1.一种针对电子病历描述的查询重构方法，其特征在于，包括
步骤1、对数据集中的电子病历文本和医疗文献文本进行预处理；
步骤2、训练svm分类器对电子病历文本进行查询意图预测；
步骤3、获取电子病历文本的所有子查询并对其进行初步预筛选；
步骤4、训练查询质量预测模型，从步骤3中预筛选输出的子查询中选取最优子查询；
步骤5、结合步骤2得到的查询意图与步骤4输出的最优子查询得到最终的重构查询；
其中
步骤1：对数据集中的电子病历文本和医疗文献文本进行预处理
1.1、提取纯文本
因为电子病历文本本身就是纯文本，所以无需此步骤。而医疗文献文本是以xml格式存储的网页文件，需要去除其中无用的css和js代码，并根据xml标签取出需要的纯文本数据，包括文献的标题、摘要、关键词和正文部分，使预处理后的文献文本拥有统一格式。
将电子病历纯文本和医疗文献提取后的纯文本提供给步骤1.2；
1.2、去除停用词
利用预处理词表去除纯文本中的停用词，包括一些不含有语义信息的词汇，以及使用频率过高的词汇。
去除停用词后结果提供给步骤1.3；
1.3、还原词性
将不同的词性整合还原为词根，英文中同一个含义的词会有不同时态的变化，将这些词进行词性还原。
还原词性后即完成了步骤1的文本预处理工作，将预处理后的电子病历文本提供给步骤2和步骤3，而将预处理后的医疗文献文本提供给步骤4。
步骤2：训练svm三分类器对电子病历文本进行查询意图预测
步骤2利用步骤1中得到的预处理后的电子病历文本作为训练集来训练svm分类器进行查询意图的判断，具体包括以下步骤。
2.1、为训练集中的每一个电子病历文本标注三分类标签：若电子病历文本内容属于诊断(diagnosis)，标注为1；若电子病历文本内容属于治疗方案(treatment)，标注为2；若电子病历文本内容属于诊断检测手段(test)，标注为3。标注后的结果提供给步骤2.2。
2.2、训练三分类器。
三分类器的训练使用现有的支持向量机svm算法，训练时需要输入电子病历文本的特征和步骤2.1中标注的三种分类标签。分类器的训练需要用到两个电子病历文本的特征：(1)tf-idf值；(2)语义信息。
(1)tf-idf是一种统计方法，用以评估一字词对于一个语料库中的其中一份文件的重要程度。其中词频(termfrequency，tf)指的是某一个给定的词语在该文件中出现的频率。逆向文件频率(inversedocumentfrequency，idf)是由总文件数目除以包含该词语的文件数目，再将得到的商取以10为底的对数得到。tf-idf值是这两个值的乘积，公式为
其中nω表示文件中词ω出现的次数，n表示文件中的总词数，nd表示语料库中文件总数，nω表示语料库中包含词ω的文件数。
(2)语义信息指三部分信息：是否包含诊断结果(值为0/1)、是否表明已完成检查(值为0/1)、查询文本长度(值为0-200)。
将训练得到的三分类器提供给步骤2.3。
2.3、将电子病历文本输入已训练好的三分类器，并将分类结果(即查询意图)提供给步骤5。
步骤3：获取电子病历文本的所有子查询并对其进行初步预筛选
理论上一个包含n个查询词的查询可以得到指数量级个子查询，例如含3个查询词的查询语句“fevercoughheadache”可拆分成的子查询有“fever”、“cough”、“headache”、“fevercough”、“feverheadache”、“coughheadache”、“fevercoughheadache”。穷举所有可能的子查询进行排序是不现实的，所以首先需要对子查询进行预筛选。子查询预筛选包含以下步骤。
3.1、在电子病历文本的所有子查询中选取长度在3-10之间的子查询。子查询长度指的是查询中的单词数目。研究表明使检索效果最佳的查询长度在3-6之间，考虑到本发明针对的电子病历长文本，将长度最大阈值定义在10。结果提供给步骤3.2。
3.2、计算3.1中得到的每个子查询的平均互信息量，选取互信息量最高的30个子查询。子查询的平均互信息量计算公式如下：
其中n(x,y)表示在整个语料库中，单词x和单词y同时出现在窗口大小为25的文档中的频率，n(x)、n(y)分别表示单词x和单词y在语料库中出现的频率。nc表示整个语料库的单词数。计算一个子查询中任意两个单词的互信息量，并将它们的加权平均值作为子查询的平均互信息量。
步骤3最终得到预筛选后的30个子查询，此结果提供给步骤4。
步骤4：训练查询质量预测模型，从预筛选后的子查询中选取最优子查询
4.1、为子查询标注查询质量分数
对步骤3得到的每一个预筛选后的子查询进行一轮检索，检索的目标文献集来自步骤1中预处理后的医疗文献文本集。搜索引擎使用的是lemur开源项目中的indri5.11。将检索结果与trec会议提供的评价标准对比，计算得到检索的平均准确率得分，并将其标注为该子查询的查询质量分数。标注了查询质量分数的子查询作为此步骤的结果提供给步骤4.2。
4.2、训练查询质量预测模型
查询质量预测模型的训练使用现有的svmrank算法，训练时需要输入可以表征子查询质量的指标和步骤4.1中标注的查询质量分数。
模型训练需要用到以下指标，对训练集中的每个子查询计算：(1)逆文档频率相关指标；(2)简化查询清晰度指标；(3)语料/查询相似特征指标；(4)查询可扩展性指标。
在分别介绍这些指标前定义此步骤用到的符号含义。对一个查询q，假设它包含查询词ω1,…ωn，语料库c中n(ωi)表示查询词ωi在语料库中出现的频率，n(ωi,ωj)表示语料库中查询词ωi,ωj(i≠j)同时出现在一个长度为25个单词的窗口中的频率，nc表示语料库包含的词语总数，nω表示出现过查询词ω的文档数，nd表示语料库中所有文件的数目。pc(ω)表示语料库中查询词ω出现的概率，p(ω|q)表示查询语句q中ω出现的概率，sω表示词语ω的同义词集。
(1)逆文档频率相关指标计算公式为：
其中nω为包含单词ω的文档数，nd为语料库中总文档数。对于每个子查询，计算每个查询词idf值的和、最大值、标准偏差、算术平均值、几何平均值和调和平均值共同作为查询质量指标。
(2)简化查询清晰度指标计算公式为：
其中pml(ω|q)为查询q中单词ω的出现的频率,pc(ω)单词ω在语料库中出现的频率。
(3)语料/查询相似特征指标计算公式为：
和逆文档频率相关指标一样，我们计算每个查询词scq值的和、最大值、标准偏差、算术平均值、几何平均值和调和平均值共同作为查询质量指标。
(4)查询可扩展性指标
本发明首次提出了一个反映查询扩展性能的指标——查询可扩展性指标。计算公式为：
其中sω为查询词ω的同义词集，p(α|q)指查询模型中查询词α的出现概率。可以认为查询可扩展性越高的查询，其查询质量越高，因为在对它们进行查询扩展后可以检索到更多的相关文档。
将训练得到的查询质量预测模型提供给步骤4.3。
4.3、对步骤3得到的每一个预筛选后的子查询，计算步骤4.2中表征子查询质量的4个指标，并将其输入到步骤4.2训练得到的查询质量预测模型得到该子查询的查询质量得分。选取30个子查询中查询质量得分最高的子查询作为最优子查询，结果提供给步骤5。
步骤5：结合查询意图和最优子查询得到最终的重构查询
将步骤2得到的查询意图和步骤4得到的最优子查询结合作为最终结果的重构查询。