有效捕捉文本与代码之间的多层次语义交互，提高对复杂文本不同层次语义信息的区分能力和编码精度；能够更准确地提取关键信息，提升复杂病例和模糊诊断场景下的编码质量。

本发明公开了一种基于图神经网络多嵌入联合的临床命名实体识别方法，包括101.对输入文本进行分词处理，并赋予初始权重；102.对输入文本按批次进行划分及截断；103.对输入文本按批次填充至相同长度；104.连接文本句子对；105.构建数据增强多嵌入联合特征；106.构建图神经网络，其中通过多头注意力机制进行节点与边的信息传递；107.构建关于临床领域的字组信息；108.使用BiLSTM进一步提取文本特征；109.使用CRF对BiLSTM的输出数据进行解码，从而实现实体识别。本发明主要通过对实体进行数据增强并构建字词关联图，使得模型能更精确地识别医疗领域的实体。

本公开提供了一种基于多模态特征和语义规则的文本抑郁倾向检测系统，工作方法为：获取待处理的文本数据，对获取的文本数据进行预处理；根据预处理后的文本数据和预设词嵌入模型，得到词嵌入向量；根据预处理后的文本数据、预设情感词典和预设语义规则，得到文本的情感值特征向量；提取文本数据中的词性特征向量，与词嵌入向量拼接后，得到单词级别的特征向量表示；提取文本数据中的词频特征向量，与情感值特征向量拼接后，得到句子级别的特征向量表示；根据单词级别的特征向量表示、句子级别的特征向量表示以及预设CNN‑BiLSTM网络模型，得到最终的分类结果；本公开考虑了文本的情感信息，提取了多模态的文本特征，提高了文本抑郁倾向检测的精度。

发明公开了一种基于BERT和相似度算法的医疗知识图谱问答系统构建方法，包括：利用Python爬虫爬取网络公开医疗百科信息，存储至图数据库Neo4j中，构造医疗知识图谱；对公开的医疗问答数据集进行数据处理，利用CNN‑BiLSTM‑CRF算法实现命名实体识别；通过BERT‑TextCNN算法实现关系抽取；匹配预设定的问题查询语句；利用TF‑IDF算法对医疗问答数据集建立相似度模型。用户输入医疗相关关键字或语句调用算法获取相关医疗实体数据和相似病历回答，将查询数据返还WEB应用程序。本发明通过ECharts渲染医疗实体属性数据和实体间关系数据，实现医疗实体关系可视化以及医疗自动问答系统。

本发明属于中文医疗命名实体识别技术领域，提供了一种中文医疗命名实体识别方法、系统、存储介质和设备。其中，中文医疗命名实体识别方法包括获取临床文本数据；将临床文本数据分别转换为医疗文本的字符嵌入表示、医学概念嵌入特征向量和跨语言中文嵌入表示并进行拼接，得到多元数据融合特征向量；将多元数据融合特征向量输入至基于多图的命名实体识别模型中，识别出中文医疗命名实体类型；基于多图的命名实体识别模型包括多图网络和LSTM‑CRF模型，多图网络用于接收以多元数据融合特征向量为节点构成的文本图，输出节点的最终状态并传送至LSTM‑CRF模型，由LSTM‑CRF模型输出识别结果。其提高了中文医疗命名实体识别准确性。