[发明专利]一种基于深度学习的中文医学知识图谱构建方法

权利要求书

1.一种基于深度学习的中文医学知识图谱构建方法，其特征在于，从全网提取与医学领域相关的结构化、半结构化与非结构化的数据，并利用深度学习技术从中抽取出相关信息，最终完成垂直医疗领域的知识图谱构建任务；

该方法具体包括以下步骤：

(1)从数据源获取医疗领域相关数据

获得包括百科类站点、医疗领域类站点和医疗专业名词库的数据；其中，对结构化数据直接存储以作为后续的训练集，对于非结构化数据在存储后用于后续的知识单元抽取；

(2)知识单元抽取

使用分词工具对非结构化数据进行分词，然后使用循环神经网络完成序列标注任务，根据序列标注的结果识别出医疗相关的实体，实现知识单元的抽取；

在该步骤中，先训练出适用的神经网络以用于序列标注；具体包括：

(2.1)通过对实体的特征进行构造，得到实体的特征向量；

(2.2)结合已收集的结构化数据对训练集进行标注；

(2.3)训练神经网络，得到一个能对非结构化数据分词结果进行标注的循环神经网络；

(3)知识单元间关系识别

对知识单元抽取过程中得到的实体进行特征向量的构建，然后使用循环神经网络进行序列标注，并根据序列标注的结果完成知识单元间关系的识别；

在该步骤中，先训练出适用的神经网络以用于序列标注；具体包括：

(3.1)根据知识单元抽取步骤中获得的实体识别结果，提取语料中所有的实体；通过对实体的特征进行构造，得到实体的特征向量；

(3.2)结合已收集的结构化数据构成的语义关系网络进行自动标注，其余的实体则按照多数原则进行标注；

(3.3)将已标注的数据集的70％作为训练集进行循环神经网络的网络训练，在训练收敛后，用剩下的30％进行测试，并根据测试结果来调整网络结构或训练参数；训练完成后，再利用循环神经网络结合收集到的非结构化数据对知识单元抽取出来的实体进行关系标注；

(4)实体对齐

查找具有不同标识实体但代表同一对象的实体，并将其归并为具有全局唯一标识的实体对象添加到知识图谱中；

(5)知识图谱的构建

利用提取的实体以及实体之间的关系构建知识图谱；

在步骤(2.1)和步骤(3.1)中，所述对实体的特征进行构造是指，针对医疗领域的实体特点来定义特征，并构造特征向量；所述特征是指基于上下文的特征、基于语义标签的特征或基于医学词典的词向量特征中的任意一种；其中，

所述基于上下文的特征是指：

文本中单词的含义与这个单词在文本中出现位置前后的单词有很大关联，在对医学领域实体进行识别时，以目标词为中心，前后的若干个单词为该词的上下文，并将其作为该词的特征使用；

对于任意文档d以及文档d中的每一个词w，定义上下文窗口context＝[-t，+t]，应用上下文特征提取算法得到每一个w对应的上下文特征f_ctx(w)；

将语料库corpus中所有文档中的每个词w对应的上下文特征f_ctx(w)汇总，即可得到该语料库的全部上下文特征集合F_ctx(corpus)；

由于每次抽取多个单词组成一个特征导致特征的稀疏程度较大，而多数文档仅包含几个特征并且每个特征仅出现一次，故采用二元值{0，1}而非特征的频率定义特征在向量中的分量值；

设语料库中全部文档抽取得到全部上下文特征集合为F_ctx(corpus)，则对于该语料库下述公式将上下文特征f_ctx(w)转化为特征向量v_ctx(w)：

其中i＝1，...，|F_ctx(corpus)|，表示特征的总个数；V_ctx(w)为单词w的上下文特征向量；为V_ctx(w)的第i个分量；fⁱ为特征向量第i个分量对应的特征。

2.根据权利要求1所述的方法，其特征在于，从数据源获取医疗领域相关数据时，若缺少结构化数据，则直接提取其中所有的内容作为非结构化数据存储；若为半结构化数据，则按照小标题名、属性名和相关链接名的关系进行存储。