[发明专利]生物医学知识图谱实体清洗装置、方法、系统及存储器

权利要求书

1.一种生物医学知识图谱实体清洗方法，包括：

从多个知识库中获取疾病词表、药物副作用词表、基因词表和蛋白酶词表；

统一疾病词表、药物副作用词表、基因词表和蛋白酶词表的同义词字符格式；

将具有相同同义词的实体合并成一组同义词，并为其确定一个统一名称；

对统一名称后的实体进行统一字符格式操作；以及

将统一字符格式后的实体进行同义词替换。

2.如权利要求1所述的生物医学知识图谱实体清洗方法，其特征在于，统一疾病词表、药物副作用词表、基因词表和蛋白酶词表的同义词字符格式包括将所有字母转为小写，替换非数字字母为空格，连续空格替换为单空格，最后去除首尾的空格。

3.如权利要求1所述的生物医学知识图谱实体清洗方法，其特征在于，将具有相同同义词的实体合并成一组同义词，并为其确定统一名称包括：对疾病和药物副作用实体：

如果疾病词表中存在某个同义词对应多个实体，则将该词独立作为一个实体；以MeshMiner为主疾病词表，并以MESH_ID作为唯一ID，其他疾病词表中具有相同MESH_ID的词合并为MeshMiner中对应实体的同义词；如果其他疾病词表的同义词与MeshMiner同义词对应实体不同，则去除其他疾病词表的同义词，保证唯一性；对药物副作用词表去除在以上得到疾病同义词表中已经存在的同义词，然后将其与以上得到疾病同义词表合并。

4.如权利要求1所述的生物医学知识图谱实体清洗方法，其特征在于，将具有相同同义词的实体合并成一组同义词，并为其确定一个统一名称包括：对基因和蛋白酶实体：

如果基因词表、蛋白酶词表中存在某个同义词对应多个实体，则将该词独立作为一个实体；对蛋白酶词表去除在基因同义词表中已经存在的部分，然后将其与以上得到基因同义词表合并。

5.如权利要求3或4所述的生物医学知识图谱实体清洗方法，其特征在于，如果A与B为同义词，B与C为同义词，则A、B、C是一组同义词，并将A作为这一组词的统一名称；

如果两个词不存在相同同义词，那么它们就不是同义词，从而识别出词向量距离极小的非同义词。

6.如权利要求1所述的生物医学知识图谱实体清洗方法，其特征在于，对统一名称后的实体进行统一字符格式操作包括将所有字母转为小写，替换非数字字母为空格，连续空格替换为单空格，最后去除首尾的空格。

7.如权利要求1所述的生物医学知识图谱实体清洗方法，其特征在于，如果一个实体存在同义词，将其替换成所述同义词。

8.一种生物医学知识图谱实体清洗装置，所述装置包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器被配置为执行如权利要求1至7任一项所述方法的步骤。

9.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

10.一种生物医学知识图谱实体清洗系统，包括：

数据获取单元，所述数据获取单元从多个知识库中获取疾病词表、药物副作用词表、基因词表和蛋白酶词表；

第一格式统一单元，所述第一格式统一单元统一疾病词表、药物副作用词表、基因词表和蛋白酶词表的同义词字符格式；

实体合并单元，所述实体合并单元将具有相同同义词的实体合并成一组同义词，并为其确定一个统一名称；

第二格式统一单元，所述第二格式统一单元对统一名称后的实体进行统一字符格式操作；以及

同义词替换单元，所述同义词替换单元将统一字符格式后的实体进行同义词替换。