[发明专利]医院门户网站门诊专家信息抽取系统

说明书

技术领域

本发明属于医学信息学领域，具体涉及一种医院门户网站门诊专家信息抽取系统。 

背景技术

目前，绝大多数医院的门户网站上都会有该医院专家信息（职称、科室、擅长领域、门诊时间等）的介绍。经过对江苏省二级甲等以上的医院的门户网站进行了统计，结果显示，90%以上的医院网站上均有专家信息的介绍以及门诊时间，在抽查的样本中，40%左右的信息是以静态页面的形式呈现（也称浅层网，surface web），其余均以查询的方式呈现（也称深层网，deep web）（M.K. Bergman. The Deep Web: Surfacing Hidden Value[J]. The Journal of Electronic Publishing.2001,7(1):8912-8914），即需要通过参数查询的方式才能获取到需要的专家信息。无论是浅网数据，还是深层网数据，如果在某一区域范围内，能够将各个医院所有的专家信息进行收集，并集成到社区居民电子健康档案系统数据库当中，将为社区居民的就医提供极大的便利。 

信息抽取（Information Extraction，IE）指的是利用相关的算法，从未知的用自然语言描述的文档中，抽取具有固定格式的、无歧义的以及结构化或半结构化的信息。（Thanaa M. Ghanem, Walid G. Aref. Databases Deepen the Web[J]. IEEE Computer Society Press Los Alamitos, 2004, 37(1): 116-117.）。目前信息抽取的主要对象是具有海量非结构化数据的业务系统，如电子病历系统（王理,张远鹏,董建成.利用领域关联知识从电子病历中抽取检查数据[J].中华医院管理杂志,2014,3(30):210-213），或者是Web资源。本文所抽取的对象是web资源。关于Web页面的信息抽取，国内外已经有大量的文献报道。伊利诺伊大学厄本那-香槟分校的研究人员（MetaQuerier Research Group. Aceessible at http://metaquerier.es.uiuc.edu/ Oetober,2005）利用谷歌搜索引擎和Web目录服务人工收集了8个领域的441个Deep Web中的477个查询接口，构建了TEL-8数据集，为后续的研究奠定了基础。J Cope等（J Cope,N Craswell, D Hawking. Automated Discovery of search Interfaces on the web[C]. Proceedings of the l4th Australasian database conference, 2003, 143:181-189）在deep web数据抽取时，根据web表单特征，利用C4.5算法，构建表单分类器，但是该方法的准确率和正确率并不高，不能满足实际抽取的需要。本文在J Cope的研究基础上，通过构建领域模型，实现查询接口的分类和二次判别。对于返回的查询结果，往往包含许多与抽取主题无关噪声信息，对于噪声信息的过滤，目前大多数采用的是基于规则的方法，例如，Yan Fu（Yan F, Dongqing Yang, Shiwei Tang. Using XPath to Discover Informative Content Blocks of Web Pages[C]. Proceedings of the third International Conference on Semantics, Knowledge and Grid. SKG, 2007, 450-453）等人提出了XPath算法，并将该方法在5类不同的网页数据上进行测试，准确率和正确率分别为92%和83.2%。但是，该方法的使用需要有一个重要的前提，即抽取的网页需要具备类似的布局，当抽取的网页数量非常庞大时，这一前提很难保证，因此，基于规则的方法具有一定的局限性。 

对于医院门户网站门诊专家信息的抽取，所用技术主要体现在查询接口（web表单）的发现和筛选以及信息抽取时噪声信息的过滤。