医疗内容推荐方法、装置、设备及存储介质与流程

1.本技术涉及信息处理的技术领域，尤其涉及一种医疗内容推荐方法、装置、设备及计算机可读存储介质。


背景技术：

2.推荐系统已经成为当前互联网应用中的重要部分，它对提升用户体验、为用户提供感兴趣的内容、商品起到重要作用。当前的主流推荐系统主要通过对用户浏览过的内容进行分析，需要获取大量的用户行为信息和记录，整理规律并推荐相似内容，这套方法对用户的行为记录量，浏览内容复杂程度等都有较高要求，特别在医疗领域，浏览内容会更为复杂，且会出现用户查找的说法与行内规定说法不一，导致信息整理更为困难。部分公司积累大量数据信息，但因此也容易出现信息冗余的情况，导致最终的推荐效果不尽人意；而且当数据库内容不足时容易出现无内容推荐的情况，导致最终推荐的结果无法符合用户的需求。


技术实现要素：

3.本技术的主要目的在于提供一种医疗内容推荐方法、装置、设备及计算机可读存储介质，旨在提高医疗内容推荐的准确性，以及能够实现无场景的医疗内容推荐。
4.第一方面，本技术提供一种医疗内容推荐方法，所述医疗内容推荐方法包括以下步骤：
5.获取终端发送的请求信息；
6.将所述请求信息输入至医疗知识图谱模型中，得到内容推荐图，所述内容推荐图包括多个第一医疗信息节点及所述多个第一医疗信息节点的连接关系；
7.基于图神经网络学习模型，确定所述内容推荐图的同构子图，所述同构子图中至少有一个第二医疗信息节点与所述第一医疗信息节点的信息相似度大于预设的信息相似度阈值；
8.基于图谱嵌入模型，根据所述第一医疗信息节点确定一个或多个医疗信息三元组，以及根据所述第一医疗信息节点对应的连接关系和所述医疗信息三元组确定目标医疗信息；
9.将所述同构子图和所述目标医疗信息进行融合，得到用于应答所述请求信息的推荐信息。
10.第二方面，本技术还提供一种医疗内容推荐装置，所述医疗内容推荐装置包括：
11.请求信息获取模块，用于获取终端发送的请求信息；
12.内容推荐图确定模块，用于将所述请求信息输入至医疗知识图谱模型中，得到内容推荐图，所述内容推荐图包括多个第一医疗信息节点及所述多个第一医疗信息节点的连接关系；
13.同构子图确定模块，用于基于图神经网络学习模型，确定所述内容推荐图的同构
子图，所述同构子图中至少有一个第二医疗信息节点与所述第一医疗信息节点的信息相似度大于预设的信息相似度阈值；
14.目标医疗信息确定模块，用于基于图谱嵌入模型，根据所述第一医疗信息节点确定一个或多个医疗信息三元组，以及根据所述第一医疗信息节点对应的连接关系和所述医疗信息三元组确定目标医疗信息；
15.推荐信息确定模块，用于将所述同构子图和所述目标医疗信息进行融合，得到用于应答所述请求信息的推荐信息。
16.第三方面，本技术还提供一种计算机设备，所述计算机设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的计算机程序，其中所述计算机程序被所述处理器执行时，实现如上述的医疗内容推荐方法的步骤。
17.第四方面，本技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如上述的医疗内容推荐方法的步骤。
18.本技术提供一种医疗内容推荐方法、装置、设备及计算机可读存储介质，方法包括：获取终端发送的请求信息；将所述请求信息输入至医疗知识图谱模型中，得到内容推荐图，所述内容推荐图包括多个第一医疗信息节点及所述多个第一医疗信息节点的连接关系；基于图神经网络学习模型，确定所述内容推荐图的同构子图，所述同构子图中至少有一个第二医疗信息节点与所述第一医疗信息节点的信息相似度大于预设的信息相似度阈值；基于图谱嵌入模型，根据所述第一医疗信息节点确定一个或多个医疗信息三元组，以及根据所述第一医疗信息节点对应的连接关系和所述医疗信息三元组确定目标医疗信息；将所述同构子图和所述目标医疗信息进行融合，得到用于应答所述请求信息的推荐信息。本技术通过医疗知识图谱模型，对请求信息进行规范化处理，并通过从医疗知识图谱模型得到的内容推荐图确定同构子图以及预测目标医疗信息，可以实现无场景的医疗内容推荐以及提高医疗内容推荐的准确性。
附图说明
19.为了更清楚地说明本技术实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1为本技术实施例提供的一种医疗内容推荐方法的流程示意图；
21.图2为实施本技术实施例提供的医疗内容推荐方法的一场景示意图；
22.图3为实施本技术实施例提供的医疗内容推荐模型的示意性框图；
23.图4为实施本技术实施例提供的医疗内容推荐方法的一知识图谱示意性框图；
24.图5为本技术实施例提供的一种医疗内容推荐装置的示意性框图；
25.图6为本技术一实施例涉及的计算机设备的结构示意框图。
具体实施方式
26.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本申
请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
27.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
28.本技术实施例提供一种医疗内容推荐方法、装置、计算机设备及计算机可读存储介质。其中，该医疗内容推荐方法可应用于终端设备中，该终端设备可以是平板电脑、笔记本电脑、台式电脑等电子设备。也可以应用于服务器中，该服务器可以是单独的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
29.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
30.请参照图1，图1为本技术的实施例提供的一种医疗内容推荐方法的流程示意图。
31.如图1所示，该医疗内容推荐方法包括步骤s101至步骤s105。
32.步骤s101、获取终端发送的请求信息。
33.示例性的，如图2所示，可以从获取源终端发送的请求信息，并对请求信息进行处理得到推荐信息后，将推荐信息发送至目标终端和/或源终端。
34.示例性的，终端发送的请求信息可以包括疾病名词、药物名词、症状名词、身体不适对应的形容词，药物对应的作用等等。例如，请求信息可以是“身体发热且头晕”，也可以是“糖尿病的药物”或“糖尿病药物的作用与副作用”等。
35.示例性的，在终端中可以获取用户的请求语音，并将请求语音转换为请求信息。可以通过文本转化模型对请求语音进行识别，以得到请求信息，可以理解的，请求信息也可以是用户输入的文本信息。
36.示例性的，请求信息可以是阅读的医学文章，通过对文章进行关键词挖掘，可以得到文本形式的请求信息，可以理解的，浏览的历史可以作为输入的文本信息。
37.示例性的，在医生进行诊断或患者进行自查时，可以将病症、病状或需求输入至医药内容推荐模型中，以使医药内容推荐模型根据输入的请求信息进行医药内容的推荐，可以理解的，推荐的医药内容可以包括药物、症状的解释、主治的医生等等。其中，如图3所示，医药内容推荐模型可以包括医疗知识图谱模型、图神经网络学习模型以及图谱嵌入模型，以完成所撰述的医疗内容推荐方法。
38.步骤s102、将所述请求信息输入至医疗知识图谱模型中，得到内容推荐图，所述内容推荐图包括多个第一医疗信息节点及所述多个第一医疗信息节点的连接关系。
39.示例性的，将请求信息输入至医疗知识图谱模型中，以使请求信息在医疗知识图谱模型的预设医药图谱中查找到对应的第一医疗信息节点，并生成内容推荐图进行输出。
40.可以理解的，医疗信息节点与医疗信息存在一一对应的关系，医疗信息包括但不限于某种药物信息、某种药物作用、主治医师信息、病症信息。
41.其中，预设的医药图谱可以根据多个医院的数据库、例如药物库、处方库、疾病库以及医生的出诊信息构成，其中，药物库、处方库和疾病库还可以通过现有的医学文献、药
物说明书、病例等等进行信息的获取构成的数据库。
42.可以理解的，医疗知识图谱中包括多个不同层级的医疗信息节点，其中，每一个层级可以具有多个医疗信息节点，医疗信息节点可以用于指示医疗信息，例如，第一层级的存在一个医疗信息节点，用于指示糖尿病，该医疗信息节点的子节点位于第二层级，可以包括用于指示糖尿病症状的医疗信息的子节点，以及指示糖尿病诱因的医疗信息的子节点。
43.示例性的，通过确定多个个第一医疗信息节点，能够构成一个内容推荐图。
44.在一些实施例中，所述将所述请求信息输入至医疗知识图谱模型中，得到内容推荐图，包括：基于所述医疗知识图谱子模型的关键词提取层，对所述请求信息进行关键词提取处理，得到一个或多个医疗信息关键词和一个或多个关系词；基于所述医疗知识图谱子模型中预设的医疗知识图谱，根据所述医疗信息关键词和关系词确定内容推荐图。
45.示例性的，对请求信息进行分词并提取关键词处理，以得到一个或多个医疗信息关键词和一个或多个关系词。
46.例如，医疗信息关键词可以是药物名称、药物作用以及症状的说法，症状可以是“发热”，关系词可以是
“……
的作用”，
“……
的症状”等，通过检测介词“的”和/或其他介词，能够确定关系词。
47.示例性的，还可以从终端的网页访问记录中确定医疗信息关键词和关系词。
48.需要说明的是，请求信息中的语句可能与医疗知识图谱中的医疗信息节点对应的语句存在差异，因而通过请求信息中的语句进行查询可能会导致无法查询到对应的医疗信息节点，从而导致计算精度下降。为避免上述问题，可以将请求信息中的语句进行标准化，以基于请求信息中的语句语义，转化语句中的词组，以使转化后的词组能够在医疗知识图谱中进行查询，以提升内容推荐图的生成准确度。
49.对请求信息进行分词后，得到多个词组，在医疗知识图谱对应的词组库中，可以理解的，可以通过实体命名识别进行分词，然后通过es召回预设数量的备选词，例如召回10个备选词，将备选词和词组输入至关键词提取层的距离得分计算层、nel模型得分计算层、业务规则得分计算层进行备选词的得分值的计算，并将距离得分计算层的计算结果、nel模型得分计算层的计算结果、业务规则得分计算层的计算结果赋予对应的权重，例如均赋予1/3的权重，得到各得分计算层的计算结果后，进行加权相加，确定得分值最高的备选词，并确定为医疗信息关键词。可以理解的，赋予的权重可以依照实际情况进行调整，在此不予限定。
50.其中，在nel模型得分计算层中，对词组与备选词进行分割，并同时进行计算得分，例如，输入分词得到的词组后，将词组整合成序列，并在序列的开始端插入起始符，在结尾端插入分隔符，同时将多个备选词整合成序列，拼接在分隔符之后，在nel模型得分计算层对起始符、词组、分隔符以及备选词进行向量化处理，并基于调整后的bert子模型层，对始符、词组、分隔符以及备选词对应的向量进行处理，得到词组中每一个字符的对应的token向量，以及备选词中每一个字符对应的token向量，并将词组中每一个字符的对应的token向量和备选词中每一个字符对应的token向量输入至softmax层中进行分类处理，得到词组与备选词的得分。从而根据得分确定词组对应的医疗信息关键词。
51.可以理解的，对每一个词组均确定唯一对应的医疗信息关键词，以得到请求信息的一个或多个医疗信息关键词。
52.在一些实施例中，所述根据所述医疗信息关键词和关系词确定内容推荐图，包括：在预设的医疗知识图谱中查找与所述医疗信息关键词对应的目标节点；根据所述关系词确定所述目标节点对应的子节点；将所述目标节点以及所述目标节点的子节点连接，得到内容推荐图。
53.示例性的，预设的医疗知识图谱中包括多个医疗信息节点，可以通过医疗信息关键词对医疗知识图谱进行查找，以得到对应的医疗信息节点。可以理解的，节点之间还存在连接关系，例如如图4所示，处于第三层级的一个或多个个节点与处于第二层级的某个节点具有关联关系，处于第二层级的节点可以例如是盐酸二甲双胍肠溶胶囊，若需要得知盐酸二甲双胍肠溶胶囊的禁忌，可以在与该节点相关联的第三层级节点中查找，例如可以查询得到：酗酒。
54.示例性的，可以通过关键词确定节点，以及通过关系词，如“的禁忌”确定关键词对应节点的子节点，从而得到相关联的一个或多个节点，并对这些节点进行连接，得到医疗知识图谱模型输出的内容推荐图。
55.步骤s103、基于图神经网络学习模型，确定所述内容推荐图的同构子图，所述同构子图中至少有一个第二医疗信息节点与所述第一医疗信息节点的信息相似度大于预设的信息相似度阈值。
56.示例性的，将从医疗知识图谱模型输出的内容推荐图输入至图神经网络学习模型中，以得到图神经网络学习模型输出的同构子图。可以理解的，同构子图至少有一个第二医疗信息节点与内容推荐图的第一医疗信息节点的节点相似度大于预设节点相似度阈值。
57.示例性的，可以通过获取第二医疗信息节点对应的第二医疗关键词与第一医疗信息节点对应的第一医疗关键词进行相似度的计算，以判断第二医疗信息节点与第一医疗信息节点的节点相似度是否大于预设节点相似度阈值。
58.可以理解的，可以通过预设的余弦相似度计算公式计算第一医疗关键词和第二医疗关键词的相似度，也可以通过字符比对确定第一医疗关键词和第二医疗关键词的相似度，在本技术中不予限定。
59.示例性的，同构子图可以用于无内容推荐的场景，以使推荐的信息更加全面，增加用户的体验感。
60.例如，用户的请求信息为：“擅长1型糖尿病的医生有哪些？”，对请求信息进行分词提取得到“1型糖尿病”、“医生”等关键词，输入医疗知识图谱子模型中进行查找对应的节点，得到内容推荐图，但在医疗知识图谱子模型中并不存在与“1型糖尿病”关联的“医生”的实体信息，因而输出的内容推荐图与用户期望的结果存在偏差。
61.通过同构子图，可以解决上述问题，以使得到的结果更加贴合用户的期望。
62.在一些实施例中，所述基于图神经网络学习模型，确定所述内容推荐图的同构子图，包括：基于所述图神经网络学习模型的相似信息生成网络，确定与至少一个所述第一医疗信息节点相同类别的相似医疗信息节点；基于所述图神经网络学习模型的同构图节点生成网络，在预设的医疗知识图谱中确定所述相似医疗信息节点以及所述相似医疗信息节点的子节点；根据所述相似医疗信息节点以及所述相似医疗信息节点的子节点在所述预设的医疗知识图谱中进行图谱截取，得到同构子图。
63.示例性的，将内容推荐图输入至相似信息生成网络，以提取内容推荐图中的第一
医疗信息节点并确定与第一医疗信息节点同类别的相似医疗信息节点。
64.确定相似医疗信息节点的过程可以例如是，确定内容推荐图中位于第n层级的第一医疗信息节点，并在预设的医疗知识图谱中确定第一医疗信息节点对应的第n-1层级的节点，从第n-1层级的节点，以及第n层级的第一医疗信息节点，确定位于第n层级的相似医疗信息节点，其中，n为大于1的自然数，且第n层级的相似医疗信息节点与确定的第n-1层级的节点具有关联关系。
65.示例性的，得到相似医疗信息节点后，根据内容推荐图的结构和/或第一医疗信息节点，在与相似医疗信息节点同层级的节点或下一层级的节点中进行查找，以确定相似医疗信息节点和相似医疗信息节点的子节点，从而根据相似医疗信息节点和相似医疗信息节点的子节点作为第二医疗信息节点，得到同构子图。具体的，可以在预设的医疗知识图谱中对相似医疗信息节点和相似医疗信息节点的子节点进行图谱截取，以得到内容推荐图的同构子图。
66.例如，请求信息为：“擅长1型糖尿病的医生有哪些？”，对请求信息进行分词提取得到“1型糖尿病”、“医生”等关键词，输入医疗知识图谱模型中进行查找对应的医疗信息节点，得到内容推荐图，但在医疗知识图谱中并不存在与“1型糖尿病”关联的“医生”的医疗信息节点，可以通过确定“1型糖尿病”的医疗信息节点的上一层级的医疗信息节点：“糖尿病”，从而在预设的医疗知识图谱中查询“糖尿病”的子节点中是否包含有“医生”对应的医疗信息节点，若“糖尿病”节点的子节点包括“1型糖尿病”节点和“2型糖尿病”节点，且“2型糖尿病”节点的子节点存在“医生”的医疗信息，可以由“2型糖尿病”节点，及与其关联的“医生”子节点，组成同构子图，并进行输出。从而避免在“1型糖尿病”中无法查找到“医生”的医疗信息而无法进行推荐的问题。
67.通过确定内容推荐图的第n层级的第一医疗信息节点，以及在预设的医疗图谱中确定第一医疗信息节点对应的位于第n-1层级的节点，再对第n-1层级的节点的其他子节点进行筛选，以得到同构子图，可以避免无内容的推荐场景，提升用户的体验感。
68.在一些实施例中，所述基于所述图神经网络学习模型的相似信息生成网络，确定与至少一个所述第一医疗信息节点相同类别的相似医疗信息节点，包括：对所述第一医疗信息节点进行信息提取及分词处理，得到第一医疗关键词，并确定所述第一医疗关键词的类别，所述类别包括药物类别、作息时间类别、病症类别中的至少一项；确定与所述第一医疗关键词同类别的一个或多个待选第二医疗关键词；计算所述第一医疗关键词与每一个所述待选第二医疗关键词的相似度；根据计算得到的相似度，在一个或多个待选第二医疗关键词中确定第二医疗关键词，并根据所述第二医疗关键词确定相似医疗信息节点。
69.示例性的，对第一医疗信息节点进行信息提取以及分词处理，以得到第一医疗关键词，如药物名称、疾病名称等；并确定第一医疗关键词的类别，如药物类别、疾病类别、作息时间类别的至少一项，在预设的数据库中确定与第一医疗关键词同类别的多个待选第二医疗关键词，并通过预设的余弦相似度计算公式或字符比对，对第一医疗关键词和每一个选第二医疗关键词进行相似度的计算，得到第一医疗关键词与各个待选第二医疗关键词对应的相似度，并根据相似度确定第二医疗关键词。
70.具体的，可以是若第一医疗关键词与待选第二医疗关键词对应的相似度大于关键词相似度阈值，将该待选第二医疗关键词确定为第二医疗关键词；也可以是将相似度最高
的待选第二医疗关键词确定为第二医疗关键词。
71.步骤s104、基于图谱嵌入模型，根据所述第一医疗信息节点确定一个或多个医疗信息三元组，以及根据所述第一医疗信息节点对应的连接关系和所述医疗信息三元组确定目标医疗信息。
72.示例性的，将内容推荐图输入到图谱嵌入模型中，以使图谱嵌入模型输出与内容推荐图中的第一医疗信息节点关联的目标实体信息，从而能够充实推荐的结果，以使用户得到更全面的推荐结果，提高使用体验感。
73.在一些实施例中，所述基于图谱嵌入模型，根据所述第一医疗信息节点确定一个或多个医疗信息三元组，以及根据所述第一医疗信息节点对应的连接关系和所述医疗信息三元组确定目标医疗信息，包括：基于所述图谱嵌入模型的信息三元组确定层，在预设的医疗信息三元组网络中，确定包含所述第一医疗信息节点的一个或多个医疗信息三元组；基于所述图谱嵌入模型的信息预测层，根据所述第一医疗信息节点的连接关系在一个或多个医疗信息三元组中确定目标医疗信息三元组，并在所述目标医疗信息三元组中确定目标医疗信息。
74.示例性的，在信息三元组确定层中，通过预设的医疗信息三元组网络，可以确定包含第一医疗信息节点的一个或多个医疗信息三元组，可以理解的，医疗信息三元组包含两种医疗信息，以及这两种医疗信息的关系信息。
75.若有多个医疗信息三元组包含第一医疗信息节点，可以通过第一医疗信息节点的连接关系在多个医疗信息三元组中确定目标医疗信息三元组。
76.例如，李医生可以出诊2型糖尿病的患者，医疗信息三元组可以例如是《2糖、出诊、李医生》，通过该医疗信息三元组，可以得知李医生与2型糖尿病具有关联性，可以理解的，将医疗信息三元组中的关联信息转化为关联向量之后，可以通过第一医疗信息节点对应的连接关系的连接关系向量进行关联度的计算。
77.在一些实施例中，所述根据所述第一医疗信息节点的连接关系在一个或多个医疗信息三元组中确定目标医疗信息三元组，并在所述目标医疗信息三元组中确定目标医疗信息，包括：对所述第一医疗信息节点的连接关系进行向量化处理，得到关系向量；基于预设的向量距离计算公式确定所述关系向量与各所述医疗信息三元组的向量距离；根据所述向量距离确定目标医疗信息三元组，并在所述目标医疗信息三元组中确定目标医疗信息。
78.示例性的，在图谱嵌入模型的信息预测层中，根据连接关系向量和多个医疗信息三元组中的关联信息对应的关联向量进行欧式距离值的计算，以得到连接关系向量和关联向量的关联度，以通过关联度确定目标医疗信息三元组，可以理解的，可以通过预设关联度阈值或关联度比对确定目标医疗信息三元组。并在确定目标医疗信息三元组中确定目标医疗信息。
79.示例性的，通过确定目标医疗信息三元组以及在目标医疗信息三元组中确定目标医疗信息，可以提升推荐信息的全面性，以提高用户的使用体验。
80.在一些实施方式中，方法还包括，对图谱嵌入模型进行训练，具体的，将目标医疗信息以及目标医疗信息对应的图谱输入至图谱嵌入模型中，图谱嵌入模型的三元组获取层，对目标医疗信息对应的图谱进行三元组的获取，可以理解的，获取到的三元组包括第一医疗信息、第二医疗信息以及第一医疗信息与第二医疗信息的关系。
81.基于预设相似性计算公式，计算三元组中的医疗信息的相似性，得到图谱结构损失值，如l(图谱结构损失值)＝h(三元组中的第一医疗信息对应的第一医疗信息向量) r(第一医疗信息与第二医疗信息的关系向量)-t(三元组中的第二医疗信息对应的第二医疗信息向量)。
82.然后计算医疗信息的语义损失值，将从目标医疗信息对应的图谱中获取到的所有三元组中的医疗信息进行是否相似的判断以及语义损失值计算，具体的，判断是否相似可以通过预设的相似度模型进行判别，并基于预设语义损失值计算公式计算语义损失值，公式如下：
83.l(语义损失值)＝distance(d1,d2)if label＝1
84.l(语义损失值)＝max(0,m-distance(d1,d2))if label＝0
85.其中，d1，d2分别为第一、第二医疗信息对应的向量，label为相似度模型判别的结果，label＝1用于指示判断结果为相似，label＝0用于指示判断结果为不相似。
86.最后基于混合损失值计算公式计算模型的混合损失值，公式如下：
[0087][0088]
其中，e为三元组对应的向量，w为三元组中医疗信息的语义向量，ε为各三元组对应的向量的集合，de为三元组中所有医疗信息的语义向量的集合。
[0089]
根据图谱结构损失值、语义损失值以及混合损失值计算模型的目标损失值，具体的，目标损失值等于图谱结构损失值、语义损失值以及混合损失值之和。
[0090]
通过目标损失值对图谱嵌入模型中的参数进行调整，以得到训练好的图谱嵌入模型，并基于训练好的图谱嵌入模型，根据第一医疗信息节点确定一个或多个医疗信息三元组，以及根据第一医疗信息节点对应的连接关系和医疗信息三元组确定目标医疗信息，过程如上所述，在此不再重复撰述。
[0091]
步骤s105、将所述同构子图和所述目标医疗信息进行融合，得到用于应答所述请求信息的推荐信息。
[0092]
示例性的，通过图神经网络模型输出的同构子图和图谱嵌入模型输出的目标医疗信息，通过将同构子图和目标医疗信息融合，并输出融合后得到的推荐信息，可以增加推荐信息的全面性。
[0093]
示例性的，生成的推荐信息可以存储于区块链中，以使在其他终端设备需要获取推荐信息时，能够通过向区块链进行广播以获取推荐信息。本技术所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0094]
在一些实施例中，所述将所述同构子图和所述目标医疗信息进行融合，包括：
[0095]
确定所述同构子图中第二医疗信息节点与所述目标医疗信息的相似度；
[0096]
根据所述相似度对所述第二医疗信息节点、目标医疗信息进行筛选以及排序，得到推荐信息。
[0097]
示例性的，相似度可以表征第二医疗信息节点与目标医疗信息字符重合数量，例
如某一第二医疗信息节点为盐酸二甲双胍缓释片，目标医疗信息为盐酸二甲双胍肠溶胶囊，可以计算得到这两个医疗信息的相似度为60％，若其余医疗信息之间的相似度均小于60％，在推荐信息输出时，可以先对这两个医疗信息进行输出，而后按照各医疗信息之间的相似度进行输出。可以理解的，可以设定一个相似度阈值，若医疗信息之间的相似度小于该相似度阈值，则不对实体进行输出。以得到更符合用户需求的推荐信息。
[0098]
在一些实施方式中，若检测到特定的关键词，可以通过argmin进行约束，以确定推荐信息。例如，用户的请求信息为“与糖尿病具有相似症状的疾病有哪些？”其中，相似症状可以作为特定关键词，在查找的过程中，先按上述方法确定糖尿病症状对应的多个第三目标节点，并获取与各个第三目标节点连接的所有节点，确定与第三目标节点连接的所有节点中用于指示疾病的一个或多个第四目标节点，并通过argmin函数进行收敛、排序，按照各个第四目标节点中子节点数量由小到大排序，并按照排序的结果，生成推荐信息。
[0099]
上述实施例提供的医疗内容推荐方法，包括获取终端发送的请求信息；将所述请求信息输入至医疗知识图谱模型中，得到内容推荐图，所述内容推荐图包括多个第一医疗信息节点及所述多个第一医疗信息节点的连接关系；基于图神经网络学习模型，确定所述内容推荐图的同构子图，所述同构子图中至少有一个第二医疗信息节点与所述第一医疗信息节点的信息相似度大于预设的信息相似度阈值；基于图谱嵌入模型，根据所述第一医疗信息节点确定一个或多个医疗信息三元组，以及根据所述第一医疗信息节点对应的连接关系和所述医疗信息三元组确定目标医疗信息；将所述同构子图和所述目标医疗信息进行融合，得到用于应答所述请求信息的推荐信息。通过医疗知识图谱模型对请求信息进行处理得到内容推荐图，可以避免由于请求信息中的词并非行内通俗说法，而导致得到的推荐信息不理想的问题，并通过图神经网络学习模型和图谱嵌入模型对内容推荐图进行对应的处理得到内容推荐图的同构子图和目标医疗信息，并依据同构子图和目标医疗信息生成推荐信息，可以实现知识图谱中的无场景推荐，以及提升推荐信息生成的效率和推荐信息的准确性。
[0100]
请参阅图5，图5是本技术一实施例提供的一种医疗内容推荐装置的示意图，该医疗内容推荐装置可以配置于服务器或终端中，用于执行前述的医疗内容推荐方法。
[0101]
如图5所示，该医疗内容推荐装置100，包括：请求信息获取模块110、内容推荐图确定模块120、同构子图确定模块130、目标医疗信息确定模块140、推荐信息确定模块150。
[0102]
请求信息获取模块110，用于获取终端发送的请求信息。
[0103]
内容推荐图确定模块120，用于将所述请求信息输入至医疗知识图谱模型中，得到内容推荐图，所述内容推荐图包括多个第一医疗信息节点及所述多个第一医疗信息节点的连接关系。
[0104]
同构子图确定模块130，用于基于图神经网络学习模型，确定所述内容推荐图的同构子图，所述同构子图中至少有一个第二医疗信息节点与所述第一医疗信息节点的信息相似度大于预设的信息相似度阈值；
[0105]
目标医疗信息确定模块140，用于基于图谱嵌入模型，根据所述第一医疗信息节点确定一个或多个医疗信息三元组，以及根据所述第一医疗信息节点对应的连接关系和所述医疗信息三元组确定目标医疗信息。
[0106]
推荐信息确定模块150，用于将所述同构子图和所述目标医疗信息进行融合，得到
用于应答所述请求信息的推荐信息。
[0107]
示例性的，同构子图确定模块130还包括相似信息生成子模块、同构图节点生成子模块，图谱截取子模块。
[0108]
相似信息生成子模块，用于基于所述图神经网络学习模型的相似信息生成网络，确定与至少一个所述第一医疗信息节点相同类别的相似医疗信息节点。
[0109]
同构图节点生成子模块，用于基于所述图神经网络学习模型的同构图节点生成网络，在预设的医疗知识图谱中确定所述相似医疗信息节点以及所述相似医疗信息节点的子节点。
[0110]
图谱截取子模块，用于根据所述相似医疗信息节点以及所述相似医疗信息节点的子节点在所述预设的医疗知识图谱中进行图谱截取，得到同构子图。
[0111]
示例性的，相似信息生成子模块还包括第一医疗关键词确定子模块，第二医疗关键词确定子模块，关键词相似度计算子模块，相似信息节点生成子模块：
[0112]
第一医疗关键词确定子模块，用于对所述第一医疗信息节点进行信息提取及分词处理，得到第一医疗关键词，并确定所述第一医疗关键词的类别，所述类别包括药物类别、作息时间类别、病症类别中的至少一项；
[0113]
第二医疗关键词确定子模块，用于确定与所述第一医疗关键词同类别的一个或多个待选第二医疗关键词；
[0114]
关键词相似度计算子模块，用于计算所述第一医疗关键词与每一个所述待选第二医疗关键词的相似度；
[0115]
相似信息节点生成子模块，用于根据计算得到的相似度，在一个或多个待选第二医疗关键词中确定第二医疗关键词，并根据所述第二医疗关键词确定相似医疗信息节点。
[0116]
示例性的，目标医疗信息确定模块140包括三元组确定子模块，信息预测子模块。
[0117]
三元组确定子模块，用于基于所述图谱嵌入模型的信息三元组确定层，在预设的医疗信息三元组网络中，确定包含所述第一医疗信息节点的一个或多个医疗信息三元组；
[0118]
信息预测子模块，用于基于所述图谱嵌入模型的信息预测层，根据所述第一医疗信息节点的连接关系在一个或多个医疗信息三元组中确定目标医疗信息三元组，并在所述目标医疗信息三元组中确定目标医疗信息。
[0119]
示例性的，信息预测子模块包括关系向量确定子模块，向量距离计算子模块，目标医疗信息确定子模块。
[0120]
关系向量确定子模块，用于对所述第一医疗信息节点的连接关系进行向量化处理，得到关系向量；
[0121]
向量距离计算子模块，用于基于预设的向量距离计算公式确定所述关系向量与各所述医疗信息三元组的向量距离。
[0122]
目标医疗信息确定子模块，用于根据所述向量距离确定目标医疗信息三元组，并在所述目标医疗信息三元组中确定目标医疗信息。
[0123]
示例性的，内容推荐图确定模块120包括关键词提取子模块。
[0124]
关键词提取子模块，用于基于所述医疗知识图谱模型的关键词提取层，对所述请求信息进行关键词提取处理，得到一个或多个医疗信息关键词和一个或多个关系词。
[0125]
内容推荐图确定模块120还用于基于所述医疗知识图谱模型中预设的医疗知识图
谱，根据所述医疗信息关键词和关系词确定内容推荐图。
[0126]
示例性的，内容推荐图确定模块120还包括目标节点确定子模块、子节点确定子模块、节点连接子模块。
[0127]
目标节点确定子模块，用于在预设的医疗知识图谱中查找与所述医疗信息关键词对应的目标节点。
[0128]
子节点确定子模块，用于根据所述关系词确定所述目标节点对应的子节点。
[0129]
节点连接子模块，用于将所述目标节点以及所述目标节点的子节点连接，得到内容推荐图。
[0130]
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和各模块、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0131]
本技术的方法，可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络pc、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0132]
请参阅图6，图6为本技术实施例提供的一种计算机设备的结构示意性框图。该计算机设备可以为服务器或终端。
[0133]
如图6所示，该计算机设备包括通过系统总线连接的处理器、存储器和网络接口，其中，存储器可以包括存储介质和内存储器。
[0134]
存储介质可存储操作系统和计算机程序。该计算机程序包括程序指令，该程序指令被执行时，可使得处理器执行任意一种医疗内容推荐方法。
[0135]
处理器用于提供计算和控制能力，支撑整个计算机设备的运行。
[0136]
内存储器为存储介质中的计算机程序的运行提供环境，该计算机程序被处理器执行时，可使得处理器执行任意一种医疗内容推荐方法。
[0137]
该网络接口用于进行网络通信，如发送分配的任务等。本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0138]
应当理解的是，处理器可以是中央处理单元(central processing unit，cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0139]
其中，在一个实施例中，所述处理器用于运行存储在存储器中的计算机程序，以实
现如下步骤：
[0140]
获取终端发送的请求信息；
[0141]
将所述请求信息输入至医疗知识图谱模型中，得到内容推荐图，所述内容推荐图包括多个第一医疗信息节点及所述多个第一医疗信息节点的连接关系；
[0142]
基于图神经网络学习模型，确定所述内容推荐图的同构子图，所述同构子图中至少有一个第二医疗信息节点与所述第一医疗信息节点的信息相似度大于预设的信息相似度阈值；
[0143]
基于图谱嵌入模型，根据所述第一医疗信息节点确定一个或多个医疗信息三元组，以及根据所述第一医疗信息节点对应的连接关系和所述医疗信息三元组确定目标医疗信息；
[0144]
将所述同构子图和所述目标医疗信息进行融合，得到用于应答所述请求信息的推荐信息。
[0145]
在一个实施例中，所述处理器在实现基于图神经网络学习模型，确定所述内容推荐图的同构子图时，用于实现：
[0146]
基于所述图神经网络学习模型的相似信息生成网络，确定与至少一个所述第一医疗信息节点相同类别的相似医疗信息节点；
[0147]
基于所述图神经网络学习模型的同构图节点生成网络，在预设的医疗知识图谱中确定所述相似医疗信息节点以及所述相似医疗信息节点的子节点；
[0148]
根据所述相似医疗信息节点以及所述相似医疗信息节点的子节点在所述预设的医疗知识图谱中进行图谱截取，得到同构子图。
[0149]
在一个实施例中，所述处理器在实现基于所述图神经网络学习模型的相似信息生成网络，确定与至少一个所述第一医疗信息节点相同类别的相似医疗信息节点时，用于实现：
[0150]
对所述第一医疗信息节点进行信息提取及分词处理，得到第一医疗关键词，并确定所述第一医疗关键词的类别，所述类别包括药物类别、作息时间类别、病症类别中的至少一项；
[0151]
确定与所述第一医疗关键词同类别的一个或多个待选第二医疗关键词；
[0152]
计算所述第一医疗关键词与每一个所述待选第二医疗关键词的相似度；
[0153]
根据计算得到的相似度，在一个或多个待选第二医疗关键词中确定第二医疗关键词，并根据所述第二医疗关键词确定相似医疗信息节点。
[0154]
在一个实施例中，所述处理器在实现基于图谱嵌入模型，根据所述第一医疗信息节点确定一个或多个医疗信息三元组，以及根据所述第一医疗信息节点对应的连接关系和所述医疗信息三元组确定目标医疗信息时，用于实现：
[0155]
基于所述图谱嵌入模型的信息三元组确定层，在预设的医疗信息三元组网络中，确定包含所述第一医疗信息节点的一个或多个医疗信息三元组；
[0156]
基于所述图谱嵌入模型的信息预测层，根据所述第一医疗信息节点的连接关系在一个或多个医疗信息三元组中确定目标医疗信息三元组，并在所述目标医疗信息三元组中确定目标医疗信息。
[0157]
在一个实施例中，所述处理器在实现根据所述第一医疗信息节点的连接关系在一
个或多个医疗信息三元组中确定目标医疗信息三元组，并在所述目标医疗信息三元组中确定目标医疗信息时，用于实现：
[0158]
对所述第一医疗信息节点的连接关系进行向量化处理，得到关系向量；
[0159]
基于预设的向量距离计算公式确定所述关系向量与各所述医疗信息三元组的向量距离；
[0160]
根据所述向量距离确定目标医疗信息三元组，并在所述目标医疗信息三元组中确定目标医疗信息。
[0161]
在一个实施例中，所述处理器在实现将所述请求信息输入至医疗知识图谱模型中，得到内容推荐图时，用于实现：
[0162]
基于所述医疗知识图谱模型的关键词提取层，对所述请求信息进行关键词提取处理，得到一个或多个医疗信息关键词和一个或多个关系词；
[0163]
基于所述医疗知识图谱模型中预设的医疗知识图谱，根据所述医疗信息关键词和关系词确定内容推荐图。
[0164]
在一个实施例中，所述处理器在实现根据所述医疗信息关键词和关系词确定内容推荐图时，用于实现：
[0165]
在预设的医疗知识图谱中查找与所述医疗信息关键词对应的目标节点；
[0166]
根据所述关系词确定所述目标节点对应的子节点；
[0167]
将所述目标节点以及所述目标节点的子节点连接，得到内容推荐图。
[0168]
需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述医疗内容推荐的具体工作过程，可以参考前述医疗内容推荐控制方法实施例中的对应过程，在此不再赘述。
[0169]
本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序中包括程序指令，所述程序指令被执行时所实现的方法可参照本技术医疗内容推荐方法的各个实施例。
[0170]
其中，所述计算机可读存储介质可以是前述实施例所述的计算机设备的内部存储单元，例如所述计算机设备的硬盘或内存。所述计算机可读存储介质也可以是所述计算机设备的外部存储设备，例如所述计算机设备上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。
[0171]
应当理解，在此本技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本技术。如在本技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0172]
还应当理解，在本技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0173]
上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。以上所述，仅为本申
请的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。