相似文本的推荐方法、装置和电子设备与流程

1.本公开涉及人工智能技术领域，特别涉及一种相似文本的推荐方法、相似文本的推荐装置、相似病例文本的推荐方法、相似病例文本的推荐装置、电子设备和非易失性计算机可读存储介质。


背景技术：

2.推荐系统主要指应用协同智能做推荐的技术，能够有效解决信息过载问题。推荐系统能够根据用户的偏好和约束，为用户提供包含个性化物品及其相关信息的排序推荐列表。
3.文本推荐系统能够根据用户提供的主诉文本确定相似文本。精准的文本推荐系统可以提升和改善各应用领域的用户体验，进而提高该应用领域的收益。例如，将文本推荐系统应用到医学领域，能够推荐与患者病情相似的历史病例，作为医疗诊断的参考文本。
4.在相关技术中，可以基于文本内容的相似度，来推荐相似的文本。


技术实现要素：

5.本公开的发明人发现上述相关技术中存在如下问题：确定文本相似性的依据单一，导致文本推荐的准确性低。
6.鉴于此，本公开提出了一种相似文本的推荐技术方案，能够提高文本推荐的准确性。
7.根据本公开的一些实施例，提供了一种相似文本的推荐方法，包括：确定用户的主诉文本与各历史文本之间的相似度参数；将各历史文本的特征信息输入机器学习模型，输出各历史文本的质量评估参数；根据相似度参数、质量评估参数，在各历史文本中推荐主诉文本的相似文本。
8.在一些实施例中，确定用户的主诉文本与各历史文本之间的相似度参数包括：根据主诉文本中的检索词、各历史文本的索引信息，确定相似度参数。
9.在一些实施例中，根据主诉文本中的检索词、各历史文本的索引信息，确定相似度参数包括：根据获取的主诉文本包含的实体，确定检索词；根据检索词、索引信息，确定相似度参数，索引信息根据各历史文本包含的实体建立。
10.在一些实施例中，将各历史文本的特征信息输入机器学习模型，输出各历史文本的质量评估参数包括：根据相似度参数，在各历史文本中确定主诉文本的各相关文本；将各相关文本的特征信息输入机器学习模型，输出质量评估参数。
11.在一些实施例中，在各历史文本中推荐主诉文本的相似文本包括：根据相似度参数、质量评估参数，在各相关文本中推荐主诉文本的相似文本。
12.在一些实施例中，根据相似度参数，在各历史文本中确定主诉文本的各相关文本包括：按照相似度参数从大到小的顺序，对各历史文本进行排序；将排序高于阈值的历史文本，确定为各相关文本。
13.在一些实施例中，相似度参数与各检索词的逆文档频率正相关，与各检索词在各历史文本中的出现次数正相关，与各历史文本的长度参数负相关，长度参数与所有历史文本的平均长度负相关，与相应的历史文本的长度正相关。
14.在一些实施例中，将各历史文本的特征信息输入机器学习模型，输出各历史文本的质量评估参数；将各历史文本的特征信息和索引信息的词向量输入机器学习模型，输出各历史文本的质量评估参数。
15.在一些实施例中，主诉文本为患者主诉文本，历史文本为历史病例文本，相似文本为患者主诉文本的相似病例文本。
16.在一些实施例中，特征信息包括病例内容特征信息、医生画像特征中的至少一项，病例内容特征信息包括医生与患者的对话轮数、历史病例文本包含的医学专业名词的数量中的至少一项，医生画像特征包括医生的职称、所在医院等级、好评率、接诊量中的至少一项。
17.在一些实施例中，推荐方法还包括：根据用户对各相似文本的筛选结果，在各相似文本中确定推荐文本，筛选结果根据各相似文本相应的患者信息、医生画像、问诊过程信息中的至少一项确定。
18.在一些实施例中，检索词、索引信息根据结巴分词方法确定，相似度参数根据es(elasticsearch，弹性搜索)框架和二值模型bm25(二值模型)方法确定。
19.在一些实施例中，实体为医学领域实体包括疾病类实体、症状类实体、药品类实体、医学检查类实体中的至少一项。
20.根据本公开的另一些实施例，提供一种相似病例文本的推荐方法，包括：确定用户的患者主诉文本与各历史病例文本之间的相似度参数；将各历史病例文本的特征信息输入机器学习模型，输出各历史病例文本的质量评估参数；根据相似度参数、质量评估参数，在各历史病例文本中推荐患者主诉文本的相似病例文本。
21.根据本公开的又一些实施例，提供一种相似文本的推荐装置，包括：相似度确定单元，用于确定用户的主诉文本与各历史文本之间的相似度参数；质量评估单元，用于将各历史文本的特征信息输入机器学习模型，输出各历史文本的质量评估参数；推荐单元，用于根据相似度参数、质量评估参数，在各历史文本中推荐主诉文本的相似文本。
22.在一些实施例中，相似度确定单元根据主诉文本中的检索词、各历史文本的索引信息，确定相似度参数。
23.在一些实施例中，相似度确定单元根据获取的主诉文本包含的实体，确定检索词，根据检索词、索引信息，确定相似度参数，索引信息根据各历史文本包含的实体建立。
24.在一些实施例中，质量评估单元根据相似度参数，在各历史文本中确定主诉文本的各相关文本，将各相关文本的特征信息输入机器学习模型，输出质量评估参数。
25.在一些实施例中，推荐单元根据相似度参数、质量评估参数，在各相关文本中推荐主诉文本的相似文本。
26.在一些实施例中，质量评估单元按照相似度参数从大到小的顺序，对各历史文本进行排序；将排序高于阈值的历史文本，确定为各相关文本。
27.在一些实施例中，相似度参数与各检索词的逆文档频率正相关，与各检索词在各历史文本中的出现次数正相关，与各历史文本的长度参数负相关，长度参数与所有历史文
本的平均长度负相关，与相应的历史文本的长度正相关。
28.在一些实施例中，质量评估单元将各历史文本的特征信息输入机器学习模型，输出各历史文本的质量评估参数；将各历史文本的特征信息和索引信息的词向量输入机器学习模型，输出各历史文本的质量评估参数。
29.在一些实施例中，主诉文本为患者主诉文本，历史文本为历史病例文本，相似文本为患者主诉文本的相似病例文本。
30.在一些实施例中，特征信息包括病例内容特征信息、医生画像特征中的至少一项，病例内容特征信息包括医生与患者的对话轮数、历史病例文本包含的医学专业名词的数量中的至少一项，医生画像特征包括医生的职称、所在医院等级、好评率、接诊量中的至少一项。
31.在一些实施例中，推荐单元根据用户对各相似文本的筛选结果，在各相似文本中确定推荐文本，筛选结果根据各相似文本相应的患者信息、医生画像、问诊过程信息中的至少一项确定。
32.在一些实施例中，检索词、索引信息根据结巴分词方法确定，相似度参数根据es框架和二值模型bm25方法确定。
33.在一些实施例中，实体为医学领域实体包括疾病类实体、症状类实体、药品类实体、医学检查类实体中的至少一项。
34.根据本公开的再一些实施例，提供一种相似病例文本的推荐装置，包括：相似度确定单元，用于确定用户的患者主诉文本与各历史病例文本之间的相似度参数；质量评估单元，用于将各历史病例文本的特征信息输入机器学习模型，输出各历史病例文本的质量评估参数；推荐单元，用于根据相似度参数、质量评估参数，在各历史病例文本中推荐患者主诉文本的相似病例文本。
35.根据本公开的又一些实施例，提供一种电子设备，包括：存储器；和耦接至存储器的处理器，处理器被配置为基于存储在存储器装置中的指令，执行上述任一个实施例中的相似文本的推荐方法或者相似病例文本的推荐方法。
36.根据本公开的再一些实施例，提供一种非易失性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一个实施例中的相似文本的推荐方法或者相似病例文本的推荐方法。
37.在上述实施例中，结合文本之间的相似度和历史文本的质量评估结果，确定推荐的相似文本。这样，能够从文本的相对评估结果和自身评估结果两个维度确定文本相似性，从而提高了文本推荐的准确性。
附图说明
38.构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
39.参照附图，根据下面的详细描述，可以更加清楚地理解本公开：
40.图1示出本公开的相似文本的推荐方法的一些实施例的流程图；
41.图2示出本公开的相似文本的推荐方法的一些实施例的示意图；
42.图3示出本公开的相似文本的推荐方法的另一些实施例的示意图；
43.图4示出本公开的相似文本的推荐装置的一些实施例的框图；
44.图5示出本公开的电子设备的一些实施例的框图；
45.图6示出本公开的电子设备的另一些实施例的框图。
具体实施方式
46.现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
47.同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
48.以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
49.对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，技术、方法和设备应当被视为授权说明书的一部分。
50.在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
51.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
52.如前所述，基于文本内容的推荐系统仅依照文本之间相关性的排序结果推荐相似文本。例如，仅根据患者主诉文本与历史病历文本的相似性进行排序。
53.基于文本内容的推荐系统存在的技术问题包括：排序过程参考特征单一，未对历史病历的内容进行评估；缺少用户对推荐文本的自定义筛选、过滤的支持。
54.针对上述技术问题，本公开基于多维特征对历史文本进行排序，以实现相似文本的推荐，以及对相似历史文本的召回。多维特征可以包括病历质量、医生画像、相似性等特征。
55.例如，考虑到保证患者用户体验、召回的准确率，以及需要处理大量的问诊对话内容，本公开基于医疗实体词典，利用分词技术识别出文本中的医学实体；采用“搜索引擎”的方式进行更准确的相似历史病历召回。
56.在召回相似历史病历的基础上，进行多维特征抽取来判定病历文本的质量；融合召回的相似性和质量，计算综合推荐参数并排序；患者可以对推荐结果进行自定义过滤、筛选，以输出最终的相似病历。例如，可以通过下面的实施例实现本公开的技术方案。
57.图1示出本公开的相似文本的推荐方法的一些实施例的流程图。
58.如图1所示，在步骤110中，确定用户的主诉文本与各历史文本之间的相似度参数。
59.在一些实施例中，根据主诉文本中的检索词、各历史文本的索引信息，确定相似度参数。例如，根据获取的主诉文本包含的实体，确定检索词；根据检索词、索引信息，确定相似度参数，索引信息根据各历史文本包含的实体建立。
60.在一些实施例中，主诉文本为患者主诉文本，历史文本为历史病例文本，相似文本为患者主诉文本的相似病例文本。例如，实体可以为医学领域实体包括疾病类实体、症状类实体、药品类实体、医学检查类实体中的至少一项。
61.在一些实施例中，可以基于线下整理的医学实体词典，通过结巴分词算法和自定义词典技术对文本进行分词。从而，从文本中识别出疾病、症状、药品、检查等多种类型的医学领域实体，以完成医学领域实体的识别。
62.在一些实施例中，检索词、索引信息根据结巴分词方法确定。相似度参数根据es框架和bm25方法确定。例如，可以基于搜索引擎框架，利用结巴分词方法进行实体识别，利用bm25算法对相似历史病历文本进行召回。
63.例如，搜索引擎框架可以采用es框架。es框架是分布式、开源一体化的搜索引擎框架。应用es搜索引擎可对分词、建索引及排序等处理过程进行自定义组件化应用配置。
64.在一些实施例中，可以预先为各历史病例文本构建基于实体(各种具有实际意义的名词)关联历史病历文本的词频文档链表。这样，可以对文本内容的搜索转化为对实体的搜索，再链接到相应的文本，从而提高文档检索效率。例如，可以通过配置化文档，利用es构建实体及词频关联文档链表。
65.在一些实施例中，相似度参数与各检索词的逆文档频率正相关，与各检索词在各历史文本中的出现次数正相关，与各历史文本的长度参数负相关。长度参数与所有历史文本的平均长度负相关，与相应的历史文本的长度正相关。
66.例如，相似度参数score(d|q)可以通过如下公式确定：
[0067][0068]
d为历史文本，q为包含i个检索词q
i
的集合，f(q
i
d)为检索词q
i
在历史文本d中出现的次数，|d|为历史文本d中词的数量，avgdl为整个历史文本库中文本的平均长度。
[0069]
k
i
为根据需要设置的参数，代表词语频率饱和度，用于调节检索词出现次数多时的重要性高于出现次数少时的重要性。例如，k
i
∈[1.2,2.0]。
[0070]
b为根据需要设置的参数，代表字段长度规约，，用于控制文本长度对权值的惩罚程度。例如，b＝0.75。
[0071]
idf(q
i
)为检索词q
i
的逆文档频率：
[0072][0073]
n(q
i
)为包含q
i
的历史文本数量，n为历史文本的总数量，a为根据需要设置的大于0小于1的参数。一个词的idf大意味着这个词只在较少文本中出现，也就意味着这个词比较特殊。
[0074]
在一些实施例中，基于es搜索引擎，利用bm25算法召回的相关文本，仅表示了主诉文本与各历史文本的相似程度，但是各历史文本的质量并没有评估。因此，可以通过步骤120、130结合文本质量评估和相似程度对历史文本进行综合排序。
[0075]
在步骤120中，将各历史文本的特征信息输入机器学习模型，输出各历史文本的质量评估参数。
[0076]
在一些实施例中，根据相似度参数，在各历史文本中确定主诉文本的各相关文本。
例如，根据相似度参数的大小，对各历史文本进行排序；根据排序结果和排序阈值的比较结果，确定各相关文本。
[0077]
在一些实施例中，将各相关文本的特征信息输入机器学习模型，输出质量评估参数。例如，将各历史文本的特征信息和索引信息的词向量输入机器学习模型，输出各历史文本的质量评估参数。
[0078]
在一些实施例中，特征信息包括病例内容特征信息、医生画像特征中的至少一项。例如，病例内容特征信息包括医生与患者的对话轮数、历史病例文本包含的医学专业名词的数量中的至少一项；医生画像特征包括医生的职称、所在医院等级、好评率、接诊量中的至少一项。
[0079]
在一些实施例中，可以将文本质量评估问题建模为高质量文本、低质量文本的二分类问题。例如，可以配置文本质量分类的多维特包括病历内容特征、医生画像特征等。
[0080]
例如，病历内容特征可以包括医患对话轮数、医生回答所包含的信息量。信息量可以为回答包含的医学知识量，如疾病、症状、药物或治疗等医学领域实体的数量。
[0081]
例如，医生画像特征可以包括医生职称、医生就职医院等级、好评率、接诊量等。
[0082]
在步骤130中，根据相似度参数、质量评估参数，在各历史文本中推荐主诉文本的相似文本。
[0083]
在一些实施例中，根据相似度参数、质量评估参数，在各相关文本中推荐主诉文本的相似文本。
[0084]
在一些实施例中，根据用户对各相似文本的筛选结果，在各相似文本中确定推荐文本。筛选结果根据各相似文本相应的患者信息、医生画像、问诊过程信息中的至少一项确定。
[0085]
在一些实施例中，在推荐的相似文本的集合后，用户可以基于多维度筛选逻辑，对相似文本进行筛选。例如，筛选逻辑可以包括患者用户维度、医生维度、问诊过程维度等。
[0086]
例如，用户维度可以包括患者性别、年龄、病史等用户的相关信息；医生维度可以包括医生职级、就诊医院等级、好评率、接诊量等医生的相关信息；问诊过程维度可以包括是否复诊、是否治愈等问诊的相关信息。
[0087]
在一些实施例中，可以采用基于textcnn(text convolutional neural networks，文本卷积神经网络)深度学习算法配置机器学习模型。例如，可以通过图2中的实施例对非结构化的病历文本数据、结构化的医生画像数据进行多维特征融合学习。
[0088]
图2示出本公开的相似文本的推荐方法的一些实施例的示意图。
[0089]
如图2所示，机器学习模型包括卷积层、池化层、dropout(丢弃)层和全连接层。可以历史病例文本的词向量、基于医学领域实体的索引的词向量、医生画像信息为训练数据，以该历史病例文本的质量评估参数为标注结果，训练机器学习模型。
[0090]
在线评估过程中，可以将历史病例文本的词向量、索引的词向量、医生画像信息等输入训练好的机器学习模型，输出质量评估参数。
[0091]
在文本推荐过程中，利用机器学习模型输出的质量评估参数作为质量评估结果，结合相似程度确定结果进行相似文本推荐。
[0092]
相似文本推荐的本质在于结合文本之间的相似性和文本质量的高低，为用户推荐有意义的优质文本。例如，可以结合es召回的相关历史文本的相似程度和质量评估结果，计
算综合评估参数；基于此综合评估参数返回相似文本。
[0093]
在一些实施例中，综合评估参数r可以根据相似度参数s1和质量评估参数s2的加权平均值确定：
[0094]
r＝αs1+(1
‑
α)s2[0095]
α为根据需求设置的大于0小于1的权重，用于调节相似度参数和质量评估参数对综合评估结果的影响大小。
[0096]
图3示出本公开的相似文本的推荐方法的另一些实施例的示意图。
[0097]
如图3所示，根据本公开的技术方案可以于在线问诊平台系统中实现基于多维特征排序的相似病历文本推荐系统。该系统主要包括相似病历召回模块、多维特征排序模块、用户过滤模块等。
[0098]
在一些实施例中，相似病历召回模块主要通过搜索引擎框架，应用基于结巴分词的实体识别算法和bm25算法对相似病历文本进行召回。例如，搜索引擎框架可以应用es框架。es框架是分布式、开源一体化搜索引擎框架应用es搜索引擎可对分词、建立索引及多维特征排序等模块进行自定义组件化应用配置。
[0099]
在一些实施例中，根据此搜索框架进行相似病历文本召回，主要步骤包括建立历史病历文本的索引、基于患者主诉文本的索引查询、相似病历文本的召回等。
[0100]
在建立索引步骤中，构建实体词与不同病历文本的词频文本链表。这样，可以将对本搜索转化为索引查询，即基于对实体的搜索结果进行相应文本的链，从而提高文档检索效率。
[0101]
在识别实体步骤中，医学领域实体的识别主要通过医生线下整理的医疗实体词典，利用结巴分词、自定义词典技术进行分词处理，以识别出疾病、症状、药品、检查等多种类型的医学领域实体。可通过配置化文档经es构建实体、词频关联文本链表。
[0102]
在相似病例历召回步骤中，可以在es框架下应用bm25算法进行患者主诉文本与历史病历文本的相似度参数计算，作为召回的依据之一。
[0103]
在一些实施例中，结合相似度参数和质量评估参数可以确定最终的召回相似文本。因此，相似病历文本召回还可以包括病历质量评估步骤。
[0104]
例如，在病历质量评估步骤中，建模病历文本是高质量还是低质量的二分类问题。影响病历质量的多维特征包括病历内容特征和医生画像特征。
[0105]
病历内容特征包括医患对话轮数、医生回答所包含的信息量，即所包含医学知识量，如疾病、症状、药物或治疗等专业名词个数。医生画像特征包括医生职称、医生就职医院等级、好评率与接诊量等。
[0106]
为了更好、更全地抽取病历内容特征，可以基于textcnn深度学习算法对非结构化病历文本数据和结构化医生画像数据进行多维特征融合学习。
[0107]
相似病历推荐的本质在于结合用户问题之间的相似性和医生解答过程的质量高低，综合两者为用户推荐有意义的优质病历。通过es召回的历史病历相似度结合病历质量评估技术综合评估参数，最后基于此综合评估参数进行排序返回。
[0108]
在索引查询步骤中，患者根据主诉文本进行索引查询。可以先经分词解析识别主诉中的医学领域实体；然后根据主诉文本中的实体对索引信息中实体对应的历史文本进行查询；最后经bm25算法计算各病历文本的相似度参数，排序后返回。
[0109]
在相似病历用户过滤步骤中，将推荐的相似文本集合提供给用户，以便与用户基于多维度筛选逻辑进行过滤。和筛选逻辑包括按患者用户维度、医生维度、问诊过程维度等。
[0110]
用户维度包括患者性别、年龄、病史等；医生维度包括医生职级、就诊医院等级、好评率及接诊量等；问诊过程包括是否复诊、是否治愈等。
[0111]
上述实施例中，基于在线问诊平台建立了根据用户输入的主诉文本、用户画像信息等，推荐高质量的、脱敏的、相似的历史病历文本的系统。该系统还可以给用户提供多维度过滤、筛选功能。
[0112]
相似病历文本的推荐具有重要意义。一方面利用了平台积累的高质量问诊过程知识资源，为患者就医提供参考；另一方面提升改善了用户体验。用户可直接选择推荐病历对应的医生进行在线问诊咨询，进而为平台增加收益。
[0113]
图4示出本公开的相似文本的推荐装置的一些实施例的框图。
[0114]
如图4所示，相似文本的推荐装置4包括相似度确定单元41、质量评估单元42和推荐单元43。
[0115]
相似度确定单元41确定用户的主诉文本与各历史文本之间的相似度参数。
[0116]
在一些实施例中，相似度确定单元41根据主诉文本中的检索词、各历史文本的索引信息，确定相似度参数。
[0117]
在一些实施例中，相似度确定单元41根据获取的主诉文本包含的实体，确定检索词，根据检索词、索引信息，确定相似度参数，索引信息根据各历史文本包含的实体建立。
[0118]
在一些实施例中，相似度参数与各检索词的逆文档频率正相关，与各检索词在各历史文本中的出现次数正相关，与各历史文本的长度参数负相关，长度参数与所有历史文本的平均长度负相关，与相应的历史文本的长度正相关。
[0119]
质量评估单元42将各历史文本的特征信息输入机器学习模型，输出各历史文本的质量评估参数。
[0120]
在一些实施例中，质量评估单元42根据相似度参数，在各历史文本中确定主诉文本的各相关文本，将各相关文本的特征信息输入机器学习模型，输出质量评估参数。
[0121]
在一些实施例中，质量评估单元42按照相似度参数从大到小的顺序，对各历史文本进行排序；将排序高于阈值的历史文本，确定为各相关文本。
[0122]
在一些实施例中，质量评估单元42将各历史文本的特征信息输入机器学习模型，输出各历史文本的质量评估参数；将各历史文本的特征信息和索引信息的词向量输入机器学习模型，输出各历史文本的质量评估参数。
[0123]
推荐单元43根据相似度参数、质量评估参数，在各历史文本中推荐主诉文本的相似文本。
[0124]
在一些实施例中，推荐单元43根据相似度参数、质量评估参数，在各相关文本中推荐主诉文本的相似文本。
[0125]
在一些实施例中，主诉文本为患者主诉文本，历史文本为历史病例文本，相似文本为患者主诉文本的相似病例文本。
[0126]
在一些实施例中，特征信息包括病例内容特征信息、医生画像特征中的至少一项，病例内容特征信息包括医生与患者的对话轮数、历史病例文本包含的医学专业名词的数量
中的至少一项，医生画像特征包括医生的职称、所在医院等级、好评率、接诊量中的至少一项。
[0127]
在一些实施例中，推荐单元43根据用户对各相似文本的筛选结果，在各相似文本中确定推荐文本，筛选结果根据各相似文本相应的患者信息、医生画像、问诊过程信息中的至少一项确定。
[0128]
在一些实施例中，检索词、索引信息根据结巴分词方法确定，相似度参数根据es框架和二值模型bm25方法确定。
[0129]
在一些实施例中，实体为医学领域实体包括疾病类实体、症状类实体、药品类实体、医学检查类实体中的至少一项。
[0130]
图5示出本公开的电子设备的一些实施例的框图。
[0131]
如图5所示，该实施例的电子设备5包括：存储器51以及耦接至该存储器51的处理器52，处理器52被配置为基于存储在存储器51中的指令，执行本公开中任意一个实施例中的相似文本的推荐方法或者相似病例文本的推荐方法。
[0132]
其中，存储器51例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序boot loader、数据库以及其他程序等。
[0133]
图6示出本公开的电子设备的另一些实施例的框图。
[0134]
如图6所示，该实施例的电子设备6包括：存储器610以及耦接至该存储器610的处理器620，处理器620被配置为基于存储在存储器610中的指令，执行前述任意一个实施例中的相似文本的推荐方法或者相似病例文本的推荐方法。
[0135]
存储器610例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如存储有操作系统、应用程序、引导装载程序boot loader以及其他程序等。
[0136]
电子设备6还可以包括输入输出接口630、网络接口640、存储接口650等。这些接口630、640、650以及存储器610和处理器620之间例如可以通过总线660连接。其中，输入输出接口630为显示器、鼠标、键盘、触摸屏、麦克、音箱等输入输出设备提供连接接口。网络接口640为各种联网设备提供连接接口。存储接口650为sd卡、u盘等外置存储设备提供连接接口。
[0137]
本领域内的技术人员应当明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质包括但不限于磁盘存储器、cd
‑
rom、光学存储器等上实施的计算机程序产品的形式。
[0138]
至此，已经详细描述了根据本公开的相似文本的推荐方法、相似文本的推荐装置、相似病例文本的推荐方法、相似病例文本的推荐装置、电子设备和非易失性计算机可读存储介质。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
[0139]
可能以许多方式来实现本公开的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本公开的方法和系统。用于方法的步骤的上述顺序仅是为了进行说明，本公开的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本公开实施为记录在记录介质中的程序，这些程序包括
用于实现根据本公开的方法的机器可读指令。因而，本公开还覆盖存储用于执行根据本公开的方法的程序的记录介质。
[0140]
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。