[发明专利]一种基于贝叶斯估计的医疗知识图谱辅助推理方法

权利要求书

1.一种基于贝叶斯估计的医疗知识图谱辅助推理方法，其特征在于，所述方法包括：

A将病例进行碎片化处理、实体抽取和实体消歧，把病例的文本不同维度的属性数据规范化并统一入库；

B对格式化的病例数据提取实体，并使用贝叶斯算法对症状共现矩阵和症状概率矩阵进行参数估计；并将估计出的结果进行权重归一化并保存到知识图谱中用做推理模型的权重输入；

C将对症状共现矩阵和症状概率矩阵进行参数估计生成的参数数据导入到知识图谱中；

D对描述的病情或病例数据进行解析，辅助推理得到最终结果；

所述步骤B中：使用贝叶斯算法对症状共现矩阵和症状概率矩阵进行参数估计具体包括：

确定参数的似然函数，贝叶斯公式为：

其中，P(A|B)为：在症状共现矩阵中为B症状出现的基础上A症状出现的概率或在症状概率矩阵中为B疾病出现A症状的概率；P(B|A)为：在共现矩阵中为A症状出现的基础上B症状出现的概率或在症状概率矩阵中为A症状情况下出现B疾病的概率；P(A)和P(B)为单个疾病或症状在样本中出现的概率；

确定参数的先验分布，为后验分布的共轭先验，继而确定参数的后验分布函数；

根据贝叶斯公式求解参数的后验分布；

所述步骤C包括共现矩阵的导入和症状概率矩阵的导入；所述共现矩阵的导入包括：症状共现关系的权重，其共现矩阵计算公式如下：

其中a_k是症状信息，k为信息个数；Pa_k-1a_k为信息a_k-1和a_k的共现概率；

症状概率矩阵的导入包含疾病中各种症状出现的概率，在图谱中已经包含了相关的推理知识，概率矩阵如下：

其中，b_n是疾病，n为疾病个数；Pa_kb_n为疾病b_n出现症状a_k的概率；

所述辅助推理的计算公式为：

r＝max(r₁,r₂,...,r_n)

其中：

其中，P_aa为症状共现关系的概率参数来源于共现矩阵，d_a为症状实体的权重，P_ab为症状推理疾病的概率参数来源于概率矩阵；w₁，w₂，w₃分别为具有共现关系症状权重，没有共现关系症状权重和由症状推理疾病的权重；b_i为当前路径上的疾病。

2.如权利要求1所述的基于贝叶斯估计的医疗知识图谱辅助推理方法，其特征在于，所述步骤D中辅助推理包括三步：

(1)病例数据碎片化经过实体抽取和实体消歧形成最终实体；

(2)在知识图谱中查询相关实体找到所在节点并获取所有症状到疾病的路径和其相关节点权重；

(3)将相关参数代入辅助推理算法得到最优路径并由此推理出相关疾病的结果。