本發(fā)明實(shí)施例涉及數(shù)據(jù)處理技術(shù)領(lǐng)域，尤其是涉及一種基于詞向量自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的方法和系統(tǒng)。

背景技術(shù)：

伴隨著互聯(lián)網(wǎng)醫(yī)療領(lǐng)域的諸多醫(yī)患在線問答網(wǎng)站和手機(jī)應(yīng)用服務(wù)的快速發(fā)展，海量的患者病情及各類綜合信息的口語化描述，以及所對應(yīng)著的醫(yī)生診斷結(jié)果構(gòu)成問答對，形成了寶貴的問診知識庫。由于這些記錄往往是非結(jié)構(gòu)化數(shù)據(jù)，而且存在大量口語化描述所導(dǎo)致的非規(guī)范醫(yī)學(xué)術(shù)語，直接利用這些數(shù)據(jù)會存在諸多挑戰(zhàn)。與此同時，在線問診的患者病例中有大量重復(fù)工作，這對于寶貴的醫(yī)生人力資源是一種浪費(fèi)。如果能利用人工智能算法代替醫(yī)生做出初步的診斷結(jié)果，將大大提升問診效率。這個任務(wù)可以總結(jié)為：對一個新輸入的患者關(guān)于自身性別、年齡、癥狀、疾病史等綜合信息的描述，利用語句分析和相關(guān)算法，結(jié)合預(yù)先構(gòu)建的領(lǐng)域知識圖譜，返回一個患者的疾病診斷結(jié)果預(yù)測。

現(xiàn)有的技術(shù)方案主要有以下兩種方法：1、通過搜索問答庫中和患者描述相似度最高的問題，返回所對應(yīng)的醫(yī)生診斷結(jié)果。這類方法的主要問題是并未真正分析患者描述中出現(xiàn)的疾病信息，文本的相似度并不能完全反映患者病情的相似度，匹配準(zhǔn)確度欠佳。2、通過患者點(diǎn)選與病情相關(guān)的癥狀和患病部位等信息，疊加專家預(yù)先標(biāo)注的信息標(biāo)簽對應(yīng)疾病打分，最終返回一個可能患病的概率排序。這類方法的問題是，人工打分存在極大的不穩(wěn)定性和主觀性，而且在需要標(biāo)注的疾病數(shù)量大的時候要耗費(fèi)大量的人力和時間成本，另外，對于可選癥狀外的信息，診斷系統(tǒng)無法分析利用。

有鑒于此，特提出本發(fā)明。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中的上述問題，即為了解決如何對患者的口語病情描述做出預(yù)測的技術(shù)問題，本發(fā)明實(shí)施例提供一種基于詞向量 自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的方法。此外，本發(fā)明實(shí)施例還提供一種基于詞向量自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的系統(tǒng)。

為了實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的一個方面，提供以下技術(shù)方案：

一種基于詞向量自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的方法，該方法包括：

獲取患者描述；

利用基于詞向量建立的擴(kuò)充的疾病-疾病相關(guān)因子字典，對患者描述進(jìn)行關(guān)鍵詞匹配，提取患者描述中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)；

檢測提取出來的詞語和表達(dá)是否在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中；

基于檢測結(jié)果，結(jié)合根據(jù)擴(kuò)充的疾病-疾病相關(guān)因子字典得到的疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分，計算疾病的分?jǐn)?shù)；

對疾病的分?jǐn)?shù)進(jìn)行排序；

根據(jù)排序結(jié)果確定疾病。

進(jìn)一步地，擴(kuò)充的疾病-疾病相關(guān)因子字典可以通過以下方式建立：

利用醫(yī)學(xué)信息訓(xùn)練關(guān)于疾病-疾病相關(guān)因子的詞向量嵌入分布式表示模型；

基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充，建立擴(kuò)充的疾病、疾病相關(guān)因子字典。

進(jìn)一步地，利用醫(yī)學(xué)信息訓(xùn)練關(guān)于疾病-疾病相關(guān)因子的詞向量嵌入分布式表示模型，具體可以包括：

獲取醫(yī)學(xué)信息訓(xùn)練語料；

對醫(yī)學(xué)信息訓(xùn)練語料進(jìn)行清洗；

統(tǒng)計在問答庫記錄中出現(xiàn)的高頻表達(dá)方式，增大高頻表達(dá)方式在分詞模型中的權(quán)重，并進(jìn)行中文分詞，得到訓(xùn)練文本；

對訓(xùn)練文本進(jìn)行訓(xùn)練，生成詞向量嵌入分布式表示模型。

進(jìn)一步地，疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分可以通過以下方式確定：

基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充，建立替換詞表；

使用擴(kuò)充的疾病-疾病相關(guān)因子字典和替換詞表，匹配醫(yī)學(xué)信息中的疾病-疾病相關(guān)因子，計算疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分。

進(jìn)一步地，使用擴(kuò)充的疾病-疾病相關(guān)因子字典和替換詞表，匹配醫(yī)學(xué)信息中的疾病-疾病相關(guān)因子，計算疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分，具體可以包括：

利用擴(kuò)充的疾病-疾病相關(guān)因子字典，對醫(yī)患問答記錄進(jìn)行關(guān)鍵詞的匹配，提取醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)；

檢測提取出的醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)是否在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中；

若不在，則根據(jù)替換詞表，將提取出的醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)歸一化到對應(yīng)的標(biāo)準(zhǔn)表達(dá)中；

基于標(biāo)準(zhǔn)表達(dá)，統(tǒng)計疾病及其相關(guān)因子共現(xiàn)的頻數(shù)，得到疾病相關(guān)因子和疾病的共現(xiàn)頻數(shù)記錄矩陣；

基于疾病相關(guān)因子和疾病的共現(xiàn)頻數(shù)記錄矩陣，使用非線性變換方法，得到疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分。

進(jìn)一步地，該方法還可以包括：

基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充，建立替換詞表；

檢測提取出來的詞語和表達(dá)是否在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中，具體包括：

若未檢測到，則根據(jù)替換詞表，將提取出來的詞語和表達(dá)歸一化到對應(yīng)的標(biāo)準(zhǔn)表達(dá)中，得到標(biāo)準(zhǔn)化疾病相關(guān)因子；

基于檢測結(jié)果，結(jié)合根據(jù)擴(kuò)充的疾病-疾病相關(guān)因子字典得到的疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分，計算疾病的分?jǐn)?shù)，具體包括：

基于標(biāo)準(zhǔn)化疾病相關(guān)因子，結(jié)合根據(jù)擴(kuò)充的疾病-疾病相關(guān)因子字典得到的疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分，計算疾病的分?jǐn)?shù)。

進(jìn)一步地，疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分可以通過下式確定：

其中，Score(i，j)表示疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分；P(D_i|F_j)表示患有疾病的條件概率；D_i表示疾病；F_j表示疾病相關(guān)因子；N_i表示疾病頻數(shù)，N_i＝∑_jN_ij，N_ij表示記錄頻數(shù)。

進(jìn)一步地，疾病的分?jǐn)?shù)可以通過下式得到：

其中，DS(D_i)表示疾病的分?jǐn)?shù)；D_i表示疾??；W(F_j)表示疾病類別映射權(quán)值；Score(i,j)表示疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分。

為了實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的另一個方面，還提供了以下技術(shù)方案：

一種基于詞向量自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的系統(tǒng)，該系統(tǒng)可以包括：

獲取模塊，用于獲取患者描述；

提取模塊，用于利用基于詞向量建立的擴(kuò)充的疾病-疾病相關(guān)因子字典，對患者描述進(jìn)行關(guān)鍵詞匹配，提取患者描述中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)；

檢測模塊，用于檢測提取出來的詞語和表達(dá)是否在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中；

計算模塊，用于基于檢測結(jié)果，結(jié)合根據(jù)擴(kuò)充的疾病-疾病相關(guān)因子字典得到的疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分，計算疾病的分?jǐn)?shù)；

排序模塊，用于對疾病的分?jǐn)?shù)進(jìn)行排序；

確定模塊，用于根據(jù)排序結(jié)果確定疾病。

進(jìn)一步地，提取模塊還具體可以包括：

詞向量模型建立單元，用于利用醫(yī)學(xué)信息訓(xùn)練關(guān)于疾病-疾病相關(guān)因子的詞向量嵌入分布式表示模型；

擴(kuò)充詞典建立單元，用于基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充，建立擴(kuò)充的疾病、疾病相關(guān)因子字典。

進(jìn)一步地，詞向量模型建立單元具體可以包括：

獲取單元，用于獲取醫(yī)學(xué)信息訓(xùn)練語料；

清洗單元，用于對醫(yī)學(xué)信息訓(xùn)練語料進(jìn)行清洗；

第一統(tǒng)計單元，用于統(tǒng)計在問答庫記錄中出現(xiàn)的高頻表達(dá)方式，增大高頻表達(dá)方式在分詞模型中的權(quán)重，并進(jìn)行中文分詞，得到訓(xùn)練文本；

生成單元，用于對訓(xùn)練文本進(jìn)行訓(xùn)練，生成詞向量嵌入分布式表示模型。

進(jìn)一步地，計算模塊還具體可以包括：

第一替換詞表建立單元，用于基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充，建立替換詞表；

相關(guān)性打分計算單元，用于使用擴(kuò)充的疾病-疾病相關(guān)因子字典和替換詞表，匹配醫(yī)學(xué)信息中的疾病-疾病相關(guān)因子，計算疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分。

進(jìn)一步地，相關(guān)性打分計算單元具體可以包括：

提取單元，用于利用擴(kuò)充的疾病-疾病相關(guān)因子字典，對醫(yī)患問答記錄進(jìn)行關(guān)鍵詞的匹配，提取醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)；

檢測單元，用于檢測提取出的醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)是否在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中；

第一歸一化單元，用于在詞語和表達(dá)未在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中時，根據(jù)替換詞表，將提取出的醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)歸一化到對應(yīng)的標(biāo)準(zhǔn)表達(dá)中；

第二統(tǒng)計單元，用于基于標(biāo)準(zhǔn)表達(dá)，統(tǒng)計疾病及其相關(guān)因子共現(xiàn)的頻數(shù)，得到疾病相關(guān)因子和疾病的共現(xiàn)頻數(shù)記錄矩陣；

非線性變換單元，用于基于疾病相關(guān)因子和疾病的共現(xiàn)頻數(shù)記錄矩陣，使用非線性變換方法，得到疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分。

進(jìn)一步地，該系統(tǒng)包括：

第二替換詞表建立單元，用于基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充，建立替換詞表；

上述檢測模塊具體可以包括：

第二歸一化單元，用于在提取出來的詞語和表達(dá)未在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中時，根據(jù)替換詞表，將提取出來的詞語和表達(dá)歸一化到對應(yīng)的標(biāo)準(zhǔn)表達(dá)中，得到標(biāo)準(zhǔn)化疾病相關(guān)因子；

上述計算模塊具體可以包括：

疾病分?jǐn)?shù)計算單元，用于基于標(biāo)準(zhǔn)化疾病相關(guān)因子，結(jié)合根據(jù)擴(kuò)充的疾病-疾病相關(guān)因子字典得到的疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分，計算疾病的分?jǐn)?shù)。

本發(fā)明實(shí)施例提供一種基于詞向量自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的方法和系統(tǒng)。其中，該方法可以包括：獲取患者描述；利用基于詞向量建立的擴(kuò)充的疾病-疾病相關(guān)因子字典，對患者描述進(jìn)行關(guān)鍵詞匹配，提取患者描述中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)；檢測提取出來的詞語和表達(dá)是否在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中；基于檢測結(jié)果，結(jié)合根據(jù)擴(kuò)充的疾病-疾病相關(guān)因子字典得到的疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分，計算疾病的分?jǐn)?shù)；對疾病的分?jǐn)?shù)進(jìn)行排序；根據(jù)排序結(jié)果確定疾病。其中，本發(fā)明實(shí)施例利用針對醫(yī)學(xué)領(lǐng)域訓(xùn)練的詞向量分布式表示，建立擴(kuò)充的疾病-疾病相關(guān)因子關(guān)鍵詞字典，可以利用包括通用醫(yī)學(xué)資料和口語化的互聯(lián)網(wǎng)醫(yī)患問答記錄在內(nèi)的多源醫(yī)學(xué)信息，學(xué)習(xí)構(gòu)建疾病知識圖譜，分析處理非標(biāo)準(zhǔn)化、口語化的患者病情描述，由此，本發(fā)明解決了如何對患者的口語病情描述做出預(yù)測的技術(shù)問題。

附圖說明

為了更清楚地說明本發(fā)明實(shí)例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖做簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他附圖。

圖1是根據(jù)本發(fā)明實(shí)施例的基于詞向量自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的方法的流程示意圖；

圖2是根據(jù)本發(fā)明實(shí)施例的基于詞向量自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面參照附圖來描述本發(fā)明的優(yōu)選實(shí)施方式。本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解的是，這些實(shí)施方式僅僅用于解釋本發(fā)明的技術(shù)原理，并非旨在限制本發(fā)明的保護(hù)范圍。

本發(fā)明實(shí)施例的基本思想是使用詞向量嵌入技術(shù)，生成對通用醫(yī)學(xué)信息和在線醫(yī)患口語化問答記錄、患者病例數(shù)據(jù)庫中疾病-疾病相關(guān)因子的分布式表示，自動構(gòu)建疾病-疾病相關(guān)因子的知識圖譜，進(jìn)而實(shí)現(xiàn)對患者口語化病情描述的輔助診斷。

需要說明的術(shù)語或定義如下：

疾病相關(guān)因子：可能導(dǎo)致、幫助判斷或含有某種疾病信息的各種因子，如：疾病癥狀、疾病史、年齡、發(fā)病體征、性別等。

詞向量嵌入：利用“Distributed Representation”的方法，將一個詞語(或短語)用低維度(例如，小于1000維)的連續(xù)實(shí)數(shù)向量表示，從而可以用這些向量來區(qū)分或者表示這些詞語，處理文本分類、關(guān)系提取等自然語言處理的任務(wù)。

共現(xiàn)頻數(shù)：在一個語段或者文檔中，某幾個詞語或者概念同時出現(xiàn)被稱為一次共現(xiàn)，統(tǒng)計在有代表性的全部文檔中的這些詞語的出現(xiàn)數(shù)目，即共現(xiàn)頻數(shù)。

本發(fā)明實(shí)施例提供一種基于詞向量自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的方法。如圖1所示，該方法可以包括：

S100：獲取患者描述。

S110：利用基于詞向量建立的擴(kuò)充的疾病-疾病相關(guān)因子字典，對患者描述進(jìn)行關(guān)鍵詞匹配，提取患者描述中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)。

其中，擴(kuò)充的疾病-疾病相關(guān)因子字典通過步驟S112至步驟S114來建立。

S112：利用醫(yī)學(xué)信息訓(xùn)練關(guān)于疾病-疾病相關(guān)因子的詞向量嵌入分布式表示模型。

其中，醫(yī)學(xué)信息包括但不限于通用醫(yī)學(xué)信息、醫(yī)患問答記錄、患者病例、與醫(yī)學(xué)疾病、疾病相關(guān)因素有關(guān)的文本數(shù)據(jù)等。通用醫(yī)學(xué)信息包括但不限于醫(yī)學(xué)文獻(xiàn)(例如：醫(yī)學(xué)論文、醫(yī)學(xué)專利文獻(xiàn))、教科書(尤其是醫(yī)學(xué)教科書)、醫(yī)學(xué)論文。

優(yōu)選地，醫(yī)患問答記錄為網(wǎng)絡(luò)在線醫(yī)患口語化問答記錄。

具體地，步驟S112可以包括：

S1121：獲取醫(yī)學(xué)信息訓(xùn)練語料。

其中，醫(yī)學(xué)信息訓(xùn)練語料可以包括但不限于問答庫、醫(yī)學(xué)教科書、病例庫等。

S1122：對醫(yī)學(xué)信息訓(xùn)練語料進(jìn)行清洗。

本步驟的目的是去掉無意義字符。

S1123：統(tǒng)計在問答庫記錄中出現(xiàn)的高頻表達(dá)方式，增大高頻表達(dá)方式在分詞模型中的權(quán)重，并進(jìn)行中文分詞，得到訓(xùn)練文本。

S1124：對訓(xùn)練文本進(jìn)行訓(xùn)練，生成詞向量嵌入分布式表示模型。

在訓(xùn)練過程中，可以使用的訓(xùn)練語料包括但不限于在線醫(yī)患問答記錄、病人病歷、教科書。本發(fā)明實(shí)施例使用但不限于Mikolov Tomasti提出的word2vec開源工具(https://github.com/danielfrg/word2vec)訓(xùn)練生成醫(yī)學(xué)領(lǐng)域的詞向量嵌入表示模型，并將其保存在知識庫中。訓(xùn)練過程中，可以使用神經(jīng)網(wǎng)絡(luò)或其他訓(xùn)練算法。有關(guān)詞向量訓(xùn)練的方法可以參見申請?zhí)枮椋?01610179115.0、201510096570.X的文獻(xiàn)，該文獻(xiàn)在此以引用的方式結(jié)合于此。相關(guān)表示學(xué)習(xí)領(lǐng)域論文實(shí)驗(yàn)表明，更大的訓(xùn)練語料可以取得更理想的詞向量。

舉例來說，在實(shí)際應(yīng)用中，可以使用分詞并清洗文本數(shù)據(jù)訓(xùn)練300維、幾十萬種表述的詞向量，其中部分高頻詞的例如表示為：

<腫瘤:0.176907,0.470268,-0.008468…共300維>

<血糖:0.149234,0.278761,-0.474681…共300維>

<發(fā)燒:0.184283,0.046142,-0.107758…共300維>

<發(fā)高燒:0.204092,0.089622,0.0057266…共300維>

<高熱:0.366153,0.314256,0.073571…共300維>

在一些可選的實(shí)現(xiàn)方式中，對訓(xùn)練文本進(jìn)行訓(xùn)練的步驟還可以包括：進(jìn)行訓(xùn)練文本中高頻詞語的低維實(shí)數(shù)向量表示。

其中，低維可以根據(jù)實(shí)際情況進(jìn)行設(shè)定，例如可以設(shè)置小于1000維。

S114：基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充，建立擴(kuò)充的疾病、疾病相關(guān)因子字典。

本領(lǐng)域技術(shù)人員應(yīng)清楚，在建立擴(kuò)充的疾病、疾病相關(guān)因子字典的過程中還可以建立替換詞表，即基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充，建立替換詞表。

其中，醫(yī)學(xué)專家結(jié)合具體預(yù)測任務(wù)，構(gòu)造維護(hù)的標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典是參考了權(quán)威的教科書和規(guī)定標(biāo)準(zhǔn)，由醫(yī)學(xué)專家制定并修正和維護(hù)的疾病和疾病因子的收錄集合，其為標(biāo)準(zhǔn)疾病-疾病相關(guān)因子的術(shù)語集合，其需要結(jié)合要預(yù)測的具體疾病和疾病癥狀、疾病史、年齡、發(fā)病體征、性別等相關(guān)信息進(jìn)行整理和維護(hù)。例如，心臟病、抑郁癥可以作為兩個標(biāo)準(zhǔn)疾病字典(集合)中的元素，而失眠、糖尿病史可以作為兩個標(biāo)準(zhǔn)疾病相關(guān)因子字典(集合)中的元素。

距離度量方法包括但不限于cosine(余弦)距離、歐氏距離或者其他距離度量方法。

對于標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中的每一個元素，使用距離度量方法來計算，并找到詞向量詞表中距離最近的k個詞語或者短語表達(dá)方式，記錄為標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中元素的替換。由此建立異構(gòu)表達(dá)方式到標(biāo)準(zhǔn)表達(dá)方式的替換詞表，同時建立一個知識庫的擴(kuò)充的疾病-疾病相關(guān)因子字典。即：每個可替換的元素加入到原始標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中，形成擴(kuò)充的疾病-疾病相關(guān)因子字典。其中，k表示針對具體任務(wù)和數(shù)據(jù)可以調(diào)整的參數(shù)。

下面通過優(yōu)選實(shí)施方式以標(biāo)準(zhǔn)癥狀相關(guān)因子中有“發(fā)熱”這一項(xiàng)為例來詳細(xì)說明得到擴(kuò)充的疾病-疾病相關(guān)因子字典和替換詞表的過程，其具體包括：步驟A1至步驟A3。

步驟A1：使用cosine距離計算與“發(fā)熱”距離最近的詞語或者短語表達(dá)方式，得到“發(fā)高燒”和“高熱”。其中，距離參數(shù)k為2。

步驟A2：在擴(kuò)充的疾病-疾病相關(guān)因子字典中，加入“發(fā)高燒”和“高熱”，同時記錄“發(fā)熱”這一標(biāo)準(zhǔn)疾病相關(guān)因子的替換詞表中包含“發(fā)高燒”和“高熱”。

步驟A3：利用訓(xùn)練好的醫(yī)療領(lǐng)域詞向量嵌入分布式表示模型，對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中的每一個元素執(zhí)行相同操作，從而得到擴(kuò)充的疾病-疾病相關(guān)因子字典和替換詞表。

S120：檢測提取出來的詞語和表達(dá)是否在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中。

本步驟中，若檢測到提取出來的詞語和表達(dá)在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中，則不進(jìn)行處理；若未檢測到，則根據(jù)替換詞表，將提取出來的詞語和表達(dá)歸一化到對應(yīng)的標(biāo)準(zhǔn)表達(dá)中，得到標(biāo)準(zhǔn)化疾病相關(guān)因子。其中，替換詞表通過基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充而建立得到。

上述不進(jìn)行處理步驟表示采用標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中的標(biāo)準(zhǔn)化疾病相關(guān)因子進(jìn)行后續(xù)處理。

S130：基于檢測結(jié)果，結(jié)合根據(jù)擴(kuò)充的疾病-疾病相關(guān)因子字典得到的疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分，計算疾病的分?jǐn)?shù)。

本實(shí)施例中，當(dāng)未檢測到提取出來的詞語和表達(dá)在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中時，根據(jù)替換詞表，將提取出來的詞語和表達(dá)歸一化到對應(yīng)的標(biāo)準(zhǔn)表達(dá)中，得到標(biāo)準(zhǔn)化疾病相關(guān)因子；基于標(biāo)準(zhǔn)化疾病相關(guān)因子，結(jié)合根據(jù)擴(kuò)充的疾病-疾病相關(guān)因子字典得到的疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分，計算疾病的分?jǐn)?shù)。當(dāng)檢測到提取出來的詞語和表達(dá)在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中時，使用標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中的標(biāo)準(zhǔn)化疾病相關(guān)因子，結(jié)合根據(jù)擴(kuò)充的疾病-疾病相關(guān)因子字典得到的疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分，計算疾病的分?jǐn)?shù)。

其中，疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分通過步驟S132至步驟S134來確定。

S132：基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充，建立替換詞表。

S134：使用擴(kuò)充的疾病-疾病相關(guān)因子字典和替換詞表，匹配醫(yī)學(xué)信息中的疾病-疾病相關(guān)因子，計算疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分。

具體地，步驟S134可以包括：

S1341：利用擴(kuò)充的疾病-疾病相關(guān)因子字典，對醫(yī)患問答記錄進(jìn)行關(guān)鍵詞的匹配，提取醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)。

在一個優(yōu)選的實(shí)施方式中，本步驟可以利用擴(kuò)充的疾病-疾病相關(guān)因子字典，對醫(yī)患問答庫中的病情描述和診斷結(jié)果進(jìn)行關(guān)鍵詞的匹配，提取出醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)。

S1342：檢測提取出的醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)是否在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中。若在，則執(zhí)行步驟S1343；否則，執(zhí)行步驟S1344。

本步驟逐一檢測提取出來的相關(guān)詞語和表達(dá)是否在標(biāo)準(zhǔn)的疾病-疾病相關(guān)因子字典中，如果在則不進(jìn)行特別處理；如果不在，則根據(jù)替換詞表歸一化到對應(yīng)的標(biāo)準(zhǔn)表達(dá)中。

S1343：不進(jìn)行處理。

本步驟表示采用標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中的標(biāo)準(zhǔn)表達(dá)進(jìn)行后續(xù)處理。

S1344：根據(jù)替換詞表，將提取出的醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)歸一化到對應(yīng)的標(biāo)準(zhǔn)表達(dá)中。

上述步驟S1344還可以包括：當(dāng)詞語和表達(dá)對應(yīng)多個標(biāo)準(zhǔn)疾病或疾病相關(guān)因子時，進(jìn)行醫(yī)學(xué)相關(guān)詞語和表達(dá)的規(guī)范化。

具體地，當(dāng)某一表達(dá)對應(yīng)多個標(biāo)準(zhǔn)疾病或疾病相關(guān)因子時，確定與該表達(dá)距離最近的標(biāo)準(zhǔn)相關(guān)因子，來替換該表達(dá)，得到對應(yīng)于該患者描述的標(biāo)準(zhǔn)化疾病相關(guān)因子。

作為示例，當(dāng)某個詞語和表達(dá)對應(yīng)著不止一個標(biāo)準(zhǔn)疾病或疾病相關(guān)因子時，使用但不限于cosine距離或歐氏距離來計算并找到與之距離最近的標(biāo)準(zhǔn)概念，用來替換當(dāng)前表達(dá)方式，即進(jìn)行醫(yī)學(xué)相關(guān)詞語和表達(dá)的規(guī)范化。

舉例來說，當(dāng)某個表達(dá)對應(yīng)著不止一個標(biāo)準(zhǔn)疾病或疾病相關(guān)因子時，使用但不限于cosine距離或歐氏距離來計算并找到與之距離最近的標(biāo)準(zhǔn)相關(guān)因子，用來替換當(dāng)前表達(dá)方式。操作得到了對于該條患者的輸入內(nèi)容，所包含的Q個標(biāo)準(zhǔn)化的疾病相關(guān)因子：{F₁,F₂,...F_j...F_Q}。

S1345：基于標(biāo)準(zhǔn)表達(dá)，統(tǒng)計疾病及其相關(guān)因子共現(xiàn)的頻數(shù)，得到疾病相關(guān)因子和疾病的共現(xiàn)頻數(shù)記錄矩陣。

標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中包含兩種元素：疾病和疾病相關(guān)因子。舉例來說，對于m種疾病，定義為{D₁...D₂...D_i...D_m}，對于n種疾病相關(guān)因子，定義為{F₁...F...F_j...F_n}；將N_ij初始化為零。在P條問答庫記錄{R₁...R₂...R_S...R_P}中，如果R_s中同時出現(xiàn)了D_i和F_j，將N_ij增加1，即某疾病和某疾病相關(guān)因子共現(xiàn)的頻數(shù)記錄一次。對P條記錄進(jìn)行統(tǒng)計，可以得到m×n的疾病相關(guān)因子和疾病的共現(xiàn)頻數(shù)記錄矩陣。

其中，P表示問答庫記錄條數(shù)；R₁,R₂...R_s...R_P表示問答庫記錄；N_ij表示記錄頻數(shù)。

S1346：基于疾病相關(guān)因子和疾病的共現(xiàn)頻數(shù)記錄矩陣，使用非線性變換方法，得到疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分。

本步驟在具體實(shí)施過程中，考慮到：在某條記錄中，已知疾病相關(guān)因子F_j出現(xiàn)，那么患有疾病D_i的條件概率為 條件概率雖然能在一定程度上反映疾病相關(guān)因子到疾病的可能性，但容易受到高頻常見病的累積效應(yīng)影響，導(dǎo)致在記錄中出現(xiàn)次數(shù)量更高的常見病獲得極高的條件概率。所以，最終的打分函數(shù)中還應(yīng)包括一個與N_i＝∑_jN_ij有關(guān)的控制參數(shù)。這類似于文檔分類領(lǐng)域中使用的逆文檔頻率思想。

優(yōu)選地，疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分可以通過下式確定：

其中，Score(i，j)表示疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分；P(D_i|F_j)表示患有疾病的條件概率；D_i表示疾??；F_j表示疾病相關(guān)因子；N_i表示疾病頻數(shù)，N_i＝∑_jN_ij，N_ij表示記錄頻數(shù)。

上式包含了條件概率和一個對疾病頻數(shù)倒數(shù)的非線性變換。最終每個疾病相關(guān)因子對應(yīng)至少一個相關(guān)疾病，所對應(yīng)的分?jǐn)?shù)用Score(i，j)表示。

上述步驟通過使用擴(kuò)充的疾病-疾病相關(guān)因子字典，匹配醫(yī)學(xué)信息中的疾病-疾病相關(guān)因子，計算并在知識圖譜中存儲疾病相關(guān)因子到疾病的相關(guān)性打分，可以自動學(xué)習(xí)構(gòu)建用于預(yù)測疾病的知識圖譜。

在一個優(yōu)選的實(shí)施例中，在步驟S1346之后還可以包括：定期通過A/B測試方法測試打分函數(shù)，并更新疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分。

本步驟考慮到原始問答庫的數(shù)據(jù)質(zhì)量、數(shù)量都會對疾病相關(guān)因子的相關(guān)性打分產(chǎn)生一定的影響，與此同時，在線的醫(yī)療問診平臺每天都能產(chǎn)生大量新的記錄。所以，將有關(guān)于疾病相關(guān)性因子的打分函數(shù)保存在離線的知識庫中，定期由在線的A/B測試選擇效果更好的打分函數(shù)版本連接上線。

每一個版本的訓(xùn)練學(xué)習(xí)數(shù)據(jù)都將獨(dú)立形成一個疾病相關(guān)因子到疾病的相關(guān)性打分的數(shù)據(jù)版本，由于這種相關(guān)性打分并不完全等同于某種疾病因子與疾病相關(guān)的先驗(yàn)概率，所以醫(yī)學(xué)專家對于打分的評價只具有參考性，而其是否可以提升疾病確定的準(zhǔn)確性和友好程度將作為最終的評價指標(biāo)，以及是否對其他版本進(jìn)行更換的依據(jù)。

在知識庫構(gòu)建過程，結(jié)合已有的知識庫，可以實(shí)現(xiàn)對于患者輸入的病情和基本信息描述進(jìn)行分析，并給出可能患有的疾病的功能。

下面以一優(yōu)選實(shí)施方式來詳細(xì)說明得到了疾病相關(guān)因子到疾病的相關(guān)性打分的過程。其中，“喉嚨腫痛”、“感冒”和“鼻塞流涕”在標(biāo)準(zhǔn)字典中。得到相關(guān)性打分的過程可以包括步驟B1至步驟B5。

步驟B1：獲取原始問答庫中的一條“我喉嚨腫痛，這幾天一直發(fā)高燒，鼻塞流涕，請問醫(yī)生我得了什么病”和“可能患有感冒”的問答對。

步驟B2：對該問答對進(jìn)行處理，匹配到“喉嚨腫痛”、“發(fā)高燒”、“鼻塞流涕”和“感冒”。

步驟B3：按照步驟S121和步驟S122，利用替換詞表將“發(fā)高燒”替換為“發(fā)燒”。

步驟B4：對3個疾病相關(guān)因子和1個疾病逐一配對，統(tǒng)計疾病和相關(guān)因子共現(xiàn)的頻數(shù)，得到疾病相關(guān)因子和疾病的共現(xiàn)頻數(shù)記錄矩陣。

步驟B5：根據(jù)下式確定疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分：

其中，Score(i，j)表示疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分；P(D_i|F_j)表示患有疾病的條件概率；D_i表示疾??；F_j表示疾病相關(guān)因子；N_i表示疾病頻數(shù)，N_i＝∑_jN_ij，N_ij表示記錄頻數(shù)。

在一個優(yōu)選的實(shí)施例中，疾病的分?jǐn)?shù)可以通過下式得到：

其中，DS(D_i)表示疾病的分?jǐn)?shù)；D_i表示疾??；W(F_j)表示疾病類別映射權(quán)值；Score(i，j)表示疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分。

舉例來說，在{F₁,F₂,...F_j...F_Q}中，對于每一個與患者描述有關(guān)的因子F_j，結(jié)合標(biāo)準(zhǔn)化疾病相關(guān)因子的種類，利用下式在每個與之相關(guān)的疾病D_i上疊加打分：

其中，DS(D_i)表示疾病的分?jǐn)?shù)；D_i表示疾?。籛(F_j)表示疾病類別映射權(quán)值；Score(i,j)表示疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分。

上式中，因?yàn)椴煌蜃訉τ诩膊☆A(yù)測的判斷置信度不同，所以根據(jù)因子的種類不同，賦予不同的疾病類別映射權(quán)值。其中，映射關(guān)系可以由專家根據(jù)類別屬性制定。例如：“吸煙習(xí)慣”屬于生活習(xí)慣類別的疾病相關(guān)因子；“發(fā)燒”屬于疾病癥狀類的疾病相關(guān)因子，在進(jìn)行計算的時候，確定類別的權(quán)值，使用不同的疾病類別映射權(quán)值。

S140：對疾病的分?jǐn)?shù)進(jìn)行排序。

S150：根據(jù)排序結(jié)果確定疾病。

下面以一優(yōu)選實(shí)施例來詳細(xì)說明利用本發(fā)明實(shí)施例得到疑患疾病的打分排序。其中，患者的病情描述為“這幾天連續(xù)出現(xiàn)高熱癥狀，有吸煙習(xí)慣，是得了什么病”。得到打分排序的過程可以包括步驟C1至步驟C7。

步驟C1：利用擴(kuò)充的疾病-疾病相關(guān)因子字典，對“這幾天連續(xù)出現(xiàn)高熱癥狀，有吸煙習(xí)慣，是得了什么病”進(jìn)行關(guān)鍵詞的匹配，提取出“高熱”和“吸煙習(xí)慣”。

步驟C2：檢測到“高熱”存在于擴(kuò)充的疾病-疾病相關(guān)因子字典中，而不在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中。

步驟C3：根據(jù)替換詞表，將“高熱”替換為“發(fā)燒”。

步驟C4：根據(jù)“發(fā)燒”和“吸煙習(xí)慣”所屬的種類，分別確定映射權(quán)值。

步驟C5：根據(jù)下式確定患者患有不同疾病的分?jǐn)?shù)：

步驟C6：對不同疾病的分?jǐn)?shù)進(jìn)行排序。

步驟C7：輸出排在前三位的疾?。?lt;急性咽炎:0.143531>、<急性扁桃體腫大:0.129281>、<氣管疾病:0.062088>。

上述實(shí)施例中雖然將各個步驟按照上述先后次序的方式進(jìn)行了描述，但是本領(lǐng)域技術(shù)人員可以理解，為了實(shí)現(xiàn)本實(shí)施例的效果，不同的步驟之間不必按照這樣的次序執(zhí)行，其可以同時(并行)執(zhí)行或以顛倒的次序執(zhí)行，這些簡單的變化都在本發(fā)明的保護(hù)范圍之內(nèi)。

基于與上述方法實(shí)施例相同的技術(shù)構(gòu)思，本發(fā)明實(shí)施例提供一種基于詞向量自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的系統(tǒng)。該基于詞向量自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的系統(tǒng)可以執(zhí)行上述基于詞向量自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的方法實(shí)施例。如圖2所示，該系統(tǒng)20可以包括：獲取模塊21、提取模塊22、檢測模塊23、計算模塊24、排序模塊25和確定模塊26。其中，獲取模塊21用于獲取患者描述。提取模塊22用于利用基于詞向量建立的擴(kuò)充的疾病-疾病相關(guān)因子字典，對患者描述進(jìn)行關(guān)鍵詞匹配，提取患者描述中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)。檢測模塊23用 于檢測提取出來的詞語和表達(dá)是否在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中。計算模塊24用于基于檢測結(jié)果，結(jié)合根據(jù)擴(kuò)充的疾病-疾病相關(guān)因子字典得到的疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分，計算疾病的分?jǐn)?shù)。排序模塊25用于對疾病的分?jǐn)?shù)進(jìn)行排序。確定模塊26用于根據(jù)排序結(jié)果確定疾病。

在一個優(yōu)選的實(shí)施例中，提取模塊還具體可以包括：詞向量模型建立單元和擴(kuò)充詞典建立單元。其中，詞向量模型建立單元用于利用醫(yī)學(xué)信息訓(xùn)練關(guān)于疾病-疾病相關(guān)因子的詞向量嵌入分布式表示模型。擴(kuò)充詞典建立單元用于基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充，建立擴(kuò)充的疾病、疾病相關(guān)因子字典。

在一個優(yōu)選的實(shí)施例中，詞向量模型建立單元具體可以包括：獲取單元、清洗單元、第一統(tǒng)計單元和生成單元。其中，獲取單元用于獲取醫(yī)學(xué)信息訓(xùn)練語料。清洗單元用于對醫(yī)學(xué)信息訓(xùn)練語料進(jìn)行清洗。第一統(tǒng)計單元用于統(tǒng)計在問答庫記錄中出現(xiàn)的高頻表達(dá)方式，增大高頻表達(dá)方式在分詞模型中的權(quán)重，并進(jìn)行中文分詞，得到訓(xùn)練文本。生成單元用于對訓(xùn)練文本進(jìn)行訓(xùn)練，生成詞向量嵌入分布式表示模型。

在一個優(yōu)選的實(shí)施例中，計算模塊還具體可以包括：第一替換詞表建立單元和相關(guān)性打分計算單元。其中，第一替換詞表建立單元用于基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充，建立替換詞表。相關(guān)性打分計算單元用于使用擴(kuò)充的疾病-疾病相關(guān)因子字典和替換詞表，匹配醫(yī)學(xué)信息中的疾病-疾病相關(guān)因子，計算疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分。

在一個優(yōu)選的實(shí)施例中，相關(guān)性打分計算單元具體可以包括：提取單元、檢測單元、第一歸一化單元、第二統(tǒng)計單元和非線性變換單元。其中，提取單元用于利用擴(kuò)充的疾病-疾病相關(guān)因子字典，對醫(yī)患問答記錄進(jìn)行關(guān)鍵詞的匹配，提取醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)。檢測單元用于檢測提取出的醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)是否在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中。第一歸一化單元用于在詞語和表達(dá)未在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中時，根據(jù)替換詞表，將提取出的醫(yī)患問答記錄中跟醫(yī)學(xué)相關(guān)的詞語和表達(dá)歸一化到對應(yīng)的標(biāo)準(zhǔn)表達(dá)中。第二統(tǒng)計單元用于基于標(biāo)準(zhǔn)表達(dá)，統(tǒng)計疾病及其相關(guān)因子共現(xiàn)的 頻數(shù)，得到疾病相關(guān)因子和疾病的共現(xiàn)頻數(shù)記錄矩陣。非線性變換單元用于基于疾病相關(guān)因子和疾病的共現(xiàn)頻數(shù)記錄矩陣，使用非線性變換方法，得到疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分。

在一個優(yōu)選的實(shí)施例中，該系統(tǒng)還可以包括：第二替換詞表建立單元；該第二替換詞表建立單元用于基于詞向量嵌入分布式表示模型，使用距離度量方法對標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典進(jìn)行擴(kuò)充，建立替換詞表。檢測模塊具體還可以包括第二歸一化單元；該第二歸一化單元用于在提取出來的詞語和表達(dá)未在標(biāo)準(zhǔn)疾病-疾病相關(guān)因子字典中時，根據(jù)替換詞表，將提取出來的詞語和表達(dá)歸一化到對應(yīng)的標(biāo)準(zhǔn)表達(dá)中，得到標(biāo)準(zhǔn)化疾病相關(guān)因子。計算模塊具體還可以包括疾病分?jǐn)?shù)計算單元；該疾病分?jǐn)?shù)計算單元用于基于標(biāo)準(zhǔn)化疾病相關(guān)因子，結(jié)合根據(jù)擴(kuò)充的疾病-疾病相關(guān)因子字典得到的疾病相關(guān)因子對應(yīng)于疾病的相關(guān)性打分，計算疾病的分?jǐn)?shù)。

上述描述的系統(tǒng)的具體工作過程及有關(guān)說明，可以參考前述方法實(shí)施例中的對應(yīng)過程，在此不再贅述。

本領(lǐng)域技術(shù)人員可以理解，上述基于詞向量自動構(gòu)建知識庫實(shí)現(xiàn)輔助診療的系統(tǒng)還可以包括一些其他的公知結(jié)構(gòu)，例如處理器、控制器、存儲器和總線等，其中，存儲器包括但不限于隨機(jī)存儲器、閃存、只讀存儲器、可編程只讀存儲器、易失性存儲器、非易失性存儲器、串行存儲器、并行存儲器或寄存器等，處理器包括但不限于單核處理器、多核處理器、基于X86架構(gòu)的處理器、CPLD/FPGA、DSP、ARM處理器、MIPS處理器等，總線可以包括數(shù)據(jù)總線、地址總線和控制總線。為了不必要地模糊本公開的實(shí)施例，這些公知的結(jié)構(gòu)未在圖2中示出。還需要指出的是，圖2中的各個模塊的數(shù)量僅僅是示意性的。根據(jù)實(shí)際需要，各模塊可以具有任意的數(shù)量。

需要說明的是，上述各個模塊的劃分僅為舉例，在實(shí)際應(yīng)用中，可以有另外的劃分方式。另外，各個模塊也可以再分解為其他模塊，在此不再贅述。各個模塊既可以采用硬件的方式來實(shí)現(xiàn)，也可以采用軟件的方式來實(shí)現(xiàn)亦或采用軟硬件相結(jié)合的方式來實(shí)現(xiàn)。在實(shí)際應(yīng)用中，上述各個模塊可以由諸如中央處理器、微處理器、數(shù)字信號處理去或現(xiàn)場可編程門陣列等來實(shí)現(xiàn)。用于實(shí)施各個模塊的示例性硬件平臺 可包括諸如具有兼容操作系統(tǒng)的基于Intel x86的平臺、Mac平臺、MAC OS、iOS、Android OS等。

需要說明的是，本文中使用的“第一”、“第二”等表述不應(yīng)理解為以各種形式來對本發(fā)明保護(hù)范圍形成的限制。

以上所述的具體實(shí)施方式和實(shí)驗(yàn)例對本發(fā)明的技術(shù)方案、實(shí)施細(xì)節(jié)和算法有效性都進(jìn)行了詳細(xì)說明。應(yīng)該提出的是，以上所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡在本發(fā)明精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。