基于三层超关系知识图谱模型的药物推荐方法及装置

本发明涉及知识图谱领域。

背景技术：

1、知识图谱(knowledge graph)是一种大规模的语义网络，由节点和有向边组成，节点用于表示实体或概念，边表示实体间的各种语义关系。通常情况下，知识图谱由spo(subject-predication-object，主语-谓语-宾语)三元组作为基本单位，spo可以分为<实体-关系-实体>或<实体-属性-属性值>三元组，主要通过rdf模型或属性图模型进行表示。

2、由于医学知识的专业性强且复杂度高，spo模型结构较为简单难以精确表达医学知识。高血压作为世界范围内最常见的复杂慢性病之一，其知识的复杂性及专业性在医学领域中具有代表性，下面以高血压知识为例具体说明构建以三元组为基本单位的知识图谱仍存在的难点：

3、难点1：简单的二元关系难以表示复杂的医学知识。一般的基于spo的三元组的表示方法往往过分简化了存储在知识图谱中数据的复杂性，有研究表明，现实世界中许多知识无法用简单三元组完全表示其全部含义。特别是，简单三元组对高阶信息的丢失降低了知识图谱的表达能力。有相关研究证实，freebase中不能用二元关系简单表示的实体超过33.3％，关系超过61％。医学是一门复杂的学科，在知识建模方面将面对更加严峻的挑战。例如，一条高血压知识k为：“慢性肾病合并高血压患者的初始降压治疗应包括一种acei或arb”，知识涉及慢性肾病、高血压、患者、acei、arb共5个实体、1条显性二元关系初始降压治疗和1条隐含关系患有疾病。显而易见的，该知识无法只用2条二元关系简单进行表达，解决方案是联合多条二元关系表示(如图2(a))，但这导致了单一二元关系的不独立，极易造成知识表达的歧义。而通过多元关系(如图2(b))能够恰当的表示知识k。

4、难点2：普通知识图谱架构无法表示逻辑规则。由于高血压治疗需遵循循证医学原理，其核心思想是医疗决策应尽量以客观的临床研究结果为依据。因此对高血压知识图谱的建模必须考虑临床依据等中对诊断、治疗规则的逻辑表达，否则知识缺乏可解释性。目前大多数知识图谱是以本体为基础进行知识组织的，核心描述的是静态的事实，对于逻辑判断的表达能力有限。继续引用知识k举例，文本中蕴含逻辑关系“acei或arb”(临床中选择其中一种使用)，图谱中必须对或关系进行显式表示才能避免歧义产生，进而减少实际应用决策时带来的错误。

5、难点3：精细化的医学文本知识无法完全通过自动化方法抽取。一方面，医学领域与其他专业领域不同，对知识抽取的准确性、颗粒度有极高的要求。另一方面，目前对关系抽取的研究主要还停留在简单二元关系抽取，不足以建模医学场景下非结构化文本的复杂语义，而多元关系抽取的相关研究目前还不够成熟，达不到从知识k中抽取出准确的多元关系(如图2)的要求。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

2、为此，本发明的目的在于提出一种基于三层超关系知识图谱模型的药物推荐方法，用于实现基于医学规则的药物推荐辅助决策应用。

3、为达上述目的，本发明第一方面实施例提出了一种基于三层超关系知识图谱模型的药物推荐方法，包括：

4、获取目标用户的用户属性信息，所述用户属性信息包括患病情况、临床症状、体格检查、生理状态信息；

5、基于超关系知识图谱构建三层超关系知识模型，将所述用户属性信息输入所述三层超关系知识模型中转化为图查询语句的搜索条件；

6、利用所述搜索条件翻译出正确的图数据库查询语句，通过调用图数据库搜索引擎根据预设的推理条件得出推理结果；

7、将所述推理结果添加到用药方案，根据所述用药方案获取目标药物，并将所述目标药物推送给所述目标用户。

8、另外，根据本发明上述实施例的一种基于三层超关系知识图谱模型的药物推荐方法还可以具有以下附加的技术特征：

9、进一步地，在本发明的一个实施例中，所述三层超关系知识模型，包括计算层、概念层、实例层；

10、其中，所述实例层用于描述事实性的知识，存储实例数据；

11、所述概念层用于描述抽象和概念性的静态知识，存储疾病类型、临床表现、生理状态、检查数据、药品类型、疾病与药品的适用、禁忌关系，药物之间的相互作用；

12、所述计算层用于将概念层中描述的静态知识通过逻辑组合后描述完整的医学规则。

13、进一步地，在本发明的一个实施例中，所述将所述用户属性信息输入所述三层超关系知识模型中，包括：

14、获取用户属性信息，通过所述三层超关系知识模型将患者数据存储在5张子图空间，所述5张子图包括实例层子图、概念层子图、计算层子图、实例-概念关系子图和概念-计算关系子图。

15、进一步地，在本发明的一个实施例中，所述通过所述三层超关系知识模型将患者数据存储在5张子图空间，包括：

16、所述实例层、概念层、计算层子图负责存储每层内的实体和关系及其属性，所述实例-概念关系、概念-计算关系子图负责分别存储instance_of、abstract_of和这两种关系相连的实体。

17、进一步地，在本发明的一个实施例中，所述利用所述搜索条件翻译出正确的图数据库查询语句，通过调用图数据库搜索引擎根据预设的推理条件得出推理结，包括：

18、将患者数据转化为概念层图模式；

19、根据所述用户属性信息依据预定规则编写cypher语句；

20、将所述cypher语句输入neo4j查询进行预筛选，得到符合预筛选条件的所有数据，并将数据以所述计算层的超关系事实为单位进行分组，一组视为一条完整的医学规则；

21、遍历符合条件的规则；

22、取一条规则，判断每个推理条件与所述用户属性信息是否相符，相符则取真值，否则取假值；

23、根据推理条件取值、逻辑运算符进行计算，得出推理结果。

24、进一步地，在本发明的一个实施例中，将所述推理结果添加到用药方案，根据所述用药方案获取目标用药，并将所述目标用药推送给所述目标用户，包括：

25、若推理结果为真，则将结果添加至用药方案列表，否则跳过；

26、对用药方案列表根据推荐级别进行合并，所述推荐级别分为：适用、可能适用、证据不足或不适用、禁忌；

27、输出药物推荐结果。

28、为达上述目的，本发明第二方面实施例提出了一种基于三层超关系知识图谱模型的药物推荐装置，包括：

29、获取模块，用于获取目标用户的用户属性信息，所述用户属性信息包括患病情况、临床症状、体格检查、生理状态信息；

30、构建模块，用于基于超关系知识图谱构建三层超关系知识模型，将所述用户属性信息输入所述三层超关系知识模型中转化为图查询语句的搜索条件；

31、搜索模块，用于利用所述搜索条件翻译出正确的图数据库查询语句，通过调用图数据库搜索引擎根据预设的推理条件得出推理结果；

32、输出模块，用于将所述推理结果添加到用药方案，根据所述用药方案获取目标药物，并将所述目标药物推送给所述目标用户。

33、进一步地，在本发明的一个实施例中，，所述输出模块，还用于：

34、将患者数据转化为概念层图模式；

35、根据所述用户属性信息依据预定规则编写cypher语句；

36、将所述cypher语句输入neo4j查询进行预筛选，得到符合预筛选条件的所有数据，并将数据以所述计算层的超关系事实为单位进行分组，一组视为一条完整的医学规则；

37、遍历符合条件的规则；

38、取一条规则，判断每个推理条件与所述用户属性信息是否相符，相符则取真值，否则取假值；

39、根据推理条件取值、逻辑运算符进行计算，得出推理结果，若推理结果为真，则将结果添加至用药方案列表，否则跳过；

40、对用药方案列表根据推荐级别进行合并，推荐级别分为：适用、可能适用、证据不足或不适用、禁忌；

41、输出药物推荐结果。

42、为达上述目的，本发明第三方面实施例提出了一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述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，实现如上所述的基于三层超关系知识图谱模型的药物推荐方法。

43、为达上述目的，本发明第四方面实施例提出了一种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上所述的基于三层超关系知识图谱模型的药物推荐方法。

44、本发明实施例的基于三层超关系知识图谱模型的药物推荐方法，首先，引入超关系知识图谱的概念表示多元关系知识。其次，将高血压知识图谱分解为三层架构：实例层、概念层、计算层，相较于一般的知识图谱在概念层之上增加了计算层，并在计算层中引入逻辑表示结构。最后，根据高血压权威指南、临床研究等非结构化文本，遵循了循证医学的原理，通过半自动化的方法构建出精细准确的高血压知识图谱。