[发明专利]基于机器学习的电子病历词库训练方法

权利要求书

1.基于机器学习的电子病历词库训练方法，其特征在于，基于机器学习的电子病历词库训练方法的实现过程如下：

第一步，统计电子病历语料库中出现单字或双字的频率，并统计与该单字或该双字前后连接字的相关信息f；

具体算法如下：

定义1：设稳定的单字w所满足的条件为E_L(w)＞K₁，且E_R(w)＞K₁，其中

E_L(w)是单字w的左熵值，E_R(w)是单字w的右熵值，K₁是阈值；

P(aw|w)是指单字w在所满足的条件下，该单字w与左边的连接字a的组合概率；

P(wb w)是指单字w在所满足的条件下，该单字w与右边的连接字b的组合概率；

当一个单字w的E_L(w)与ER(w)都大于设定的阈值K₁时，就认为该单字w是稳定的，并将这个稳定的单字w加入到初始的分词词库中；

第二步，对分词词库中的单字和双字使用互信熵，选择大于阈值K₁＝10.8的词加入词库，作为初始词库；

具体算法如下：

定义2：设稳定的双字w₁w₂所满足的条件为MI(w₁w₂)＞K₂，其由

MI(w₁w₂)是用来判断两字符串的紧密程度，称为双字w₁w₂的互信息，p(w₁w₂)是双字w，w₂的邻接同现概率，p(w₁)，p(w₂)是w₁和w₂各自的概率，近似等于它们出现的概率除以电子病历语料库的大小，互信息越大，两个汉字结合的紧密程度越高；互信息越小，结合的紧密程度越低；所以当双字的互信息超过某一阈值K₂，则认为是稳定的双字w₁w₂，并将稳定的双字w₁w₂加入初始词库；

第三步，有了初始词库，使用正向最大匹配，对电子病历语料库进行切分，对切分出来的字串按频率排序输出并记下字串数量seg_num；

具体算法如下：

定义3：高信度字串s＝w₁w₂…w_n所满足的条件为R(s)＞K₄；

其中，R(s)＝ct(s)*bk(s)；

ct(s)代表字串s在搜索页面中出现的频数，bk(s)代表字串s在搜索页面中是否被百度百科或者维基百科收录，K₄是阈值；

因为字串s搜索返回的是显示有十条结果的第一个搜索页面，如果在第一个搜索页面中ct(s)大于20时，则认为字串s在搜索页面中出现的频数大；

另外设定当字串s没被百度百科或者维基百科收录时则bk(s)＝1，当字串s被百度百科或者维基百科收录时则bk(s)是大于K₄的一个常数；

第四步，对切分产生的字串按频率排序；

然后对频率排序前H＝2000的字串进行搜索引擎，若字串是被搜索引擎收录了的词条则将该字串作为词加入词库；

或者在搜索页面的文本中出现的次数超过阈值R＝60，也将该字串作为词加入词库；

第五步，更新词库后，重复第三步和第四步进行迭代；

当搜索引擎收录的词条数量searh_num＝0时，结束迭代；

当字串数量seg_num小于设定值Y＝5000时，进行第四步的最后一次迭代，并将频率排序前H数量设定为H＝seg_num，执行完后结束迭代，所形成的词库就是我们需要的医疗用语通用词库；

在第一步中阈值K₁由下列方式获得：

阈值K₁＝专家认可值Q1+群众认可值Q2+修正因子Q3即

K₁＝Q₁+Q₂+Q₃

专家认可值Q1为在设定时间T1内填写电子病历的若干个医生所给定认可值的平均认可值W1获得；

群众认可值Q2为在设定时间T1内由若干个群众所给定认可值的平均认可值W2的获得；

分别获取连接字a的熵值a1和连接字b的熵值b1，

修正因子Q3＝2(a1+b1)÷|(a1-b1)|；

所述时间T1为设定的周期性时间；

所述连接字a的熵值a1为该连接字a的右熵值；所述连接字b的熵值b1为该连接字b的左熵值；

该电子病历词库训练方法能从电子病历词库中训练出医疗用语通用词库；能为医院自动化训练电子病历专有词库，为电子病历结构化提供知识库支撑。