[发明专利]一种基于关键词的中医病情文本关键语义信息提取方法

说明书

本发明公开了一种基于关键词的中医病情文本关键语义信息提取方法，包括以下步骤：(1)对中医病情文本进行分句、分词处理；(2)对分句、分词处理结果生成依存句法树；(3)初始化中医病情文本中的关键词，生成关键词队列；(4)基于依存句法树，对关键词队列中的任意词为起始点，在依存句法树中进行向上搜索和向下搜索，搜索得到的词语标记为关键语义信息。该方法以关键词作为提取关键语义信息的一个特征，通过依存句法树来获得最终结果。

技术领域

本发明属于自然语言处理技术领域，具体涉及一种基于关键词的中医病情文本关键语义信息提取方法。

背景技术

中医药是我国医学科学的特色。目前。我国在中医药信息化上取的了不错的进展，为中医药智能化打下了良好的基础。中医药信息化建设主要体现在2个方面：1)中医药文献信息化方面；20世纪80年代，《黄帝内经素问》、《本草纲目》等10多部中医药书籍实现数字化检索；2)中医药基础数据库建设方面。1998年开始，吴朝晖教授带领的团队联合全国30多个中医药研究机构，经过近300名中医药科学工作者的努力，在全国范围内建成了17个分中心的分布式多融合平台，已经集成了50多种中医药基础数据库。

随着人工智能的快速发展，带动了智能医疗的发展，不同于西医有许多医学图像数据，对中医来说，中医智能医疗主要是对中医病情文本的处理，其中病情文本往往包括一些西医检测数据，比如血常规、尿常规等数据，这些数据给基于文本分析的算法带来了一定困扰，另外，对于中医病情文本来说，往往更加关注病症、病位、病症严重程度及病症有无关系等信息，因此提取中医病情文本中的关键语义信息是有必要的。

目前，关键语义信息提取可以分为2大类，一类是有监督的实体识别算法来抽取关键语义信息，另一类是基于主谓宾结构来抽取关键语义信息。有监督的方法需要大量标注数据，基于主谓宾结构的虽然是无监督的方法，但需要句子主谓宾结构明显，因此，急需一种方法能够具备以下特征：

1)无监督方法。无监督方法可以减少标注成本，极大地减少了人力成本；

2)应对语法不规范，主谓宾不全的文本。对于中医病情文本来说，其往往会忽略主语或者句子其他成分，如“出现咳嗽”，只有谓语和宾语，因此，提取中医病情文本关键语义信息需要考虑到主谓宾不齐全这样的语法特征；

3)运行效率高等。一般地，实体识别都是基于深度学习的，网络参数多，运行效率慢。

发明内容

本发明的目的在于提出一种基于关键词的中医病情文本关键语义信息提取方法，以关键词作为提取关键语义信息的一个特征，通过依存句法树来获得最终结果。

为实现上述发明目的，本发明提供以下技术方案：

一种基于关键词的中医病情文本关键语义信息提取方法，包括以下步骤：

(1)对中医病情文本进行分句、分词处理；

(2)对每句分词结果生成依存句法树；

(3)初始化中医病情文本中的关键词，生成关键词队列；

(4)基于依存句法树，以关键词队列中的任意词为起始点，在依存句法树中进行向上搜索和向下搜索，搜索得到的词语标记为关键语义信息。

本发明中，主要是依据中医病情文本中的“；”和“。”等中文断句标点，对中医病情文本进行分句。同时，采用语言技术平台(LTP)或者结巴中文分词工具对中医病情文本进行分词处理。

采用哈工大的LTP工具进行分词时，加载领域词典、停用词表。其中，领域词典是中医领域相关术语集合，停用词典是中医领域相关的停用词表，比如“病人”、“病史”等词。