数据处理和分析方法、装置和系统制造方法及图纸

技术编号:32545031 阅读:16 留言:0更新日期:2022-03-05 11:43
本发明专利技术公开一种数据处理和分析方法、系统及设备,通过构造领域知识图谱,利用图谱抽取子图,构造结构先验知识,最后利用训练学习的贝叶斯网络进行归因分析,可以有效利用专家经验,降低模型对样本量的要求,提升模型的性能,加速模型训练速度,在缺乏心理疾病或睡眠障碍大数据的情况下能够将专家经验结合模型训练得到有效的分析结果。得到有效的分析结果。得到有效的分析结果。

【技术实现步骤摘要】
数据处理和分析方法、装置和系统
[0001]本申请是申请日为2021年8月12日,申请号为CN202110921652.9,专利技术名称为“基于知识图谱的睡眠障碍归因分析方法、装置和系统”的中国专利技术专利申请的分案申请。


[0002]本专利技术涉及人工智能领域,尤其涉及一种数据处理和分析方法、装置和系统。

技术介绍

[0003]随着现代社会节奏加快,生活压力增大,心理健康也日益成为职场人士重点关注的对象,抑郁症、神经衰落等精神或心理引发的疾病越来越困扰很多人,通过大数据方式对患者的检查结果进行人工智能算法建立模型可以辅助医生或者医务工作者提供更多科学的判断,如何有效利用这些数据,提供更好决策是急需解决的科学问题。随着影响疾病判断的因素不断增多,指标的变化成为常态,如何挖掘出促进指标增长的潜在因素正成为一个难题。

技术实现思路

[0004]针对上述缺陷,本专利技术要解决的技术问题是如何利用好影响的心理或睡眠障碍的各种因素的大数据和不断增多的维度以进行更科学的判断。
[0005]针对上述缺陷,本专利技术的目的在于提供一种数据处理和分析方法、系统及电子设备、计算机存储介质和程序产品。
[0006]根据本说明书的实施例的一方面,提供一种数据处理和分析方法,用于服务器端,通过算法模型,对收集到的数据进行实体抽取,利用图数据库对知识进行存储,结合业务专家经验构建知识图谱;
[0007]根据知识图谱和输入信息,抽取相关子图,构造结构先验,结合训练样本,学习建立贝叶斯网络模型;/>[0008]利用学习建立的贝叶斯网络模型进行归因分析。
[0009]优选的,算法模型包括自然语言处理、深度学习和知识图谱技术。
[0010]优选的,实体抽取包括关系抽取、事件抽取、实体消歧、知识融合和知识处理。
[0011]优选的,构造结构先验通过抽取子图结构,直接构造贝叶斯网络结构参数分布,再结合样本,共同学习贝叶斯网络结构。
[0012]优选的,构造结构先验统计出样本中变量的频数以及变量间的频数,计算得到变量的平均频数以及变量间的平均频数,根据子图结构,将父节点作为尾节点,子节点作为头节点,利用所述频数和平均频数得到节点间的概率分布,根据子图结构,重复构造节点间的概率分布,将得到的子图概率分布作为结构先验参数,结合样本学习得到贝叶斯网络结构。
[0013]优选的,构造结构先验在打分函数中加入惩罚因子,使得先验结构融合到后验结构中。
[0014]本专利技术提供一种数据处理和分析方法,应用于互联网医疗平台,收集用户输入的
医疗诊断检查数据,通过算法模型,对数据进行实体抽取,利用图数据库对知识进行存储,结合医生专家经验构建知识图谱;
[0015]根据知识图谱和输入信息,抽取相关子图,构造结构先验,结合训练样本,学习建立贝叶斯网络模型;
[0016]利用学习建立的贝叶斯网络模型进行归因分析形成分析结果。
[0017]优选的,医疗诊断检查数据包括文本数据和图片数据。
[0018]优选的,实体抽取包括睡眠障碍与医疗诊断检查数据关系抽取、与用户行为事件抽取、专家经验实体消歧、疾病和症状知识图谱知识融合和知识处理。
[0019]优选的,抽取子图利用图神经网络模型对图中节点之间的关系进行预测,挖掘更多因果关系。
[0020]优选的,方法结合专家经验,构建相关业务领域的知识图谱,基于图片抽取相关子图,在子图上利用图神经网络模型进行节点之间关系的预测,挖掘更多因果关系,构造贝叶斯网络机构先验分布,结合样本学习贝叶斯网络。
[0021]本专利技术提供一种数据处理和分析系统,包括服务器端、客户端和互联网医疗平台,
[0022]用户通过所述客户端提交医疗诊断检查数据,
[0023]所述互联网医疗平台,收集用户输入的医疗诊断检查数据,所述服务器端通过算法模型,对数据进行实体抽取,利用图数据库对知识进行存储,结合医生专家经验构建知识图谱;
[0024]根据知识图谱和输入信息,抽取相关子图,构造结构先验,结合训练样本,学习建立贝叶斯网络模型;
[0025]利用学习建立的贝叶斯网络模型进行归因分析形成分析结果。
[0026]优选的,实体抽取包括睡眠障碍与医疗诊断检查数据关系抽取、与用户行为事件抽取、专家经验实体消歧、疾病和症状知识图谱知识融合和知识处理。
[0027]优选的,构造结构先验统计出样本中变量的频数以及变量间的频数,计算得到变量的平均频数以及变量间的平均频数,根据子图结构,将父节点作为尾节点,子节点作为头节点,利用所述频数和平均频数得到节点间的概率分布,根据子图结构,重复构造节点间的概率分布,将得到的子图概率分布作为结构先验参数,结合样本学习得到贝叶斯网络结构。
[0028]本专利技术提供一种计算机可读存储介质,其上存储有计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现上述方法的步骤。
[0029]本专利技术提供一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令被处理器执行时实现上述方法的步骤。
[0030]本专利技术提供一种电子设备,包括:
[0031]处理器;以及
[0032]被设置成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
[0033]通过算法模型,对收集到的数据进行实体抽取,利用图数据库对知识进行存储,结合业务专家经验构建知识图谱;
[0034]根据知识图谱和输入信息,抽取相关子图,构造结构先验,结合训练样本,学习建立贝叶斯网络模型;
[0035]利用学习建立的贝叶斯网络模型进行归因分析。
[0036]本专利技术提供一种电子设备,包括:
[0037]处理器;以及
[0038]被设置成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下操作:
[0039]收集用户输入的医疗诊断检查数据,通过算法模型,对数据进行实体抽取,利用图数据库对知识进行存储,结合医生专家经验构建知识图谱;
[0040]根据知识图谱和输入信息,抽取相关子图,构造结构先验,结合训练样本,学习建立贝叶斯网络模型;
[0041]利用学习建立的贝叶斯网络模型进行归因分析形成分析结果。
[0042]本专利技术可以有效利用专家经验,降低模型对样本量的要求,提升模型的性能,加速模型训练速度,在缺乏心理疾病或睡眠障碍大数据的情况下能够将专家经验结合模型训练得到有效的分析结果。
附图说明
[0043]为了更清楚地说明本专利技术实施例的技术方案,下面将对本专利技术实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
[0044]图1示出了本专利技术数据处理和分析方法一实施例框架示意图;
[0045]图2示出了本专利技术数据处理和分析方法另一实施例框架示意图;
[0046]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理和分析方法,用于服务器端,收集用户输入的数据,通过算法模型,对数据进行数据关系抽取、与用户行为事件抽取、专家经验实体消歧、专业知识图谱知识融合和知识处理,利用图数据库对知识进行存储,结合业务专家经验构建知识图谱;根据知识图谱和输入信息,抽取相关子图,构造结构先验统计出样本中变量的频数以及变量间的频数,计算得到变量的平均频数以及变量间的平均频数,根据子图结构,将父节点作为尾节点,子节点作为头节点,利用所述频数和平均频数得到节点间的概率分布,重复构造节点间的概率分布,将得到的子图概率分布作为结构先验参数,结合样本学习得到贝叶斯网络结构;构造结构先验在打分函数中加入惩罚因子,使得先验结构融合到后验结构中;结合训练样本,学习建立贝叶斯网络模型,在贝叶斯网络结构学习过程中,加入部分互信息,以精确地度量变量间的线性与非线性因果关系;利用学习建立的贝叶斯网络模型进行归因分析。2.根据权利要求1所述的数据处理和分析方法,所述算法模型包括自然语言处理、深度学习和知识图谱技术。3.根据权利要求1所述的数据处理和分析方法,所述构造结构先验通过抽取子图结构,直接构造贝叶斯网络结构参数分布,再结合样本,共同学习贝叶斯网络结构。4.根据权利要求1所述的数据处理和分析方法,所述方法结合专家经验,构建相关业务领域的知识图谱,基于图片抽取相关子图,在子图上利用图神经网络模型进行节点之间关系的预测,挖掘更多因果关系,构造贝叶斯网络机构先验分布,结合样本学习贝叶斯网络。5.根据权利要求1

4之一所述的方法,所述用户输入的数据包括文本数据和图片数据。6.一种数据处理和分析方法,应用于互联网医疗平台,收集用户输入的睡眠障碍体检数据,通过算法模型,对数据进行睡眠障碍与体检数据关系抽取、与用户行为事件抽取、医生经验实体消歧、疾病和症状知识图谱知识融合和知识处理,利用图数据库对知识进行存储,结合医生专家经验构建知识图谱;根据知识图谱和输入信息,抽取相关子图,构造结构先验统计出样本中变量的频数以及变量间的频数,计算得到变量的平均频数以及变量间的平均频数,根据子图结构,将父节点作为尾节点,子节点作为头节点,利用所述频数和平均频数得到节点间的概率分布,重复构造节点间的概率分布,将得到的子图概率分布作为结构先验参数,结合样本学习得到贝叶斯网络结构;构造结构先验在打分函数中加入惩罚因子,使得先验结构融合到后验结构中;结合训练样本,学习建立贝叶斯网络模型,在贝叶斯网络结构学习过程中,加入部分互信息,以精确地度量变量...

【专利技术属性】
技术研发人员:陈冠伟
申请(专利权)人:北京好欣晴移动医疗科技有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1