基于TextRank的醫(yī)院信息智能處理方法研究

劉宇枝，陳 博，趙 鑫，李翠榮

(1.空軍軍醫(yī)大學 第三附屬醫(yī)院，陜西 西安 710000； 2.中移鐵通有限公司，北京 100038; 3.西安市紅會醫(yī)院，陜西 西安 710061； 4.山東第一醫(yī)科大學 第一附屬醫(yī)院，山東 濟南 250014)

隨著互聯(lián)網(wǎng)技術的發(fā)展，線上智能化服務涉及越來越多的行業(yè)。為讓用戶在線上精準地獲取所需相關知識和相關信息，需不斷優(yōu)化信息的檢索性能。因此，圍繞相關知識和相關信息的檢索，提高信息化處理效率，很多學者提出不同的方法，如引入Hadoop云框架對信息進行存儲和檢索，以提高信息處理效率；引入文本挖掘算法與Spark架構，以提高信息檢索效率。而實際應用發(fā)現(xiàn)，在智能化和信息化不斷普及的今天，人們更多的喜歡通過網(wǎng)絡獲取健康科普知識。但遍歷發(fā)現(xiàn)目前針對信息的檢索多為對原始數(shù)據(jù)的集成和展示，且可靠性和準確性難以保證。因此，基于以上問題，以及結合當前信息化建設背景，本文提出一種基于文本挖掘的信息檢索系統(tǒng)，在方便用戶查找相關信息的同時也提高檢索的準確性和可靠性。

1 系統(tǒng)總體架構設計

1.1 邏輯架構設計

本文基于Spring Cloud 框架來構建微服務平臺，主要包括數(shù)據(jù)檢索、數(shù)據(jù)運維、問答服務、監(jiān)控告警、用戶中心和權限管理這6大服務器。同時把基于文本挖掘的信息檢索系統(tǒng)分為前后2個部分，前端以CSS、JavaScript、jQuery 來對數(shù)據(jù)進行展現(xiàn)，后端以微服務來對后端業(yè)務進行處理?；谖谋就诰虻男畔z索系統(tǒng)分層結構如圖1所示。

圖1 系統(tǒng)整體架構

由圖1可知，系統(tǒng)主要分為5層，分別為資源層、服務層、接口層、Web 層、訪問層。其中，資源層包括儲存數(shù)據(jù)的主要工具和備份工具；服務層則采用 JSON 格式對系統(tǒng)中各功能板塊之間的邏輯進行通信；接口層則通過 API Gateway將所有的入口的流量轉發(fā)給后端的服務器并進行限流、權限、緩存等拓展。

1.2 物理架構設計

物理架構是指系統(tǒng)的部署架構，基于Docker 實現(xiàn)系統(tǒng)內(nèi)部的快速部署，有效解決系統(tǒng)的運轉和維護。Docker在系統(tǒng)運作中，是以Namespace 和 Cgroups 技術來把系統(tǒng)中的單個應用裝在沙盒中進行運行，應用之間相互隔離；具體架構設計如圖2所示。

圖2 系統(tǒng)物理架構部署

1.3 功能模塊

信息檢索系統(tǒng)主要圍繞著著數(shù)據(jù)處理模塊、問答系統(tǒng)模塊和信息檢索模塊3大模塊進行設計。其數(shù)據(jù)處理主要是對數(shù)據(jù)的準備；問答系統(tǒng)則是對問答數(shù)據(jù)的獲取和理解；信息檢索則是為用戶提供智能化的信息化的檢索服務。具體功能模塊如圖3所示。

圖3 系統(tǒng)功能模塊

2 系統(tǒng)模塊詳細設計

2.1 數(shù)據(jù)處理模塊設計

數(shù)據(jù)處理模塊主要是從眾多的信息網(wǎng)站中獲取和儲存數(shù)據(jù)信息，并以此作為該系統(tǒng)的數(shù)據(jù)信息來源，為用戶的信息檢索提供有效的數(shù)據(jù)信息基礎。該模塊主要包括數(shù)據(jù)爬取、整合和補充3個部分，數(shù)據(jù)處理的具體流程如圖4所示。

圖4 數(shù)據(jù)處理的流程

2.2 問答系統(tǒng)模塊設計

問答系統(tǒng)模塊是指在用戶提問后，該模塊自動在系統(tǒng)中匹配該問題的相關數(shù)據(jù)并回答提問，具體流程如圖5所示。

圖5 問答系統(tǒng)流程

(1)用戶主動輸入問題，系統(tǒng)自動獲取用戶提問并對問題進行預處理，然后迅速訪問 ES 緩存，搜尋 ES 緩存中是否有問題的記錄，有就直接顯示，沒有就開始訪問問答系統(tǒng)模板；(2)問答系統(tǒng)對用戶提出的問題進行意圖和實體識別，獲取相關意圖的關鍵詞，生成ES檢索語句檢索獲得相同或相關的數(shù)據(jù)信息來作為候選的問題集并返回；(3)問答系統(tǒng)自動將用戶輸入的問題和候選的問題集進行匹配，并進行排序；(4)把相似的ID列表和得分列表進行數(shù)據(jù)緩存，然后再返回到已經(jīng)排序的數(shù)據(jù)結果集中。

2.3 信息檢索模塊設計

信息檢索模塊主要是把獲取的相關數(shù)據(jù)存儲在Elastic Search中，為用戶信息檢索系統(tǒng)提供數(shù)據(jù)服務，主要包括3大板塊，分別為索引板塊、搜索模塊和用戶模塊。其中，索引板塊是對用戶的提問進行索引的建立、數(shù)據(jù)的入庫以及數(shù)據(jù)的維修維護，包括其中工作人員及物品等信息數(shù)據(jù)和系統(tǒng)中科普文章、問答問題信息等文本數(shù)據(jù)；搜索模塊是將獲取的數(shù)據(jù)組織起來，并完善數(shù)據(jù)檢索服務，以便為用戶的提問進行檢索需求。主要是通過用戶的輸入提問進行解析，并把解析后的搜索進行分布式的搜索，在各個 ES 節(jié)點進行分布式檢索索引文件并對結果進行排序，然后顯示給用戶；用戶通用模塊主要是用戶使用，在用戶信息的檢索過程中對信息的收藏、評論、點贊操作并準確記錄相關操作。搜索模塊的流程示意如圖6所示。

圖6 搜索模塊流程

3 自動搜索模塊算法設計

為提高搜索模塊的檢索效率，運用自動摘要算法TextRank來進行搜索。具體步驟為：

3.1 對文本進行分詞分句等預處理并進行特征詞的選擇

通過對文本進行分詞分句等預處理后，可以得到以下3項內(nèi)容：(1)文本的集合={,,,}，其中表示排序后的句子序列。(2)文本特征詞的集合={:,:,,:}，其中，表示單個特征詞，而表示為在文本集合中所出現(xiàn)的詞頻。(3)句子的特征詞集合為={1:1,2:2,,:}。

在對句子和文本特征詞的選擇時，采用的是TF-IDF權值法來對該系統(tǒng)中句子和本文的特征詞進行評估。在運用TF-IDF權值法時，根據(jù)本文的長度規(guī)范權值，以詞頻對數(shù)來代替詞頻。特征詞的權值計算公式為：

(1)

式中：表示特征詞的總個數(shù)；表示在詞典中出現(xiàn)的次數(shù)；()表示特征詞的權重。

對特征詞的權值計算后，可以得到權值較高的特征詞，然后對權值進行排序，構成文本中所對應的關鍵詞列表。

3.2 建立 TextRank 圖模型

以文本的集合中節(jié)點和中特征詞的邊權重為邊，共同構建出無向加權的 TextRank 圖模型，進而計算節(jié)點的權重為：

(2)

式中：表示節(jié)點和節(jié)點的連接權重；表示阻尼系數(shù)，一般取值為085；In()表示指向節(jié)點的所有節(jié)點的集合；Out()表示節(jié)點連接出的所有節(jié)點的集合；()表示節(jié)點的最終權重排序。

要計算其中的連接權重，則根據(jù)余弦函數(shù)公式：

(3)

4 實驗驗證

4.1 測試環(huán)境

本研究運用Centos 7.3系統(tǒng)作為該系統(tǒng)測試環(huán)境的系統(tǒng)服務器，以128 G，CPU64核作為內(nèi)存，以谷歌、IE、搜狗作為測試瀏覽器。其中的數(shù)據(jù)處理軟件的版本分別為：Elastic Search 6.1.2版本，JDK 1.8版本，MySQL 5.7.17版本。測試瀏覽器為谷歌、IE。

4.2 功能性測試

本研究以黑盒測試原理為基礎，對該系統(tǒng)的功能性進行測試，以檢查該信息檢索系統(tǒng)能否滿足功能性需要，主要包括數(shù)據(jù)處理、索引模塊、搜索模塊的功能性測試。功能性測試用例結果如表1所示。

表1 功能性測試用例結果

4.3 非功能性測試

除了對信息檢索系統(tǒng)進行功能性測試外，還進行非功能性測試； 運用Meter、Selenium和Kibana工具來輔助完成非功能性測試。非功能測試用例結果如表2所示。

表2 非功能測試用例結果

5 結語

本文通過對數(shù)據(jù)處理模塊、問答系統(tǒng)模塊和信息檢索模塊優(yōu)化創(chuàng)新后設計了完整的信息檢索系統(tǒng)，該系統(tǒng)能夠收集獲取相關專業(yè)網(wǎng)站的信息數(shù)據(jù)，并經(jīng)過系統(tǒng)的自動提取、過濾、整合后形成系統(tǒng)的基礎數(shù)據(jù)和文本的價值，使系統(tǒng)獲取的數(shù)據(jù)信息直觀有效，便于用戶的查詢和獲取，為信息化和智能化提供有效支撐和保障。該研究說明，重新設計的信息檢索系統(tǒng)具有較強的實用價值，其是可行的。