基于关系图注意力网络的临床知识图链接预测方法及系统技术方案

本公开提供了一种基于关系图注意力网络的临床知识图链接预测方法及系统，所述方案基于编码器和解码器的架构，实现了临床医学病人病历知识图的链接预测；所述方案采用关系图注意力网络，对知识图中病人病历信息进行编码，通过更有效的方式对三元组进行向量表示；同时，提出一种新颖的实体和关系的嵌入表示；最后，通过使用ConvKB模型，定义评分函数，判断有效三元组的可能性，根据三元组的排名，推断病人病历实体间是否存在链接关系，完成链接预测的任务。的任务。的任务。

【技术实现步骤摘要】
基于关系图注意力网络的临床知识图链接预测方法及系统


[0001]本公开属于知识图链接预测
，尤其涉及基于一种基于关系图注意力网络的临床知识图链接预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]知识图由节点和边两部分组成，用节点来表示图中的实体，用边来表示实体之间的关系，通过使用节点和边对零散的知识信息进行整合，将其组织成三元组，以结构化的形式呈现出来，构成一个强大的语义信息网络，进而提供一种更好的利用这些信息，去解决一些实际问题的能力。知识图在对话生成、推荐系统、智能问答以及金融等领域都有着广泛的应用。
[0004]知识图作为一种在大数据背景下产生的新型的知识表示，为数据提供了新的管理模式。随着医院信息化程度日益提升，知识图也被应用在临床领域病人病历中。专利技术人发现，由于病人的病历数据是不断增长的，即使是包含上亿信息的病历数据中，所包含的信息也是不完整的，有一些实体间隐含的关系，并不能直接观察到。此外，实际电子病历数据普遍存在数据质量不高的特点本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于关系图注意力网络的临床知识图链接预测方法，其特征在于，包括：获取临床领域知识图，并将知识图中的实体及关系信息分别进行矩阵表示；将所述实体及关系的矩阵表示输入预先训练的关系图注意力网络模型中进行学习，获得实体和关系精确的向量表示，并采用基于双线性模型及翻译模型的嵌入方法形成三元组向量表示；基于ConvKB模型及预先确定的评分函数，对获得的三元组向量表示进行评分，基于评分结果判断病人病历实体间是否存在链接关系，实现临床知识图的链接预测。2.如权利要求1所述的一种基于关系图注意力网络的临床知识图链接预测方法，其特征在于，所述关系图注意力网络用于学习实体和关系新的嵌入，并学习每个实体直接邻域中的实体信息；同时，采用绝对注意力及相对注意力机制学习三元组的重要性；最后采用多头注意力机制稳定学习的过程。3.如权利要求1所述的一种基于关系图注意力网络的临床知识图链接预测方法，其特征在于，为了避免实体和关系学习新的嵌入时丢失初始的嵌入信息，通过权重矩阵学习最初实体和关系的信息，并添加到关系图注意力网络模型输出的实体及关系特征向量中。4.如权利要求1所述的一种基于关系图注意力网络的临床知识图链接预测方法，其特征在于，所述嵌入方法将三元组的头实体、关系和尾实体映射到复杂的向量空间中，通过向量空间下实体和关系的结合方式，来学习实体和关系的向量嵌入，使每一个实体都考虑到关系的信息。5.如权利要求1所述的一种基于关系图注意力网络的临床知识图链接预测方法，其特征在于，每个实体的直接领域中的实体包括以当前实体为头实体的实体以及以当前实体为尾实体的实体。6.如权利要求1所述的一种基于关系图注意力网络的临床知识图链接预测方法...

【专利技术属性】
技术研发人员：骆超，曹战月，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：