【技术实现步骤摘要】
药品数据处理、药品推荐模型训练方法、装置和存储介质
[0001]本申请涉及计算机
,特别是涉及一种药品数据处理、药品推荐模型训练方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
[0002]随着人工智能技术的发展,出现了医疗信息化技术,医疗信息化技术通过使用机器学习算法来辅助医生进行决策,从而能够解决医生水平参差不齐,出现用药错误的情况。为了避免出现用药错误的情况,通常会通过医疗系统向医生推荐参考用药。目前医疗系统通常是使用历史医疗记录来向医生推荐参考用药。然而,通过历史医疗记录向医生推荐参考用药的方式存在药品推荐准确性低的问题。
技术实现思路
[0003]基于此,有必要针对上述技术问题,提供一种能够提高药品推荐准确性的药品数据处理、药品推荐模型训练方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
[0004]第一方面,本申请提供了一种药品数据处理方法。所述方法包括:
[0005]获取目标用户标识对应的病历信息,基于病历信息进行向量表示提取,得到目标用户标识对应的病历表示向量;
[0006]获取各个药品标识对应的药品表示向量,药品表示向量是基于药品标识对应的各个官能团表示向量确定的,各个官能团表示向量是通过使用药品标识对应的官能团信息和官能团连接信息建立药品图结构,基于药品图结构进行向量表示提取得到的,药品标识对应的官能团信息和官能团连接信息是基于药品标识对应的分子结构信息确定的;
[0007]基于病历表示向量和各个药品表示向量计算目标用户 ...
【技术保护点】
【技术特征摘要】
1.一种药品数据处理方法,其向量在于,所述方法包括:获取目标用户标识对应的病历信息,基于所述病历信息进行向量表示提取,得到所述目标用户标识对应的病历表示向量;获取各个药品标识对应的药品表示向量,所述药品表示向量是基于药品标识对应的各个官能团表示向量确定的,所述各个官能团表示向量是通过使用所述药品标识对应的官能团信息和官能团连接信息建立药品图结构,基于所述药品图结构进行向量表示提取得到的,所述药品标识对应的官能团信息和官能团连接信息是基于所述药品标识对应的分子结构信息确定的;基于所述病历表示向量和所述各个药品表示向量计算所述目标用户标识与所述各个药品标识的匹配程度,得到药品匹配表示向量;基于所述药品匹配表示向量进行分类识别,得到所述各个药品标识对应的分类识别结果,并基于所述分类识别结果中的推荐类别从所述各个药品标识中确定所述目标用户标识对应的各个目标药品标识。2.根据权利要求1所述的方法,其向量在于,所述获取目标用户标识对应的病历信息,基于所述病历信息进行向量表示提取,得到所述目标用户标识对应的病历表示向量,包括:获取所述目标用户标识对应的各个病历数据和所述各个病历数据对应的产生时间;对所述各个病历数据中的文本病历数据进行命名实体识别,得到病历实体数据,基于所述病历实体数据和对应的产生时间得到病历实体数据序列;对所述各个病历数据中的数值病历数据进行归一化,得到归一化病历数据,基于所述归一化病历数据和对应的产生时间得到归一化病历数据序列;对所述各个病历数据中的离散病历数据进行热编码,得到编码病历数据,基于所述编码病历数据和对应的产生时间得到编码病历数据序列;基于所述病历实体数据序列、所述归一化病历数据序列和所述编码病历数据序列得到所述病历信息。3.根据权利要求1所述的方法,其向量在于,所述获取各个药品标识对应的药品表示向量,包括:获取所述各个药品标识对应的分子结构信息,基于所述各个药品标识对应的分子结构信息进行官能图分割,得到所述各个药品标识对应的官能团信息和官能团连接信息;基于所述各个药品标识对应的官能团信息确定所述各个药品标识对应的官能团节点,并基于所述各个药品标识对应的官能团连接信息确定所述各个药品标识对应的官能团节点连接关系;基于所述各个药品标识对应的官能团节点和所述各个药品标识对应的官能团节点连接关系建立所述各个药品标识对应的药品图结构;基于所述各个药品标识对应的药品图结构分别进行向量表示,得到所述各个药品标识对应的药品表示向量。4.根据权利要求3所述的方法,其向量在于,所述基于所述各个药品标识对应的药品图结构分别进行向量表示,得到所述各个药品标识对应的药品表示向量,包括:从所述各个药品标识对应的药品图结构中确定当前药品标识对应的当前药品图结构;基于所述当前药品图结构中各个当前官能团节点确定对应的相邻官能团节点;
基于所述各个当前官能团节点和对应的相邻官能团节点进行聚合向量提取,得到所述各个当前官能团节点对应的当前官能团向量;基于所述各个当前官能团节点对应的当前官能团向量进行平均向量计算,得到所述当前药品标识对应的当前药品表示向量;遍历所述各个药品标识对应的药品图结构,得到所述各个药品标识对应的药品表示向量。5.根据权利要求1所述的方法,其向量在于,所述基于所述药品匹配表示向量进行分类识别,得到所述各个药品标识对应的分类识别结果,包括:获取分类参数,基于所述分类参数将所述药品匹配表示向量进行层标准化,得到标准化向量;基于所述标准化向量进行非线性二分类计算,得到所述各个药品标识对应的推荐类别概率;基于所述各个药品标识对应的推荐类别概率确定所述各个药品标识对应的分类识别结果。6.根据权利要求1所述的方法,其向量在于,所述方法还包括:将所述目标用户标识对应的病历信息输入到药品推荐模型中,所述药品推荐模型基于所述病历信息进行向量表示提取,得到所述目标用户标识对应的病历表示向量,并获取各个药品标识对应的药品表示向量,所述药品表示向量是基于药品标识对应的各个官能团表示向量确定的,所述各个官能团表示向量是通过使用所述药品标识对应的官能团信息和官能团连接信息建立药品图结构,基于所述药品图结构进行向量表示提取得到的,所述药品标识对应的官能团信息和官能团连接信息是基于所述药品标识对应的分子结构信息确定的;所述药品推荐模型基于所述病历表示向量和所述各个药品表示向量计算所述目标用户标识与所述各个药品标识的匹配程度,得到药品匹配表示向量;所述药品推荐模型基于所述药品匹配表示向量进行分类识别,得到所述各个药品标识对应的分类识别结果,并基于所述分类识别结果中的推荐类别从所述各个药品标识中确定所述目标用户标识对应的各个目标药品标识。7.根据权利要求6所述的方法,其向量在于,所述药品推荐模型包括病历向量提取网络、匹配网络和分类网络;将所述目标用户标识对应的病历信息输入到药品推荐模型中,包括:将所述目标用户标识对应的病历信息输入到所述病历向量提取网络中进行向量表示提取,得到所述目标用户标识对应的病历表示向量;获取各个药品标识对应的药品表示向量,将所述病历表示向量和所述各个药品标识对应的药品表示向量输入到所述匹配网络中计算所述目标用户标识与所述各个药品标识的匹配程度,得到药品匹配表示向量;将所述药品匹配表示向量输入到所述分类网络中进行分类识别,得到所述各个药品标识对应的分类识别结果,并基于所述分类识别结果中的推荐类别从所述各个药品标识中确定所述目标用户标识对应的各个目标药品标识。8.根据权利要求6所述的方法,其向量在于,所述病历向量提取网络包括向量提取子网
络和向量融合子网络;所述病历信息包括病历实体数据序列、归一化病历数据序列和编码病历数据序列;所述将所述目标用户标识对应的病历信息输入到所述病历向量提取网络中进行向量表示提取,得到所述目标用户标识对应的病历表示向量,包括:将所述病历实体数据序列、所述归一化病历数据序列和所述编码病历数据序列分别输入到向量提取子网络中进行向量提取,得到所述病历实体数据序列对应的病历实体数据序列表示向量、所述归一化病历数据序列对应的归一化病历数据序列表示向量和所述编码病历数据序列对应的编码病历数据序列表示向量;将所述病历实体数据序列表示向量、所述归一化病历数据序列表示向量和所述编码病历数据序列表示向量输入到向量融合子网络中进行向量融合,得到所述目标用户标识对应的病历表示向量。9.一种药品推荐模型训练方法,其特征在于,所述方法包...
【专利技术属性】
技术研发人员:张先礼,杨奕凡,
申请(专利权)人:腾讯科技深圳有限公司,
类型:发明
国别省市:
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。