[发明专利]考虑相似约束的病历主题获取方法及装置

权利要求书

1.一种考虑相似约束的病历主题获取方法，其特征在于，所述方法包括：

计算初始病历中任意两个病历文档之间的相似度，得到所述相似度大于或等于相似度阈值的多个病历文档构成的相似性约束病历集合；

将所述相似性约束病历集合中各病历文档依次输入到预设LDA模型，通过所述预设LDA模型推导各病历文档的文档-主题分布和主题-单词分布；

通过所述预设LDA模型推导各病历文档的文档-主题分布和主题-单词分布包括：

对所述相似性约束病历集合中各病历文档中每个单词随机赋予主题编号z；

重新扫描所述相似性约束病历集合，对每个单词按照重新采样主题，使得到的新主题满足Gibbs Sampling收敛；其中，表示单词分布为k的概率；

统计语料库中主题-单词共现频率矩阵，得到文档-主题分布和主题-单词分布；

所述预设LDA模型包括：

任意两个病历文档相似性约束采用主题分布距离dis(θr^m，θrⁿ)表示，公式为：

其中θr^m＝{θ_m,1,θ_m,2,…,θ_m,Lm}，表示每个病历文档包括L_m个病程记录；θ_m,Lm表示第L_m个病程记录的主题；d(θ_m,Lm,θ_n,Ln)表示为两个病程的主题向量之间的欧式距离；θrⁿ＝{θ_n,1,θ_n,2,…,θ_n,Ln}，表示每个病历文档包括L_n个病程记录；θ_n,Ln表示第L_n个病程记录的主题；

所述预设LDA模型还包括Gibbs-EM迭代函数，为：

代表相似性约束病历集合中主题为k的单词i的数量；先验狄利克雷分布参数(α,β)；病历集合单词总数V；预设LDA模型μ_mk代表病历文档m属于主题k的概率。

2.根据权利要求1所述的病历主题获取方法，其特征在于，计算初始病历中任意两个病历文档之间的相似度包括：

获取病历的多个相似性计算因素及各相似性计算因素的权重值；

分别计算任意两个病历文档关于各相似性计算因素的数值；

根据各相似性计算因素的数值和各相似性计算因素的权重值计算所述任意两个病历文档的相似度。

3.根据权利要求2所述的病历主题获取方法，其特征在于，所述相似性计算因素包括：性别属性的距离、年龄所属分段的距离、诊断结果的距离。