医学文献质量确定方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术提供一种医学文献质量确定方法、装置、电子设备及存储介质。其中，医学文献质量确定方法包括：获取初始内容集合；所述初始内容集合中包括至少一种质量的目标内容，所述初始内容携带有质量标识；所述质量标识是根据所述初始内容的质量等级确定的；所述初始内容为所述医学文献的部分内容；基于所述质量标识，得到目标内容集合；将所述目标内容集合中的各个目标内容输入到神经网络模型中，得到目标质量标识集合；根据所述目标质量标识集合中的目标质量标识，确定所述医学文献的质量。本方法能够提高医学文献质量确定效率。够提高医学文献质量确定效率。够提高医学文献质量确定效率。

【技术实现步骤摘要】
医学文献质量确定方法、装置、电子设备及存储介质


[0001]本专利技术涉及人工智能
，尤其涉及一种医学文献质量确定方法、装置、电子设备及存储介质。

技术介绍

[0002]随着人工智能
的发展，其应用领域也极其广泛，例如，金融贸易、计算机科学或者医学等。以医学领域为例，医学文献对医学的研究或者应用有着不可替代的作用。医学文献是指与医学有关，能够作为医学参考的有价值的资料。对医学文献的质量确定，能够使得医学文献更好地服务于医学的科学研究或者其他医学应用。
[0003]现有技术中，对医学文献质量的确定，存在确定效率低的问题。

技术实现思路

[0004]本专利技术提供一种医学文献质量确定方法、装置、电子设备及存储介质，用以解决现有技术中医学文献质量效率低的缺陷，实现提高医学文献质量确定效率的效果。
[0005]本专利技术提供一种医学文献质量确定方法，包括：获取初始内容集合；所述初始内容集合中包括至少一种质量的目标内容，所述初始内容携带有质量标识；所述质量标识是根据所述初始内容的质量等级确定的；所述初始内容为所述医学文献的部分内容；基于所述质量标识，得到目标内容集合；将所述目标内容集合中的各个目标内容输入到神经网络模型中，得到目标质量标识集合；根据所述目标质量标识集合中的目标质量标识，确定所述医学文献的质量。
[0006]根据本专利技术提供的一种医学文献质量确定方法，所述目标内容集合包括第一目标内容子集合，所述质量标识包括第一标识、第二标识和第三标识；所述基于所述质量标识，得到目标内容集合包括：将所述第一标识和所述第二标识均转换为第四标识，将所述第一标识内容和第二标识内容，转换为第四标识内容，所述第一标识内容为携带有所述第一标识的所述初始内容，所述第二标识内容为携带有所述第二标识的所述初始内容，所述第四标识内容为携带有所述第四标识的所述初始内容；将所述第四标识内容和第三标识内容组成的集合，确定为所述第一目标内容子集合，其中，所述第三标识内容为携带有所述第三标识的所述初始内容。
[0007]根据本专利技术提供的一种医学文献质量确定方法，所述目标内容集合包括第二目标内容子集合，所述基于所述质量标识，得到目标内容集合包括：将所述第二标识和所述第三标识均转换为第五标识，将所述第二标识内容和第三标识内容，转换为第五标识内容，所述第五标识内容为携带有所述第五标识的所述初始内容；将所述第五标识内容和所述第一标识内容组成的集合，确定为所述第二目标内容子集合。
[0008]根据本专利技术提供的一种医学文献质量确定方法，所述神经网络模型的得到过程包括：将所述第一目标内容子集合中的各个第一目标内容输入到所述神经网络模型的第一网络分支；以及，将所述第二目标内容子集合中的各个第二目标内容输入到所述神经网络模
型的第二网络分支；以及，所述第三目标内容子集合中的各个第三目标内容输入到所述神经网络模型的第三网络分支；朝着模型评估得分增大的方向不断调整网络参数，直至所述模型评估得分达到模型评估得分阈值，得到所述神经网络模型。
[0009]根据本专利技术提供的一种医学文献质量确定方法，所述网络参数包括第一网络损失值、第二网络损失值和第三网络损失值；所述方法还包括：获取所述第一网络分支的所述第一网络损失值，以及，获取所述第二网络分支的所述第二网络损失值，以及，获取所述第三网络分支的所述第三网络损失值；基于所述第一网络损失值、所述第二网络损失值和所述第三网络损失值，得到所述神经网络模型的模型损失值。
[0010]根据本专利技术提供的一种医学文献质量确定方法，所述基于所述第一网络损失值、所述第二网络损失值和所述第三网络损失值，得到所述神经网络模型的模型损失值包括：对所述第一网络损失值、所述第二网络损失值和所述第三网络损失值进行加权求和，得到所述模型损失值。
[0011]本专利技术还提供一种医学文献质量确定装置，包括：第一获取模块，用于获取初始内容集合；所述初始内容集合中包括至少一种质量的目标内容，所述初始内容携带有质量标识；所述质量标识是根据所述初始内容的质量等级确定的；所述初始内容为所述医学文献的部分内容；第一得到模块，用于基于所述质量标识，得到目标内容集合；第二得到模块，用于将所述目标内容集合中的各个目标内容输入到神经网络模型中，得到目标质量标识集合；第一确定模块，用于根据所述目标质量标识集合中的目标质量标识，确定所述医学文献的质量。
[0012]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述医学文献质量确定方法的步骤。
[0013]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述医学文献质量确定方法的步骤。
[0014]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述医学文献质量确定方法的步骤。
[0015]本专利技术提供的医学文献质量确定方法、装置、电子设备及存储介质，通过获取初始内容集合；该初始内容集合中包括至少一种质量的目标内容，该初始内容携带有质量标识；该质量标识是根据上述初始内容的质量等级确定的；上述初始内容为医学文献的部分内容；基于上述质量标识，得到目标内容集合；将该目标内容集合中的各个目标内容输入到神经网络模型中，得到目标质量标识集合；根据目标质量标识集合中的目标质量标识，确定医学文献的质量。可以基于质量标识得到的目标内容集合，并经过神经网络模型对该目标内容集合进行训练，得到目标质量标识集合，从而能够根据目标质量标识集合中的目标质量标识，确定医学文献质量，提高了医学文献质量确定的效率。
附图说明
[0016]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，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。
[0017]图1是本专利技术提供的医学文献质量确定方法的流程示意图之一；
[0018]图2是本专利技术提供的医学文献质量确定方法的流程示意图之二；
[0019]图3是本专利技术提供的医学文献质量确定方法的流程示意图之三；
[0020]图4是本专利技术提供的医学文献质量确定方法的流程示意图之四；
[0021]图5是本专利技术提供的医学文献质量确定方法的流程示意图之五；
[0022]图6是本专利技术提供的医学文献质量确定方法的流程示意图之六；
[0023]图7是本专利技术提供的医学文献质量确定装置的结构示意图；
[0024]图8是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0025]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医学文献质量确定方法，其特征在于，包括：获取初始内容集合；所述初始内容集合中包括至少一种质量的目标内容，所述初始内容携带有质量标识；所述质量标识是根据所述初始内容的质量等级确定的；所述初始内容为所述医学文献的部分内容；基于所述质量标识，得到目标内容集合；将所述目标内容集合中的各个目标内容输入到神经网络模型中，得到目标质量标识集合；根据所述目标质量标识集合中的目标质量标识，确定所述医学文献的质量。2.根据权利要求1所述的医学文献质量确定方法，其特征在于，所述目标内容集合包括第一目标内容子集合，所述质量标识包括第一标识、第二标识和第三标识；所述基于所述质量标识，得到目标内容集合包括：将所述第一标识和所述第二标识均转换为第四标识，将所述第一标识内容和第二标识内容，转换为第四标识内容，所述第一标识内容为携带有所述第一标识的所述初始内容，所述第二标识内容为携带有所述第二标识的所述初始内容，所述第四标识内容为携带有所述第四标识的所述初始内容；将所述第四标识内容和第三标识内容组成的集合，确定为所述第一目标内容子集合，其中，所述第三标识内容为携带有所述第三标识的所述初始内容。3.根据权利要求2所述的医学文献质量确定方法，其特征在于，所述目标内容集合包括第二目标内容子集合，所述基于所述质量标识，得到目标内容集合包括：将所述第二标识和所述第三标识均转换为第五标识，将所述第二标识内容和第三标识内容，转换为第五标识内容，所述第五标识内容为携带有所述第五标识的所述初始内容；将所述第五标识内容和所述第一标识内容组成的集合，确定为所述第二目标内容子集合。4.根据权利要求3所述的医学文献质量确定方法，其特征在于，所述神经网络模型的得到过程包括：将所述第一目标内容子集合中的各个第一目标内容输入到所述神经网络模型的第一网络分支；以及，将所述第二目标内容子集合中的各个第二目标内容输入到所述神经网络模型的第二网络分支；以及，所述第三目标内容子集合中的各个第三目标内容输入到所述神经网络模型的第三网络分支；朝着模型评估...

【专利技术属性】
技术研发人员：邱凯锋，伍俊妍，张梅，陈淑云，罗幕华，王则远，刘鹏，
申请(专利权)人：灵犀量子北京医疗科技有限公司，
类型：发明
国别省市：