用于医院后勤运维的短文本数据处理方法、装置与流程

本发明涉及信号处理技术领域，尤其涉及一种用于医院后勤运维的短文本数据处理方法、装置、计算机设备和存储介质。

背景技术：

报修在大型、超大型功能性建筑群内是一项极其频繁而又非常重要的日常工作，因为各种自动化器械、设备、系统会不定期出现各种故障。为保障正常运转，通常会设置专业后勤团队对整个系统做各种维修维护工作，而在整个过程中会涉及到各个不同的环节，比如维修维护点的发现、上报、记录、评估等等。传统的处理方式是通过手动记录各个环节的关键信息，其繁复性不言而喻。虽然随着it技术的发展，大部分工作已被软件替代，但就目前而言，主要的改变还只局限于将机械性强的工作电子化。稍微涉及到主观判断的业务都必须人工干预，即使是炙手可热的人工智能技术也远未能解决问题，特别是自然语言处理方面，受限于该领域的固有难度，相关技术发展较为缓慢。而医院后勤运维的各个环节会涉及较多的自然语言和文本处理，若技术发展足够成熟，将给该领域带来极大的效率提升和成本下降。

根据实际情况，医院后勤运维领域的关键文字信息有其固有特点，比如对象有限、文句结构和语义相对简单、句子长度有限等等。这些特点为特定场景下的文字自动处理提供了可能性。比如“东院区第一内镜中心右侧女更衣室洗手盆下面的软管破裂”这句话，需要将其按“院区：[]、区域：[]、科室：[]、对象：[]、故障：[]”等不同维度切割并提取。对于人而言这是一项极其简单的工作，但要让计算机完成同样的工作是一个极其复杂的过程。已有的相关处理方法通常有以下几类：

正则匹配：利用定义好的特定字符及其组合来生成某个“固定”的模式，将该模式递归作用于待处理文本对象，当文本及其子片段满足该模式时表示匹配成功。

基于统计类方法的关键词提取：将原文本先分割成不同的片段，再通过不同的方式计算每个词的某种频率或权重，最终得分最高的词即为关键词。如textrank算法、rake算法、tf-iwf算法等。

基于机器学习的关键词提取：从学习方式分主要包括有监督关键词提取、半监督关键词提取、无监督关键词提取。从数学角度讲又可以分为基于统计特征的关键词提取方法、基于词图模型的关键词提取方法、基于主题模型的关键词提取方法等。

关键词提取是文本处理，尤其是短文本数据处理的核心任务之一，同时也是自然语言处理的重要分支。但现有关键词提取技术很难做到简短文本的精确关键词切分和提取，主要存在以下关键问题：

正则化匹配方法：首先，正则化方法必须满足固定的模式，只适合于精准匹配的应用场景，对于模式变化复杂的短文本关键词提取显得过于单一，无法满足实际需求；其次，该方法在匹配时需要准确的“标志”，这进一步限制了方法的应用。

基于统计学的方法：对于长文本关键词提取的效果较好，而对短文本几乎不起作用，原因在于长文本中关键词出现的频率在很大程度上会多于其他词语，而短文本或者单个句子中很难存在重复性关键词，也就失去了利用统计学的事实基础。

基于机器学习的方法：首先基于机器学习的方法需要大量的语料库用于训练，特别是以神经网络作为核心的深度学习对训练数据量的要求极其苛刻；其次，机器学习方法的核心算法通常会基于某种文字模型或语言表达模型，例如语法网络图，又或者计算某种参数，例如集聚系数，这些特征在极短文本中是不明显的；再次，基于机器学习的方法在关键词分类上精度不够，无法满足实际需求。

前述方法还存在两个共同的问题：一是都无法对提取的关键词做类别判断，比如“手术室”，属于“房间”而不属于“楼层”；二是无法对提取的关键字做向上一级的聚合，从而形成有意义的短语，比如“东院区第一内镜中心右侧女更洗手盆下面的软管要掉”，常规的分词或切分结果通常是“东院区\第一\内镜中心\右侧\女更\洗手盆\下面\的\软管\要掉”，但实际中可能更希望得到“东院区\第一内镜中心右侧\女更洗手盆下面\的\软管要掉”。可见传统的短文本数据处理方案往往存在准确度低的问题。

技术实现要素：

针对以上问题，本发明提出一种用于医院后勤运维的短文本数据处理方法、装置、计算机设备和存储介质。

为实现本发明的目的，提供一种用于医院后勤运维的短文本数据处理方法，包括如下步骤：

s10，根据语料库确定分类词库；所述分类词库用于描述语料库所包括的各个词的词类别；

s20，将所述分类词库按照预设的分词方式进行重组，得到初步分词词库，根据初步分词词库对语料库进行分词处理，对分词后的每个关键词进行词频统计，将统计结果分别加入初步分词词库，得到自定义分词词库；

s30，采用所述自定义分词词库对待处理短文本进行全模式分词，对全模式分词的分词结果进行清洗，得到待处理短文本的辅助信息分词和多个有效项，对各个有效项采用模糊匹配方式在分类词库中进行匹配，得到各个有效项的初始匹配结果，在各个有效项的初始匹配结果中选取词频最高的匹配结果作为各个有效项的最终匹配结果；

s40，根据辅助信息分词和最终匹配结果确定待处理短文本的有效文本信息。

在一个实施例中，所述根据辅助信息分词和最终匹配结果确定待处理短文本的有效文本信息包括：

确定各个的最终匹配结果的排列位置，根据排列位置确定有效词序列；

确定辅助信息分词在有效词序列中的位置；

根据辅助信息分词在有效词序列中的位置合并所述辅助信息分词和有效词序列。

在一个实施例中，所述根据语料库确定分类词库之前，还包括：

收集设定时段内针对描述对象发生的语句，得到语句源，根据所述语句源构建语料库。

作为一个实施例，所述描述对象包括医院。

在一个实施例中，所述将所述分类词库按照预设的分词方式进行重组，得到初步分词词库，根据初步分词词库对语料库进行分词处理，对分词后的每个关键词进行词频统计，将统计结果分别加入初步分词词库，得到自定义分词词库之后，还包括：

获取公共停用词库，根据所述公共停用词库和分类词库构建自定义停用词库；所述自定义停用词库用于对全模式分词的分词结果进行清洗。

作为一个实施例，所述对全模式分词的分词结果进行清洗包括：

采用所述自定义停用词库识别全模式分词的分词结果中的停用词，在剔除所识别的停用词后，去除全模式分词的分词结果中的重复词，得到多个有效项，并将所识别的停用词确定为辅助信息分词。

一种用于医院后勤运维的短文本数据处理装置，包括：

第一确定模块，用于根据语料库确定分类词库；所述分类词库用于描述语料库所包括的各个词的词类别；

重组模块，用于将所述分类词库按照预设的分词方式进行重组，得到初步分词词库，根据初步分词词库对语料库进行分词处理，对分词后的每个关键词进行词频统计，将统计结果分别加入初步分词词库，得到自定义分词词库；

分词模块，用于采用所述自定义分词词库对待处理短文本进行全模式分词，对全模式分词的分词结果进行清洗，得到待处理短文本的辅助信息分词和多个有效项，对各个有效项采用模糊匹配方式在分类词库中进行匹配，得到各个有效项的初始匹配结果，在各个有效项的初始匹配结果中选取词频最高的匹配结果作为各个有效项的最终匹配结果；

第二确定模块，用于根据辅助信息分词和最终匹配结果确定待处理短文本的有效文本信息。

在一个实施例中，所述第二确定模块用于：

确定各个的最终匹配结果的排列位置，根据排列位置确定有效词序列；

确定辅助信息分词在有效词序列中的位置；

根据辅助信息分词在有效词序列中的位置合并所述辅助信息分词和有效词序列。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例的用于医院后勤运维的短文本数据处理方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例的用于医院后勤运维的短文本数据处理方法的步骤。

上述用于医院后勤运维的短文本数据处理方法、装置、计算机设备和存储介质，通过根据语料库确定分类词库，将分类词库按照预设的分词方式进行重组，得到初步分词词库，根据初步分词词库对语料库进行分词处理，对分词后的每个关键词进行词频统计，将统计结果分别加入初步分词词库，得到自定义分词词库，采用自定义分词词库对待处理短文本进行全模式分词，对全模式分词的分词结果进行清洗，得到待处理短文本的辅助信息分词和多个有效项，对各个有效项采用模糊匹配方式在分类词库中进行匹配，得到各个有效项的初始匹配结果，在各个有效项的初始匹配结果中选取词频最高的匹配结果作为各个有效项的最终匹配结果，以对待处理短文本按语义进行精确切分，得到辅助信息分词和最终匹配结果，以此确定待处理短文本的有效文本信息，提高所确定的有效文本信息的准确性。本方法将对医院后勤短文本关键信息提取、短文本关键词提取、短文本分类统计及相关数据分析精度产生显著提升。为部分后勤业务的智能化、it化升级提供方法基础。

附图说明

图1是一个实施例的用于医院后勤运维的短文本数据处理方法流程图；

图2是一个实施例的自定义分词词库示意图；

图3是一个实施例的匹配结果的获取过程示意图；

图4是一个实施例的主要信息和辅助信息的排列示意图；

图5是一个实施例的辅助信息分词合并示意图；

图6是一个实施例的辅助信息分词合并示意图；

图7是一个实施例的辅助信息分词合并示意图；

图8是一个实施例的用于医院后勤运维的短文本数据处理装置结构示意图；

图9为一个实施例的计算机设备示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请提供的用于医院后勤运维的短文本数据处理方法，可以应用于医院后勤运维的短文本数据处理终端。上述短文本数据处理终端可以根据语料库确定分类词库，将分类词库按照预设的分词方式进行重组，得到初步分词词库，根据初步分词词库对语料库进行分词处理，对分词后的每个关键词进行词频统计，将统计结果分别加入初步分词词库，得到自定义分词词库，采用所述自定义分词词库对待处理短文本进行全模式分词，对全模式分词的分词结果进行清洗，得到待处理短文本的辅助信息分词和多个有效项，对各个有效项采用模糊匹配方式在分类词库中进行匹配，得到各个有效项的初始匹配结果，在各个有效项的初始匹配结果中选取词频最高的匹配结果作为各个有效项的最终匹配结果，根据辅助信息分词和最终匹配结果确定待处理短文本的有效文本信息，以提高所确定的待处理短文本的有效文本信息的准确性。其中，短文本数据处理终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。

在一个实施例中，如图1所示，提供了一种用于医院后勤运维的短文本数据处理方法，以该方法应用于短文本数据处理终端为例进行说明，包括以下步骤：

s10，根据语料库确定分类词库；所述分类词库用于描述语料库所包括的各个词的词类别。

具体地，分类词库可以依据语料库的描述对象进行自定义。分类词库的最终目的有两个：一是用于确定提取的关键词类别，二是解决原短文本可能存在的语序混乱问题，例如“坏了2个灯二楼东院区”，常规顺序应该是“东院区二楼坏了2个灯”，原句分词并重组后的结果为“坏了2个灯\二楼\东院区”，显然三者属于不同的维度，如果规定每个维度的类别，就有可能将原句的句子结构调整成常规模式。建立分类词库的过程实际上就是打标签的过程。得到分类词库的方法有多种，可直接从语料库中人工处理，也可直接下载相关子类型关键词库来组成分类词库。比如医院医院后勤运维工单中的关键信息可分为：区域、楼层、科室、对象、现象、方位等类别(词类别)。。在一个示例中，上述分类词库的部分内容可以参考表1所示。

表1分类词库部分内容示意图

s20，将所述分类词库按照预设的分词方式进行重组，得到初步分词词库，根据初步分词词库对语料库进行分词处理，对分词后的每个关键词进行词频统计，将统计结果分别加入初步分词词库，得到自定义分词词库。

上述预设的分词方式可以依据语料库的描述对象进行设置。

在一个示例中，参考图2所示，以表1所示的分类词库对上述步骤进行说明，图2所示的终极分词库为自定义分词词库：

受限于描述对象所处领域的特殊要求，常规分词方法的词库无法适应专业领域，因此需要建立专有分词词库。分词词库的形成分两步：

(1)将分类词库按分词方法要求重组，此时的词库不包含词频，，但已初步具备自定义分词功能，只是在分词精度上稍低；

(2)利用第(1)步得到的初步分词词库对整个语料库进行分词处理，对分词后的每个关键词做词频统计，将最后的统计结果分别加入第(1)步中得到的分词词库，从而得到完整的自定义分词词库。

s30，采用所述自定义分词词库对待处理短文本进行全模式分词，对全模式分词的分词结果进行清洗，得到待处理短文本的辅助信息分词和多个有效项，对各个有效项采用模糊匹配方式在分类词库中进行匹配，得到各个有效项的初始匹配结果，在各个有效项的初始匹配结果中选取词频最高的匹配结果作为各个有效项的最终匹配结果。

上述全模式分词的过程中可以采用开源分词工具(如jieba、snownlp、thulac、nlpir等)进行分词处理。上述辅助信息分词可以包括方位，序数，数字，和字母等词。

具体地，上述步骤将待处理的原始短文本进行全模式分词，分词方法可采用开源分词工具(如jieba、snownlp、thulac、nlpir等)，需要注意的是分词词库必须采用s20得到的自定义分词词库。将分词后的结果去停用词、去重复词，以过滤无实际意义的分词结果，进一步筛选有效项。将清洗后的分词采用模糊匹配方式在分类词库中进行匹配，并对匹配结果进行排名，将最高得分者作为最终匹配结果。

在一个示例中，匹配结果(如最终匹配结果)的获取过程可以参考图3所示。

进一步地，对于医院后勤运维领域而言，工单主要内容一般可用“[区域,楼栋,楼层,科室,房间,对象,现象]”的模式进行描述。其中“区域,楼栋，楼层,科室,房间”描述了位置信息，“对象”描述了待处理的具体事物，“现象”描述了“对象”的具体情况，将其称为主要信息。可以将这几个主要信息分别用“1、2、3、4、5、6、7”表示，则一个完整的工单应该是“[1,2,3,4,5,6,7]”模式，至少是“[6,7]”模式，即至少包含对象及现象，否则工单是无意义的。将“方位，序数，数字，字母”分别用“a、b、c、d”表示，将其称为辅助信息。可选地，主要信息(如有效项)和辅助信息的排列示意图可以参考图4所示。

s40，根据辅助信息分词和最终匹配结果确定待处理短文本的有效文本信息。

上述步骤可以辅助信息分词地特征将其余最终匹配结果进行合并，以确定待处理短文本的有效文本信息，保证所得到的有效文本信息的准确性。

上述用于医院后勤运维的短文本数据处理方法，通过根据语料库确定分类词库，将分类词库按照预设的分词方式进行重组，得到初步分词词库，根据初步分词词库对语料库进行分词处理，对分词后的每个关键词进行词频统计，将统计结果分别加入初步分词词库，得到自定义分词词库，采用自定义分词词库对待处理短文本进行全模式分词，对全模式分词的分词结果进行清洗，得到待处理短文本的辅助信息分词和多个有效项，对各个有效项采用模糊匹配方式在分类词库中进行匹配，得到各个有效项的初始匹配结果，在各个有效项的初始匹配结果中选取词频最高的匹配结果作为各个有效项的最终匹配结果，以对待处理短文本按语义进行精确切分，得到辅助信息分词和最终匹配结果，以此确定待处理短文本的有效文本信息，提高所确定的有效文本信息的准确性。

在一个实施例中，所述根据辅助信息分词和最终匹配结果确定待处理短文本的有效文本信息包括：

确定各个的最终匹配结果的排列位置，根据排列位置确定有效词序列；

确定辅助信息分词在有效词序列中的位置；

根据辅助信息分词在有效词序列中的位置合并所述辅助信息分词和有效词序列。

本实施例可以对辅助信息分词和最终匹配结果进行准确合并，以进一步提高所确定的有效文本信息的准确性。

在一个示例中，参考图4所示，一个实际的短文本工单(如待处理短文本)经过上述用于医院后勤运维的短文本数据处理方法处理后，输出的是一个由“1、2、3、4、5、6、a、b、c、d”组成的向量(元素个数和顺序由实际短文本内容决定)。但还不能实际应用，需要将辅助信息与主要信息(如最终匹配结果中的有效性)相结合，最终输出只包含数字的向量。例如“6号楼第2层东北角3更衣室水龙头漏水”经过自定义分词后结果为“6\楼\第2\层\东北角\3\更衣室\水龙头\漏水”,对应模式向量为[c,2,b,3,a,c,5,6,7]，而最终的输出结果应该是[c2,b3a,c5,6,7]模式，对应结果为“6楼\第2层东北角\3更衣室\水龙头\漏水”。计算机(如短文本数据处理终端)如何准确将辅助信息分词与主要信息分词相结合是难点所在。本示例采用“中文语言表达基本模型”来解决这个问题，分情况讨论如下：

(1)辅助信息分词位于句首或句尾

将位于句首的多个(大部分情况只有一个)连续辅助信息分词直接合并(无需关心编码类别)，再与后面最邻近的主要信息分词合并，合并后内容的编码为被合并主要信息分词的原编码(如图5所示)。当辅助信息分词位于句末时，与前面最邻近主要信息分词直接合并，过程与句首完全一致。

(2)辅助信息分词位于句中

针对方位词

方位名词主要指东、西、南、北、里、外、上、下、中等位置名词及其组合衍生词，如东面、东南面、东南方、里面等。其主要特点是单独存在没有实际意义，需要有需要有其他实词作为参考词。大部分情况满足形如“××的东南面”的偏正结构。因此，本文将位于句中的方位词与其前面的关键词相结合，如图6所示。

针对序数词

序数词如“第一”、“第二”等，在中文语句中，可作为主语(例：第二排是我的)、宾语(例：我选了第二条)、定语(例：将执行第二个计划)、表语(例：在我们组他是第二名)等。进一步提取跟序数词直接相关的结果，第二排，第二条、第二个、第三名，可得出一般性结论，序数词直接修饰的是位于其后的内容。由此，本文规定，当序数词位于句中时，将其与后面的关键词合并。

针对数字、字母

单独的数字和字母在句中也没有实际意义，必须与其他内容相结合。根据中文表达习惯，两者修饰的直接内容均位于其后。因此，本示例规定，将数字和字母类辅助性关键词与位于其后的结果相结合，如图7所示。

需要指出的是，将字母和数字与其后的关键词合并能保证绝大部分场景的正确性，但如果实际内容存在多重语义，则结果也可能出错。如“更衣室3灯管坏了”，“3”修饰更衣室或灯管都可以解释。

本示例中，相应短文本关键词提取切分便可达到精确切分，相应的用于医院后勤运维的短文本数据处理方法具有以下技术优点：

(1)处理流程

本示例提出的技术流程适合于对短文本按语义进行精确切分，既非最小粒度分割，也非段落划分，而是基于实际意义的短语划分。同时，可对短语按固定模式进行分类，便于后续统计分析和句式重组。

(2)关键词分类

常规分词方法包含关键词的词性，但无法对关键词分类。本方案在制定自定义分词时除了常规属性外，增加了分类维度。将短语划分“主要信息”和“辅助信息”两大类，各类下面继续划分子类。待处理文本经过分词后，利用模糊匹配在自定义分类词库中找到完整结果及对应类型。

(3)关键词编码

将“主要信息”和“辅助信息”分别用“数字”和“字母”进行编码，从而便于将文字关键词转化为数字和字母，如此便能根据字母的和数字的组合方式对输入短文本从模式上进行判断。同时，也解决了输入短文本可能存在的关键词序混乱、倒叙、插叙的问题。

(4)模式处理

从中文表达习惯入手，将“方位词”、“序数词”、“数字”、“字母”等辅助性短语根据自身特点与其前后关键词相结合，减少了直接分词后出现无意义的分词的可能性，增加了有效分词的语义完整性，同时也更方便后续处理。

在一个实施例中，所述根据语料库确定分类词库之前，还包括：

收集设定时段内针对描述对象发生的语句，得到语句源，根据所述语句源构建语料库。

上述设定时段可以包括过去3年的较长的时段。

作为一个实施例，所述描述对象包括医院。

本实施例可以保证所构建的语料库的准确性。

在一个示例中。以某大型三甲医院为描述对象为例，可以针对该大型三甲医院的特定领域，收集近几年的累积数据(即描述对象发生的语句)，构建语料库。

在一个实施例中，所述将所述分类词库按照预设的分词方式进行重组，得到初步分词词库，根据初步分词词库对语料库进行分词处理，对分词后的每个关键词进行词频统计，将统计结果分别加入初步分词词库，得到自定义分词词库之后，还包括：

获取公共停用词库，根据所述公共停用词库和分类词库构建自定义停用词库；所述自定义停用词库用于对全模式分词的分词结果进行清洗。

具体地，原始短文本通常会包含一些对文字处理不相关的内容，这些内容统一称为停用词，停用词不仅会降低文字处理效率，也会干扰分词类别判断和模式确定。常用公共停用词数量在1800个左右，经判定，公共停用词为常规停用词，若不加过滤，在特定领域将引起语义缺失和错误。比如“下”、“上”、“一个”等停用词在医院后勤运维领域有明确的实际意义，必须将其保留。本实施例可以采用以下方式得到自定义停用词库：

自定义停用词库＝公共停用词库-公共停用词库∩自定义分类词库

式中“∩”表示取交集。

在一个实施例中，所述对全模式分词的分词结果进行清洗包括：

采用所述自定义停用词库识别全模式分词的分词结果中的停用词，在剔除所识别的停用词后，去除全模式分词的分词结果中的重复词，得到多个有效项，并将所识别的停用词确定为辅助信息分词。

在全模式分词的分词结果中，出现在自定义停用词库中的词便为停用词。

本实施例所进行的清洗，具有更好的清洗效果。

参考图8所示，图8为一个实施例的用于医院后勤运维的短文本数据处理装置结构示意图，包括：

第一确定模块10，用于根据语料库确定分类词库；所述分类词库用于描述语料库所包括的各个词的词类别；

重组模块20，用于将所述分类词库按照预设的分词方式进行重组，得到初步分词词库，根据初步分词词库对语料库进行分词处理，对分词后的每个关键词进行词频统计，将统计结果分别加入初步分词词库，得到自定义分词词库；

分词模块30，用于采用所述自定义分词词库对待处理短文本进行全模式分词，对全模式分词的分词结果进行清洗，得到待处理短文本的辅助信息分词和多个有效项，对各个有效项采用模糊匹配方式在分类词库中进行匹配，得到各个有效项的初始匹配结果，在各个有效项的初始匹配结果中选取词频最高的匹配结果作为各个有效项的最终匹配结果；

第二确定模块40，用于根据辅助信息分词和最终匹配结果确定待处理短文本的有效文本信息。

在一个实施例中，所述第二确定模块用于：

确定各个的最终匹配结果的排列位置，根据排列位置确定有效词序列；

确定辅助信息分词在有效词序列中的位置；

根据辅助信息分词在有效词序列中的位置合并所述辅助信息分词和有效词序列。

关于用于医院后勤运维的短文本数据处理装置的具体限定可以参见上文中对于用于医院后勤运维的短文本数据处理方法的限定，在此不再赘述。上述用于医院后勤运维的短文本数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9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、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种用于医院后勤运维的短文本数据处理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请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。

基于如上所述的示例，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现如上述各实施例中的任意一种用于医院后勤运维的短文本数据处理方法。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述用于医院后勤运维的短文本数据处理方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

据此，在一个实施例中还提供一种计算机存储介质计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施例中的任意一种用于医院后勤运维的短文本数据处理方法。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

本申请实施例的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。