基于精准算法和大数据的医药知识快速学习系统及方法

摘要

本发明提供一种基于精准算法和大数据的医药知识快速学习系统及方法，通过对医药知识图谱中的所有医药知识进行整理、分析，将非结构化数据转换为结构化数据，挖掘医药知识中的重要性置信度和关联置信度，构建医药知识词典，实现医药知识精准挖掘；将医药知识词典用于用户学习环境中，按照用户的学习状况和行为数据设置第一触发指令和第二触发指令，根据触发指令推荐医药知识，并根据每个药物知识及其连接通道得到关联性强的其他药物知识，形成医药知识推荐集，使得用户能够有针对性的、快速学习医药知识。

权利要求

1.一种基于精准算法和大数据的医药知识快速学习系统，其特征在于，包括以下部分：用户终端（10）和医药知识服务器（20），所述医药知识服务器（20）包括：大数据对接组件（201）、数据整理组件（202）、用户接口组件（203）、实时检测组件（204）、数据处理组件（205）、数据分析组件（206）、指令响应组件（207）和医药知识库（208）；

所述数据整理组件（202）用于对医药知识图谱中的所有医药知识进行整理、分析，挖掘医药知识中的隐含关系，构建医药知识词典,所述指令响应组件（207）用于根据第一触发指令和第二触发指令中所述医药知识库（208）中寻找相应的医药知识点，并根据每个药物知识及其连接通道得到关联性强的其他药物知识，将所有药物知识按照顺序汇集，得到当前用户的医药知识推荐集，所述指令响应组件（207）将医药知识推荐集通过数据连接的方式传输给所述用户接口组件（203）和所述医药知识库（208）；

所述数据整理组件（202）具体包括：数据梳理单元（2021）、数据计算单元（2022）、格式规划单元（2023）、通道构建单元（2024），所述数据梳理单元（2021）用于将医药知识图谱中的所有医药知识形成不同知识维度的数据列，将整理后的数据通过数据传输的方式发送给所述数据计算单元（2022）；所述数据计算单元（2022）用于计算每个药物在医药知识图谱中的重要性置信度和两个实体之间的关系置信度，将药物的重要性置信度和两个实体之间的关系置信度发送给所述通道构建单元（2024），并将关系置信度发送给所述格式规划单元（2023）；所述格式规划单元（2023）用于将医药知识图谱中各药物节点之间的关系格式设置为三元组，将三元组通过数据连接的方式发送给所述通道构建单元（2024）；所述通道构建单元（2024）用于在符合关系置信度阈值的药物之间设置关系连接通道，药物之间的连接通道权重决定了药物是否可以进行搭配学习，所述通道构建单元（2024）将药物三元组知识以及药物通道共同构成医药知识词典，将医药知识词典通过数据连接的方式发送给所述医药知识库（208）；

所述数据计算单元（2022）计算每个药物在医药知识图谱中的重要性，用于表征药物的重要性置信度，所述重要性置信度的具体计算公式为：其中， 表示药物 在医药知识图谱中的重要性置信度，为医药知识图谱中节点继续扩展的概率， 和 分别为药物 在医药知识图谱中的入度和出度，表示药物 在医药知识图谱中的重要性置信度， ， 表示药物种类；所述药物的富集程度是指药物用途广泛程度的量化；

所述数据计算单元（2022）还用于计算两个实体的关系置信度，所述关系置信度的表达式为：

其中， 表示实体 与实体 的关系置信度， 表示实体 与实体 在第d个知识维度下的相似度，即第d种关系的相似度， 为第d种关系的权重；

所述通道构建单元（2024）在符合关系置信度阈值的药物之间设置关系连接通道，通道的权重计算公式为：

药物之间的连接通道权重决定了药物是否可以进行搭配学习。

2.一种基于精准算法和大数据的医药知识快速学习系统的实现方法，其特征在于，包括以下步骤：

S1.获取医药知识图谱，对医药知识图谱中的所有医药知识进行整理、分析，挖掘医药知识中的隐含关系，构建医药知识词典；

所述医药知识词典的具体构建方法如下：首先将医药知识图谱中的所有医药知识形成不同知识维度的数据列，所述数据列即为不同的知识维度；将所有医药分类编码的集合记为 ，共有 种药物，每种药物作为一个节点，每种药物不同知识维度的数据列记为 ，表示任意一种知识维度，即任意一列，共有D列数据；计算每个药物在医药知识图谱中的重要性，用于表征药物的重要性置信度，具体计算公式为：其中， 表示药物 在医药知识图谱中的重要性置信度，为医药知识图谱中节点继续扩展的概率， 和 分别为药物 在医药知识图谱中的入度和出度，表示药物 在医药知识图谱中的重要性置信度， ；所述药物的富集程度是指药物用途广泛程度的量化；

然后将医药知识图谱中各药物节点之间的关系格式设置为三元组，包括第一实体、关系和第二实体，三元组数据中两个实体之间的关系置信度越高，则表明两个实体的关联性越强；所述关系置信度是指两个实体之间存在的不同关系权重和等级所得到的数值；计算两个实体的关系置信度，所述关系置信度的表达式为：其中， 表示实体 与实体 的关系置信度， 表示实体 与实体 在第d个知识维度下的相似度，即第d种关系的相似度， 为第d种关系的权重；

最后在符合关系置信度阈值的药物之间设置关系连接通道，通道的权重计算公式为：药物之间的连接通道权重决定了药物是否可以进行搭配学习；由药物三元组知识以及药物通道共同构成医药知识词典；

S2.将医药知识词典用于用户学习环境中，根据第一触发指令和第二触发指令寻找相应的医药知识点，形成医药知识推荐集，能适时地按照用户的学习状况推荐学习内容，方便用户快速学习。

3.如权利要求2所述的一种基于精准算法和大数据的医药知识快速学习系统的实现方法，其特征在于，所述步骤S2具体包括：用户接口组件测验出用户的学习状况，即用户对医药知识的掌握程度；用户接口组件获取用户访问日志中的用户行为信息以及用户行为信息对应的响应信息。

4.如权利要求3所述的一种基于精准算法和大数据的医药知识快速学习系统的实现方法，其特征在于，所述步骤S2具体包括：将行为数据的权重和学习权重作为用户对不同药物的不同知识维度的需求度，根据学习权重得到第一触发指令；根据行为数据的权重得到第二触发指令；指令响应组件根据第一触发指令和第二触发指令在中医药知识库中寻找相应的医药知识点，并根据每个药物知识及其连接通道得到关联性强的其他药物知识，将所有药物知识按照顺序汇集，得到当前用户的医药知识推荐集。

说明书

基于精准算法和大数据的医药知识快速学习系统及方法

技术领域

[0001] 本发明涉及医药、计算机领域，尤其涉及一种基于精准算法和大数据的医药知识快速学习系统及方法。

背景技术

[0002] 医药领域存在着大量的医药基础知识，这些医药知识汇聚成了医药领域的宝库。医药领域的数据来源有多种多样，因此当用户在面对海量的医药课程和医药价值资讯时却
无从选择，用户难以找到适时、适地、适合的价值信息。如何把大量医药知识向用户有针对
性的、及时的推荐和普及，使得用户能够有针对性的、快速学习医药知识是一个亟待解决的
课题。

[0003] 我国专利申请号：202010767903.8；公布日：2020.11.10，汪礼君公开了一种基于深度学习的医药知识图谱构建方法及系统，包括:获取医药网站中的相关医药知识信息，并
对医药网站内容进行解析;完成对解析内容的数据清洗;利用基于词典的切分算法对解析
内容进行切分处理;设计医药知识图谱实体关系，并进行基于医药知识图谱的语义表示;基
于注意力机制进行知识图谱网络的构建，并进行基于知识图谱的医药问答;将基于知识图
谱的医药问答过程建模为排序问题，采用逐点训练的方式进行计算，得到问答之间的匹配
分数，并根据匹配分数的分布特征进行参数精调，实现少样本下的知识图谱训练。

[0004] 但本发明发明人在实现本发明实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：知识繁多导致数据利用率和准确率较低，无法对医药知识中的隐藏
内容进行精准挖掘，用户难以找到适合的价值信息，难以加快学习速度。

发明内容

[0005] 本发明实施例通过提供一种基于精准算法和大数据的医药知识快速学习系统及方法，解决了现有技术中知识繁多导致数据利用率和准确率较低，无法对医药知识中的隐
藏内容进行精准挖掘，用户难以找到适合的价值信息，难以加快学习速度的问题；实现了精
准挖掘医药知识隐含信息，为用户推荐合适的医药知识，使得用户能够有针对性的、快速学
习医药知识。

[0006] 本发明的技术方案如下：

[0007] 一种基于精准算法和大数据的医药知识快速学习系统，对网络大数据中的数据进行整理、分析，将非结构化数据转换为结构化数据，挖掘大数据中的重要性置信度和关联置
信度，构建知识词典，实现大数据精准挖掘；根据用户实测水平和行为数据了解用户需求，
根据用户需求推荐相应知识数据集。具体包括以下部分：

[0008] 用户终端10和医药知识服务器20

[0009] 所述医药知识服务器20包括：大数据对接组件201、数据整理组件202、用户接口组件203、实时检测组件204、数据处理组件205、数据分析组件206、指令响应组件207和医药知
识库208；

[0010] 所述数据整理组件202用于对医药知识图谱中的所有医药知识进行整理、分析，挖掘医药知识中的隐含关系，构建医药知识词典,所述指令响应组件207用于根据第一触发指
令和第二触发指令中所述医药知识库208中寻找相应的医药知识点，并根据每个药物知识
及其连接通道得到关联性强的其他药物知识，将所有药物知识按照顺序汇集，得到当前用
户的医药知识推荐集。所述指令响应组件207将医药知识推荐集通过数据连接的方式传输
给所述用户接口组件203和所述医药知识库208。

[0011] 优选的，所述数据整理组件202具体包括：

[0012] 数据梳理单元2021、数据计算单元2022、格式规划单元2023、通道构建单元2024，所述数据梳理单元2021用于将医药知识图谱中的所有医药知识形成不同知识维度的数据
列，将整理后的数据通过数据传输的方式发送给所述数据计算单元2022；所述数据计算单
元2022用于计算每个药物在医药知识图谱中的重要性置信度和两个实体之间的关系置信
度，将药物的重要性置信度和两个实体之间的关系置信度发送给所述通道构建单元2024，
并将关系置信度发送给所述格式规划单元2023；所述格式规划单元2023用于将医药知识图
谱中各药物节点之间的关系格式设置为三元组，将三元组通过数据连接的方式发送给所述
通道构建单元2024；所述通道构建单元2024用于在符合关系置信度阈值的药物之间设置关
系连接通道，药物之间的连接通道权重决定了药物是否可以进行搭配学习，所述通道构建
单元2024将药物三元组知识以及药物通道共同构成医药知识词典，将医药知识词典通过数
据连接的方式发送给所述医药知识库208；

[0013] 一种基于精准算法和大数据的医药知识快速学习系统的实现方法，包括以下步骤：

[0014] S1.获取医药知识图谱，对医药知识图谱中的所有医药知识进行整理、分析，挖掘医药知识中的隐含关系，构建医药知识词典；

[0015] S2.将医药知识词典用于用户学习环境中，根据第一触发指令和第二触发指令寻找相应的医药知识点，形成医药知识推荐集，能适时地按照用户的学习状况推荐学习内容，
方便用户快速学习。

[0016] 优选的，所述步骤S1具体包括：

[0017] 数据计算单元计算每个药物在医药知识图谱中的重要性，用于表征药物的重要性置信度；数据计算单元计算两个实体的关系置信度。

[0018] 优选的，所述步骤S1具体包括：

[0019] 通道构建单元在符合关系置信度阈值的药物之间设置关系连接通道，并计算通道的权重，药物之间的连接通道权重决定了药物是否可以进行搭配学习。

[0020] 优选的，所述步骤S2具体包括：

[0021] 用户接口组件测验出用户的学习状况，即用户对医药知识的掌握程度；用户接口组件获取用户访问日志中的用户行为信息以及用户行为信息对应的响应信息。

[0022] 优选的，所述步骤S2具体包括：

[0023] 将行为数据的权重和学习权重作为用户对不同药物的不同知识维度的需求度，根据学习权重得到第一触发指令；根据行为数据的权重得到第二触发指令。指令响应组件根
据第一触发指令和第二触发指令在中医药知识库中寻找相应的医药知识点，并根据每个药
物知识及其连接通道得到关联性强的其他药物知识，将所有药物知识按照顺序汇集，得到
当前用户的医药知识推荐集。

[0024] 本发明的有益效果是：

[0025] 1、本发明通过对医药知识图谱中的所有医药知识进行整理、分析，将非结构化数据转换为结构化数据，便于数据被计算机识别，提高数据的利用率和准确率，挖掘医药知识
中的重要性置信度和关联置信度，构建医药知识词典，实现医药知识精准挖掘；

[0026] 2、将医药知识词典用于用户学习环境中，按照用户的学习状况和行为数据设置第一触发指令和第二触发指令，根据触发指令推荐医药知识，并根据每个药物知识及其连接
通道得到关联性强的其他药物知识，形成医药知识推荐集，让用户明白自身学习的弱点与
盲点，并根据医药知识推荐集对弱点知识点与其它相关知识点的方式进行强化学习，让用
户能有计划、快速地学习医药知识。

[0027] 3、本发明的技术方案能够有效解决现有技术中知识繁多导致数据利用率和准确率较低，无法对医药知识中的隐藏内容进行精准挖掘，用户难以找到适合的价值信息，难以
加快学习速度的问题。并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能
够精准挖掘医药知识隐含信息，为用户推荐合适的医药知识，使得用户能够有针对性的、快
速学习医药知识。

附图说明

[0028] 图1为本发明所述的一种医药知识快速学习方法流程图；

[0029] 图2为本发明所述的一种基于精准算法和大数据的医药知识快速学习系统结构图；

[0030] 图3为本发明所述的数据整理组件构成图。

具体实施方式

[0031] 本发明实施例通过提供一种基于精准算法和大数据的医药知识快速学习系统及方法，解决了现有技术中知识繁多导致数据利用率和准确率较低，无法对医药知识中的隐
藏内容进行精准挖掘，用户难以找到适合的价值信息，难以加快学习速度的问题。

[0032] 本发明实施例中的技术方案为解决上述问题，总体思路如下：

[0033] 本发明通过对医药知识图谱中的所有医药知识进行整理、分析，将非结构化数据转换为结构化数据，便于数据被计算机识别，提高数据的利用率和准确率，挖掘医药知识中
的重要性置信度和关联置信度，构建医药知识词典，实现医药知识精准挖掘；将医药知识词
典用于用户学习环境中，按照用户的学习状况和行为数据设置第一触发指令和第二触发指
令，根据触发指令推荐医药知识，并根据每个药物知识及其连接通道得到关联性强的其他
药物知识，形成医药知识推荐集，让用户明白自身学习的弱点与盲点，并根据医药知识推荐
集对弱点知识点与其它相关知识点的方式进行强化学习，让用户能有计划、快速地学习医
药知识。

[0034] 为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

[0035] 参照附图2，本发明所述一种基于精准算法和大数据的医药知识快速学习系统包括以下部分：

[0036] 用户终端10和医药知识服务器20

[0037] 用户终端10用于用户进行学习，用户可在用户终端10进行检索、查阅、收藏、转发、点击等操作。用户终端10通过数据连接的方式与医药知识服务器20进行信息传输；

[0038] 医药知识服务器20包括：大数据对接组件201、数据整理组件202、用户接口组件203、实时检测组件204、数据处理组件205、数据分析组件206、指令响应组件207和医药知识
库208；

[0039] 大数据对接组件201用于接收从网络中抓取的医药知识图谱，将医药知识图谱通过数据连接的方式发送给数据整理组件202；

[0040] 数据整理组件202用于对医药知识图谱中的所有医药知识进行整理、分析，挖掘医药知识中的隐含关系，构建医药知识词典。数据整理组件202包括数据梳理单元2021、数据
计算单元2022、格式规划单元2023、通道构建单元2024，如图3所示。数据梳理单元2021用于
将医药知识图谱中的所有医药知识形成不同知识维度的数据列，数据梳理单元2021将整理
后的数据通过数据传输的方式发送给数据计算单元2022；数据计算单元2022用于计算每个
药物在医药知识图谱中的重要性置信度和两个实体之间的关系置信度，数据计算单元2022
将药物的重要性置信度和两个实体之间的关系置信度发送给通道构建单元2024，并将关系
置信度发送给格式规划单元2023；格式规划单元2023用于将医药知识图谱中各药物节点之
间的关系格式设置为三元组，将三元组通过数据连接的方式发送给通道构建单元2024；通
道构建单元2024用于在符合关系置信度阈值的药物之间设置关系连接通道，药物之间的连
接通道权重决定了药物是否可以进行搭配学习，通道构建单元2024将药物三元组知识以及
药物通道共同构成医药知识词典，将医药知识词典通过数据连接的方式发送给医药知识库
208；

[0041] 用户接口组件203对接用户终端10，用于与用户终端10进行数据交互，将用户终端10设置的关系置信度阈值通过数据连接的方式发送给通道构建单元2024，将用户终端10用
户的学习状况发送给实时检测组件204，将用户终端10的用户访问日志中的用户行为信息
以及用户行为信息对应的响应信息发送给数据处理组件205；将指令响应组件207的医药知
识推荐集通过数据连接的方式传输给用户终端10；

[0042] 实时检测组件204，用于检测用户对不同药物知识的掌握情况，根据用户的错误率对不同药物知识赋予学习权重，错误率越高，对应的药物知识权重值越大。实时检测组件
204将获取的用户对药物知识的掌握情况通过数据连接的方式发送给指令响应组件207；

[0043] 数据处理组件205，用于获取用户行为信息及其响应信息的医药知识特征，现有的特征提取技术已较为成熟，因此采用现有技术即可。根据医药知识特征对用户行为信息及
其响应信息进行分类，得到至少一个行为数据。数据处理组件205将用户行为数据通过数据
传输的方式发送给数据分析组件206；

[0044] 数据分析组件206，用于通过卷积神经网络处理加权后的行为数据，得到局部知识信息。数据分析组件206将局部知识信息通过数据传输的方式发送给指令响应组件207；

[0045] 指令响应组件207，用于根据第一触发指令和第二触发指令中医药知识库208中寻找相应的医药知识点，并根据每个药物知识及其连接通道得到关联性强的其他药物知识，
将所有药物知识按照顺序汇集，得到当前用户的医药知识推荐集。指令响应组件207将医药
知识推荐集通过数据连接的方式传输给用户接口组件203和医药知识库208；

[0046] 医药知识库208，用于存储医药知识词典和医药知识推荐集。

[0047] 参照附图1，本发明所述一种基于精准算法和大数据的医药知识快速学习系统的实现方法包括以下步骤：

[0048] S1.获取医药知识图谱，对医药知识图谱中的所有医药知识进行整理、分析，挖掘医药知识中的隐含关系，构建医药知识词典；

[0049] S11.医药种类复杂多样，全世界大约有20000余种，我国中药制剂约5000多种，西药制剂约4000多种。而药品的剂型、成分、使用方法、保管要求等知识也因此更加数不胜数。
知识学习者在学习过程中面对如此繁多的知识无法快速、有效得建立知识结构体系，不易
掌握，因此本发明所述的医药知识快速学习系统对医药知识大数据进行整理、分析，针对知
识学习者（即用户）的知识掌握情况精准地向用户推荐医药知识，便于用户快速学习。

[0050] S12.使用网站API获取医药官方网站中的结构化数据或利用现成的爬虫工具将网络中已存在的医药知识图谱抓取到医药知识服务器20中，医药知识服务器20中的大数据对
接组件201用于接收抓取的医药知识图谱。所述已存在的医药知识图谱中包含所有医药知
识，例如药品名称、成分、用途、使用方法、存放方式等。所述大数据对接组件201将医药知识
图谱传输给数据整理组件202数据整理组件202对医药知识图谱中的所有医药知识进行整
理、分析，挖掘医药知识中的隐含关系，构建医药知识词典。数据整理组件202构建医药知识
词典的具体方法如下：

[0051] S121.首先数据梳理单元2021将医药知识图谱中的所有医药知识形成不同知识维度的数据列，所述数据列即为不同的知识维度，例如药品用途、存放方式等。将所有医药分
类编码的集合记为 ，共有 种药物，每种药物作为一个节点，每种药物
不同知识维度的数据列记为 ， 表示任意一种知识维度，
即任意一列，共有D列数据。数据计算单元2022计算每个药物在医药知识图谱中的重要性，
用于表征药物的重要性置信度，具体计算公式为：

[0052]

[0053] 其中， 表示药物 在医药知识图谱中的重要性置信度，为医药知识图谱中节点继续扩展的概率， 和 分别为药物 在医药知识图谱中的入度和出度，
节点的入度和出度反映了医药知识图谱中当前药物节点的富集程度和节点与其他节点间
的关联强度，具体入度和出度数据可由实验获得， 表示药物 在医药知识图谱中的
重要性置信度， 。所述药物的富集程度是指药物用途广泛程度的量化。

[0054] S122.格式规划单元2023将医药知识图谱中各药物节点之间的关系格式设置为三元组，包括第一实体、关系和第二实体，如果三元组数据中两个实体之间的关系置信度越
高，则表面两个实体的关联性越强。所述关系置信度是指两个实体之间存在的不同关系权
重和等级所得到的数值。对两个实体之间的不同关系进行等级划分，每种关系均分为5个等
级，每种关系的权重不同，关系权重根据实际情况自行设定。两个实体间的关系包括成分相
似度、用途相似度、使用方法相似度、存放方式相似度等，例如当两个实体的成分相似度达
到80%以上时，设定两个实体在成分关系中的等级为5级。数据计算单元2022计算两个实体
的关系置信度，所述关系置信度的表达式为：

[0055]

[0056] 其中， 表示实体 与实体 的关系置信度， 表示实体 与实体在第d个知识维度下的相似度，即第d种关系的相似度， 为第d种关系的权重。

[0057] 用户接口组件203对接用户终端10，用于与用户终端10进行数据交互。用户根据自身需求设置药物之间关系置信度的阈值，通道构建单元2024在符合关系置信度阈值的药物
之间设置关系连接通道，通道的权重计算公式为：

[0058]

[0059] 药物之间的连接通道权重决定了药物是否可以进行搭配学习。由药物三元组知识以及药物通道共同构成医药知识词典，将医药知识词典存储到医药知识库208中。

[0060] 所述步骤S1的有益效果为：本发明通过对医药知识图谱中的所有医药知识进行整理、分析，将非结构化数据转换为结构化数据，便于数据被计算机识别，提高数据的利用率
和准确率，挖掘医药知识中的重要性置信度和关联置信度，构建医药知识词典，实现医药知
识精准挖掘。

[0061] S2.将医药知识词典用于用户学习环境中，根据第一触发指令和第二触发指令寻找相应的医药知识点，形成医药知识推荐集，能适时地按照用户的学习状况推荐学习内容，
方便用户快速学习。

[0062] S21.将医药知识词典用于用户学习环境中，能适时地按照用户的学习状况推荐学习内容，方便用户快速学习。首先实时检测组件204需要通过用户接口组件203测验出用户
的学习状况，即用户对医药知识的掌握程度。根据实时检测组件204获得的用户学习状况可
以得到用户对不同药物知识的掌握情况，根据用户的错误率对不同药物知识赋予学习权
重，错误率越高，对应的药物知识权重值越大。

[0063] 进一步，用户接口组件203获取用户访问日志中的用户行为信息以及用户行为信息对应的响应信息，所述用户行为信息及其响应信息是指用户的点击、下载、收藏、转发等
操作，以及上述操作所对应的医药知识。

[0064] S22.数据处理组件205提取用户行为信息及其响应信息的医药知识特征，现有的特征提取技术已较为成熟，因此采用现有技术即可。根据医药知识特征对用户行为信息及
其响应信息进行分类，得到至少一个行为数据，所述行为数据是指在用户的点击、下载、收
藏、转发等操作中所对应的医药知识及其操作权重。所述操作权重是指点击、下载、收藏、转
发等操作的重要占比，根据实际情况自行设定。

[0065] 数据分析组件206采用卷积神经网络处理加权后的行为数据，得到局部知识信息，其中， 为第i个卷积核的输出特征。所述卷积神经网络采
用现有技术中最常用的卷积神经网络方法，首先对加权后的行为数据进行筛选，剔除权重
小于预设的行为权重阈值的行为数据，然后对行为数据与对应的局部知识信息进行训练学
习，当网络精准率达到期望时，停止训练，最终输出行为数据对应的局部知识信息，即不同
药物的不同知识维度 。

[0066] S23.将行为数据的权重和学习权重作为用户对不同药物的不同知识维度的需求度，根据学习权重得到第一触发指令，即当出现大于学习权重阈值的医药知识时，触发第一
触发指令；根据行为数据的权重得到第二触发指令，即当出现大于行为权重阈值的医药知
识时，触发第二触发指令。指令响应组件207根据第一触发指令和第二触发指令在中医药知
识库208中寻找相应的医药知识点，并根据每个药物知识及其连接通道得到关联性强的其
他药物知识，将所有药物知识按照顺序汇集，得到当前用户的医药知识推荐集。将用户对应
的医药知识推荐集推荐给用户，达到快速学习的目的。

[0067] 所述步骤S2的有益效果为：将医药知识词典用于用户学习环境中，按照用户的学习状况和行为数据设置第一触发指令和第二触发指令，根据触发指令推荐医药知识，并根
据每个药物知识及其连接通道得到关联性强的其他药物知识，形成医药知识推荐集，让用
户明白自身学习的弱点与盲点，并根据医药知识推荐集对弱点知识点与其它相关知识点的
方式进行强化学习，让用户能有计划、快速地学习医药知识。

[0068] 综上所述，便完成了本发明所述的一种基于精准算法和大数据的医药知识快速学习系统及方法。

[0069] 上述本发明实施例中的技术方案，至少具有如下的技术效果或优点：

[0070] 1、本发明通过对医药知识图谱中的所有医药知识进行整理、分析，将非结构化数据转换为结构化数据，便于数据被计算机识别，提高数据的利用率和准确率，挖掘医药知识
中的重要性置信度和关联置信度，构建医药知识词典，实现医药知识精准挖掘；

[0071] 2、将医药知识词典用于用户学习环境中，按照用户的学习状况和行为数据设置第一触发指令和第二触发指令，根据触发指令推荐医药知识，并根据每个药物知识及其连接
通道得到关联性强的其他药物知识，形成医药知识推荐集，让用户明白自身学习的弱点与
盲点，并根据医药知识推荐集对弱点知识点与其它相关知识点的方式进行强化学习，让用
户能有计划、快速地学习医药知识。

[0072] 效果调研：

[0073] 本发明的技术方案能够有效解决现有技术中知识繁多导致数据利用率和准确率较低，无法对医药知识中的隐藏内容进行精准挖掘，用户难以找到适合的价值信息，难以加
快学习速度的问题。并且，上述系统或方法经过了一系列的效果调研，通过验证，最终能够
精准挖掘医药知识隐含信息，为用户推荐合适的医药知识，使得用户能够有针对性的、快速
学习医药知识。

[0074] 本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流
程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实
现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

[0075] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一
个方框或多个方框中指定的功能的步骤。

[0076] 尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优
选实施例以及落入本发明范围的所有变更和修改。

[0077] 显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围
之内，则本发明也意图包含这些改动和变型在内。