[发明专利]基于知识图谱的归因分析方法、装置和系统

说明书

本发明公开一种基于知识图谱的归因分析方法、系统及设备，通过构造领域知识图谱，利用图谱抽取子图，构造结构先验知识，最后利用训练学习的贝叶斯网络进行归因分析，可以有效利用专家经验，降低模型对样本量的要求，提升模型的性能，加速模型训练速度，在缺乏心理疾病或睡眠障碍大数据的情况下能够将专家经验结合模型训练得到有效的分析结果。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于知识图谱的归因分析方法、装置和系统。

背景技术

随着现代社会节奏加快，生活压力增大，心理健康也日益成为职场人士重点关注的对象，抑郁症、神经衰落等精神或心理引发的疾病越来越困扰很多人，通过大数据方式对患者的检查结果进行人工智能算法建立模型可以辅助医生或者医务工作者提供更多科学的判断，如何有效利用这些数据，提供更好决策是急需解决的科学问题。随着影响疾病判断的因素不断增多，指标的变化成为常态，如何挖掘出促进指标增长的潜在因素正成为一个难题。

发明内容

针对上述缺陷，本发明要解决的技术问题是如何利用好影响的心理或睡眠障碍的各种因素的大数据和不断增多的维度以进行更科学的判断。

针对上述缺陷，本发明的目的在于提供一种基于知识图谱的归因分析方法、系统及电子设备、计算机存储介质和程序产品。

根据本说明书的实施例的一方面，提供一种基于知识图谱的归因分析方法，用于服务器端，通过算法模型，对收集到的数据进行实体抽取，利用图数据库对知识进行存储，结合业务专家经验构建知识图谱；

根据知识图谱和输入信息，抽取相关子图，构造结构先验，结合训练样本，学习建立贝叶斯网络模型；

利用学习建立的贝叶斯网络模型进行归因分析。

优选的，算法模型包括自然语言处理、深度学习和知识图谱技术。

优选的，实体抽取包括关系抽取、事件抽取、实体消歧、知识融合和知识处理。

优选的，构造结构先验通过抽取子图结构，直接构造贝叶斯网络结构参数分布，再结合样本，共同学习贝叶斯网络结构。

优选的，构造结构先验统计出样本中变量的频数以及变量间的频数，计算得到变量的平均频数以及变量间的平均频数，根据子图结构，将父节点作为尾节点，子节点作为头节点，利用所述频数和平均频数得到节点间的概率分布，根据子图结构，重复构造节点间的概率分布，将得到的子图概率分布作为结构先验参数，结合样本学习得到贝叶斯网络结构。

优选的，构造结构先验在打分函数中加入惩罚因子，使得先验结构融合到后验结构中。

本发明提供一种基于知识图谱的归因分析方法，应用于互联网医疗平台，收集用户输入的医疗诊断检查数据，通过算法模型，对数据进行实体抽取，利用图数据库对知识进行存储，结合医生专家经验构建知识图谱；

根据知识图谱和输入信息，抽取相关子图，构造结构先验，结合训练样本，学习建立贝叶斯网络模型；

利用学习建立的贝叶斯网络模型进行归因分析形成分析结果。

优选的，医疗诊断检查数据包括文本数据和图片数据。

优选的，实体抽取包括睡眠障碍与医疗诊断检查数据关系抽取、与用户行为事件抽取、专家经验实体消歧、疾病和症状知识图谱知识融合和知识处理。

优选的，抽取子图利用图神经网络模型对图中节点之间的关系进行预测，挖掘更多因果关系。

优选的，方法结合专家经验，构建相关业务领域的知识图谱，基于图片抽取相关子图，在子图上利用图神经网络模型进行节点之间关系的预测，挖掘更多因果关系，构造贝叶斯网络机构先验分布，结合样本学习贝叶斯网络。