[发明专利]一种建立中医药知识图谱的方法

权利要求书

1.一种建立中医药知识图谱的系统，其特征在于，所述建立中医药知识图谱的系统包括：

数据采集模块、数据挖掘模块、数据处理模块、知识图谱输出模块、检索模块；

数据采集模块，与数据挖掘模块连接，用于从传统中医药文献以及临床规范化病案、名中医验案中挖掘提取知识元、样本关系，获取中医药数据库中的原始数据；

数据挖掘模块，与数据采集模块、数据处理模块连接，用于通过数据挖掘构建中医药主题模型网络图；

数据处理模块，与知识图谱输出模块、数据挖掘模块连接，用于通过深度学习器建立复杂网络结构，根据知识元和样本关系构建知识元节点集合及边集合，将关系数据转换成有向权值网络数据；

知识图谱输出模块，与数据处理模块、检索模块连接，用于将知识图谱模型进行可视化地输出；

检索模块，与知识图谱输出模块连接，用于通过关键词检索相应中医药知识信息内容。

2.一种如权利要求1所述的建立中医药知识图谱的方法，其特征在于，所述建立中医药知识图谱的方法包括以下步骤：

步骤一，通过数据采集模块从传统中医药文献以及临床规范化病案、名中医验案中挖掘提取知识元、样本关系，获取中医药数据库中的原始数据；

步骤二，通过数据挖掘模块进行数据挖掘构建中医药主题模型网络图；

步骤三，通过数据处理模块采用深度学习器建立复杂网络结构，根据知识元和样本关系构建知识元节点集合及边集合，将关系数据转换成有向权值网络数据；

步骤四，通过知识图谱输出模块将知识图谱模型进行可视化地输出；

步骤五，通过检索模块输入关键词检索相应中医药知识信息内容。

所述数据采集模块包括数据分类模块，数据分类模块采用贝叶斯算法为：

每个数据元组用一个n维属性向量X＝{x₁，x₂，……，x_n}表示；

(2)假定有m个类C₁，C₂，……，C_m，给定某未知类标号的数据元组X，在满足下式公式，贝叶斯分类法将未知的样本X分配给类C_i；

P(C_i|X)＞P(C_j|X)1≤j≤m，j≠i；

(3)由于P(X)对于所有类为常数，最大化P(C_i|X)，即将先验概率P(X|C_i)P(C_i)最大化；

(4)如果给定一个具体很多属性和元组的训练数据集，计算P(X|C_i)的开销就会非常大，一般假定各属性值有条件地相互独立，这样先验概率可以通过下式从训练数据集求得：P(X₁|C_i)，P(X₂|C_i)，……，P(X_n|C_i)；

(5)对某个未知样本X，可以计算出样本X属于每一个类别C_i的概率P(X|C_i)P(C_i)，并把其分配给其中最大概率的类别。

所述数据处理包括数据切换模块，数据切换模块采用如下模型：

f(x(k))＝clnx(k)+d；

式中：

x(k)：系统原始行为数据序列；

f(x(k))：为非负变换；

C：c≥max{x(k)k＝1，2，…，n}，x(k)＞e。

d：为一常数。

所述知识图谱采用动态权重调整算法的具体过程如下：

对于每一个训练样例，首先从本文中提取样例中的实体词集合V′＝(υ₁，υ₂，...，υ_m)，对于某个实体词vi，通过如下公式计算vi的权重；

其中，υ_i代表V’中的某个实体词，υ_i代表V’中除υ_i外其他的任意实体词。α为调整系数，用来控制权重调整的比率，每个实体词的初始权重initial weight为1。