(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202110019166.8
(22)申请日 2021.01.07
(71)申请人 重庆中肾网络科技有限公司
地址 400020 重庆市江北区红黄路93号1幢
物理层4(自编号601)
(72)发明人 崔桂鹏
(74)专利代理机构 重庆顾迪专利代理事务所
(普通合伙) 50246
代理人 何流浪
(51)Int.Cl.
G16H 40/67(2018.01)
G16H 50/20(2018.01)
G06F 16/332(2019.01)
G06F 16/36(2019.01)
G06N 5/02(2006.01)
G06N 5/04(2006.01)
(54)发明名称
(57)摘要
本发明属于人工智能技术领域，具体来说是
涉及一种基于知识图谱推理的智能分诊方法。本
发明主要包括：获取用户输入的描述语句，生成
查询语句；根据查询语句，基于知识图谱推理的
方法获得分诊信息；基于识图谱推理的基础是将
病历数据通过处理转化为知识图谱，利用现有的
技术，进行数据库的构建，通过以分诊为目的设
发明的有益效果是，使分诊过程实现了智能化，
同时提高了智能分诊的准确性。权利要求书1页 说明书7页 附图9页CN 112768052 A 2021.05.07
C N 112768052
A
1.一种基于知识图谱推理的智能分诊方法，其特征在于，包括：
获取用户输入的描述语句，生成查询语句；
根据查询语句，基于知识图谱推理的方法获得分诊信息。
2.根据权利要求1所述的一种基于知识图谱推理的智能分诊方法，其特征在于，所述生成查询语句的具体方法是：从描述语句中提取症状信息，基于症状信息生成SPARQL查询语句。
3.根据权利要求2所述的一种基于知识图谱推理的智能分诊方法，其特征在于，所述基于知识图谱推理的方法获得分诊信息的具体方法包括：
1)构建知识图谱：采用jena作为平台，构建知识图谱，知识的来源是已有的病历资料，知识建模的方法是，将疾病作为类别，根据病历资料获取类别的属性关系，再利用jena API 创建模型，生成RDF文本；
2)知识存储：利用jena将构建好的知识库固化为TDA的格式进行存储；
3)知识图谱推理：通过jena的模型工厂和推理机注册器创建推理机，
并绑定相关的RDF 三元组数据和owl本体模型，推理机将根据规则进行推理，生成一个推理结果图，该图通过jena的本体API查询和调用；
4)获得分诊信息：基于正向链推理的规则，根据查询语句，通过SPARQL查询读取推理结论，根据对应的结论进行分诊，输出分诊信息。
权 利 要 求 书1/1页CN 112768052 A
一种基于知识图谱推理的智能分诊方法
技术领域
[0001]本发明属于人工智能技术领域，具体来说是涉及一种基于知识图谱推理的智能分诊方法。
背景技术
[0002]随着人民生活条件的不断改善，对于健康的需求也越来越旺盛。近年来，各大医院的门急诊量急剧增长，特别是处于行业领先地位的医院。而对应还面临的问题包括：患者缺乏医疗健康知识，不清楚就诊什么科室，进一步加剧了医疗分诊的压力。还导致医生的工作负荷大，没有足够的时间回答患者的所有问题，在某种程度上造成医患关系紧张，同时也带来医疗质量难以保证的问题。在患者方，部分患者为能快速就诊，往往采取首选急诊的方式，又进一步降低了医院的救治效率。
[0003]为了解决此类问题，目前已有人工分诊台以及为用户提供自主分诊服务的应用程序，主要是针对
诊前咨询，给诊疗做出指导。而目前的分诊程序冗余度较高，智能化程度较低，导致用户体验差，并不能有效的实现智能化分诊的目的。
发明内容
[0004]本发明的目的，是针对上述问题，提出一种基于知识图谱推理的智能分诊方法，仅需获取用户日常化的描述语句，在后台进行一系列转化处理，即可为用户提供分诊服务，并且基于知识图谱推理的方法，有效提高分诊的准确度。
[0005]本发明的技术方案是：一种基于知识图谱推理的智能分诊方法，其特征在于，包括：
[0006]获取用户输入的描述语句，生成查询语句；
[0007]根据查询语句，基于知识图谱推理的方法获得分诊信息。
[0008]进一步的，所述生成查询语句的具体方法是：从描述语句中提取症状信息，基于症状信息生成SPARQL查询语句。
[0009]进一步的，所述基于知识图谱推理的方法获得分诊信息的具体方法包括：[0010]1)构建知识图谱：采用jena作为平台，构建知识图谱，知识的来源是已有的病历资料，知识建模的方法是，将疾病作为类别，根据病历资料获取类别的属性关系，再利用jena API创建模型，生成RDF文本；
[0011]2)知识存储：利用jena将构建好的知识库固化为TDA的格式进行存储；
[0012]3)知识图谱推理：通过jena的模型工厂和推理机注册器创建推理机，并绑定相关的RDF三元组数据和owl本体模型，推理机将根据规则进行推理，生成一个推理结果图，该图通过jena的本体API查询和调用；
[0013]4)获得分诊信息：基于正向链推理的规则，根据查询语句，通过SPARQL查询读取推理结论，根据对应的结论进行分诊。
[0014]本发明的有益效果是，使分诊过程实现了智能化，同时提高了智能分诊的准确性。
附图说明
[0015]图1为产生式的执行流程图；
[0016]图2为推理机的原理示意图；
[0017]图3为规则生成的RETE网络示意图；
[0018]图4为知识建模示意图；
[0019]图5为jena构建本体示意图；
[0020]图6大规模存储解决方案示意图；
[0021]图7为jena推理API推理机制示意图；
[0022]图8为配置RETE前向推理引擎核心代码示意图；
[0023]图9为规则编译成RETE网络的流程图；
[0024]图10为生成RETEClauseFilter节点的流程图；
[0025]图11为Test规则对应的RETE网络示意图；
[0026]图12为生成的RETE网络中各节点的属性示意图；
[0027]图13为运行时事实匹配流程图；
[0028]图14为知识图谱推理主要流程图。
具体实施方式
[0029]下面结合附图详细描述本发明的技术方案：
[0030]本发明的方法基于知识图谱推理，知识图谱本质上是一种语义网络，其结点代表实体或者概念，边代表实体/概念之间的各种语义关系。将知识录入知识库，利用预先设定的规则构成规则库，对话管理模块输入查询语句。根据知识库和规则库，采用类似于产生式系统的方法，可以对输入进行简单的推理，既可用于知识本身的发掘和关系的补全，又可以帮助问答系统进行答案的推理。
[0031]下面将主要原理用产生式的方法进行简单介绍：
[0032]IF conditions THEN actions
[0033]Conditions是由条件组成的集合，actions是由动作组成的序列。举例：
[0034]IF头痛AND流鼻涕AND咳嗽THEN患了感冒。
[0035]产生式系统由事实集合(Work Memory)，规则，推理引擎组成。其中，事实集又叫运行内存(Working Meory，WM)，是事实(WME)的集合，存储当前系统中所有事实。而事实(Working Memory Element,WME)包括实例和关系的描述。比如感冒，就是疾病的一种实例；感冒是疾病的一种，可以说感冒属于疾病，这就是关系。
[0036]Conditions是由规则组成的集合，又称为LHS，actions是由动作组成的序列，又称为RHS。
[0037]LHS是条件(规则)的集合，各条件之间是且的关系。当LHS中的条件均被满足，则该规则被触发。
[0038]RHS是动作的序列，执行时一次执行。动作的种类有：
[0039]①ADD pattern：向WM中加入形pattern的WME
[0040]②REOVE：从WM中一处当前规则的第i个条件匹配的WME
[0041]③MODIFY i(attr spec)：对当前规则第i个条件匹配的WME，将其对应于attr属性
的值改为spe。
[0042]推理引擎控制系统的执行，包括三个部分，模式匹配，冲突解决，执行动作。产生式的执行流程如图1所示。
[0043]根据图2的推理机原理，可以把推理机的推理步骤总结如下：
[0044]首先把知识库中的事实和规则都加载到工作存储器中，然后通过一定的模式匹配算法，对这些事实和规则进行匹配，判断是否满足规则的触发条件，如果满足则把这些需要触发的规则和它们的事实一起送到冲突集中；其次，给予一定的冲突消解算法，选择需要执行的规则；最后，执行规则，如果该规
则改变了事实，则传递这些改变，重复这一过程，直到没有新的规则会被触发为止，此时推理过程完毕。
[0045]用规则的条件部分匹配事实集中的事实，整个LHS都被满足的规则被触发，并被加入议程(Agenda)。议程可以认为是一个队列。
[0046]Jena默认对正向链推理支持RETE算法。通过RETE算法，将被触发的规则加入议程。RETE算法的核心思想是利用规则之间的公用部分以减少规则的存储空间，并且保持在过去匹配过程中的信息以加快匹配的速度(以空间换时间)，这就是RETE算法两个重要的特点，即节点共享和状态保持，给予RETE的系统会把规则编译成一个网络，成为鉴别网络(discrimination network)，该网络中的每个节点都有一个存储区，用来存储满足节点对应模式的事实(fact)，当事实从根节点匹配到叶子节点的时候，那么表明该事实匹配到这条路径所对应的规则，该规则将会被激活。RETE算法包括便宜规则生成鉴别网络和网络对事实进行匹配两个步骤。比如图3就是规则R1：[(L1:(时间，2002)L2(导演，张艺谋)，L3(编剧，李冯)，L4(演员，李连杰))→英雄]编译形成的网络。
[0047]鉴别网络包含5种类别的网络结点，分别如表1所示：
[0048]表1 RETE网络中的结点
[0049]
[0050]
[0051]知识图谱推理的主要由医学知识图谱录入、知识图谱存储、语义网络推理三大部
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议