用于处理数据的方法和装置与流程

本公开的实施例涉及计算机技术领域，具体涉及用于处理数据的方法和装置。

背景技术：

基于概率图的模型进行数据处理适用于多种技术领域，影响数据处理的准确率的主要因素包括：基于概率图的模型的算法结构和输入参数的类型，相关技术中，基于概率图的模型的算法结构单一、并且输入参数未分类，导致数据处理的结果准确率较低。

技术实现要素：

本公开的实施例提出了用于处理数据的方法和装置。

第一方面，本公开实施例提供一种用于处理数据的方法，该方法包括：利用预先设置的至少两个基于概率图的模型，分别确定关联度序列，其中，该关联度序列用于表征预先生成的关键字和预先获取的对象集合中的对象的关联度；对所确定的关联度序列进行融合，得到融合关联度序列；基于融合关联度序列，从对象集合中确定出关键字的关联对象。

在一些实施例中，在利用预先设置的至少两个基于概率图的模型，分别确定关联度序列之前，方法还包括：对预先生成的关键字分类，获得第一类关键字和第二类关键字，以使得基于概率图的模型以第一类关键字和第二类关键字为输入参数，确定关联度序列。

在一些实施例中，在利用预先设置的至少两个基于概率图的模型，分别确定关联度序列之前，方法还包括：获取对象合集中的对象的先验概率，以使得基于概率图的模型以对象的先验概率为输入参数，确定关联度序列。

在一些实施例中，预先设置的至少两个基于概率图的模型包括：串联的两个概率图模型或并联的两个概率图模型；以及利用预先设置的至少两个基于概率图的模型，分别确定关联度序列，包括：将第一类关键字和先验概率输入串联的两个概率图模型中的第一个进行计算，将该第一个概率图模型的输出结果和第二类关键字输入串联的两个概率图模型中的第二个进行计算，以获得第一关联度序列；将第一类关键字和第二类关键字中一者、先验概率输入并联的两个概率图模型中一者进行计算，将第一类关键字和第二类关键字中另一者、先验概率输入并联的两个概率图模型中另一者进行计算，对两个概率图模型的输出结果进行求和，并对求和结果归一化以获得第二关联度序列。

在一些实施例中，对所确定的关联度序列进行融合，得到融合关联度序列，包括：确定第一关联度序列和第二关联度序列中对应同一对象的关联度的平均值或者加权平均值，将所确定的平均值或者加权平均值作为融合关联度，得到融合关联度序列。

在一些实施例中，对所确定的关联度序列进行融合，得到融合关联度序列，包括：统计第一关联度序列和第二关联度序列中指示任一对象的关联度的数量，将数量作为融合关联度，得到融合关联度序列。

在一些实施例中，基于融合关联度序列，从对象集合中确定出关键字的关联对象，包括：确定融合关联度的最大值对应的对象为关键字的关联对象。

在一些实施例中，在从对象集合中确定出关键字的关联对象之后，方法还包括：基于预设规则对确定出的关键字的关联对象进行过滤。

第二方面，本公开的实施例提供一种用于处理数据的装置，包括：关联度确定单元，被配置成利用预先设置的至少两个基于概率图的模型，分别确定关联度序列，其中，关联度序列用于表征预先生成的关键字和预先获取的对象集合中的对象的关联度；融合单元，被配置成对所确定的关联度序列进行融合，得到融合关联度序列；关联对象确定单元，被配置成基于融合关联度序列，从对象集合中确定出关键字的关联对象。

在一些实施例中，装置还包括：关键字分类单元，被配置成对预先生成的关键字分类，获得第一类关键字和第二类关键字，以使得基于概率图的模型以第一类关键字和第二类关键字为输入参数，确定关联度序列。

在一些实施例中，装置还包括：先验概率获取单元，获取对象合集中的对象的先验概率，以使得基于概率图的模型以对象的先验概率为输入参数，确定关联度序列。

在一些实施例中，预先设置的至少两个基于概率图的模型包括：串联的两个概率图模型或并联的两个概率图模型；以及关联度确定单元进一步被配置成：将第一类关键字和先验概率输入串联的两个概率图模型中的第一个进行计算，将该第一个概率图模型的输出结果和第二类关键字输入串联的两个概率图模型中的第二个进行计算，以获得第一关联度序列；将第一类关键字和第二类关键字中一者、先验概率输入并联的两个概率图模型中一者进行计算，将第一类关键字和第二类关键字中另一者、先验概率输入并联的两个概率图模型中另一者进行计算，对两个概率图模型的输出结果进行求和，并对求和结果归一化以获得第二关联度序列。

在一些实施例中，融合单元进一步被配置成：计算第一关联度序列和第二关联度序列中对应同一对象的关联度的平均值或者加权平均值，将平均值或者加权平均值作为融合关联度，得到融合关联度序列。

在一些实施例中，融合单元进一步被配置成：统计所述第一关联度序列和所述第二关联度序列中指示任一对象的关联度的数量，将所述数量作为融合关联度，得到融合关联度序列。

在一些实施例中，关联对象确定单元进一步被配置成：确定融合关联度的最大值对应的对象为关键字的关联对象。

在一些实施例中，装置还包括：过滤单元，被配置成基于预设规则对确定出的关键字的关联对象进行过滤。

第三方面，本公开的实施例提供一种服务器，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面的方法。

第四方面，本公开的实施例提供一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的方法。

本公开的实施例提供的用于处理数据的方法和装置，首先，利用预先设置的至少两个基于概率图的模型，分别确定关联度序列，可以获得基于相同原始数据的多个关联度序列预测结果，然后，对所确定的关联度序列进行融合，得到融合关联度序，最后，基于融合关联度序列，从对象集合中确定出关键字的关联对象，可以提高确定关键字的关联对象的准确率，避免仅利用一个基于概率图的模型进行数据处理而出现不合理的预测结果，进一步地，可以利用得到的关联对象进行信息推送，从而方便终端用户获取数据处理结果，提高用户体验。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一些实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于处理数据的方法的一个实施例的流程图；

图3是根据本公开的用于处理数据的方法的又一个实施例的流程图；

图4是根据本公开的用于处理数据的方法的又一个实施例的流程图；

图5是根据本公开的实施例的用于处理数据的方法的基于概率图的模型的一个实施例的示意图；

图6是根据本公开的实施例的用于处理数据的方法的基于概率图的模型的另一个实施例的示意图；

图7是根据本公开的实施例的用于处理数据的方法的一个应用场景的流程图；

图8是根据本公开的用于处理数据的装置的一个实施例的结构示意图；

图9是适于用来实现本公开的实施例的电子设备的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的实施例的用于处理数据的方法或用于处理数据的装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户110可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如搜索引擎类应用、购物类应用、即时通信工具、邮箱客户端、社交平台软件、视频播放类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器。例如服务器105可以是对终端设备101、102、103提供支持的后台服务器。后台服务器可以对终端提交的数据进行分析、存储或计算等处理，并将采用基于概率图的模型确定的数据预测结果推送给终端设备101、102、103。

通常情况下，本公开的实施例所提供的用于处理数据的方法一般由服务器105执行，相应地，用于处理数据的装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的用于处理数据的方法的一个实施例的流程200。该用于处理数据的方法，包括以下步骤：

在步骤210中，利用预先设置的至少两个基于概率图的模型，分别确定关联度序列，其中，关联度序列用于表征预先生成的关键字和预先获取的对象集合中的对象的关联度。

在本实施例中，用于处理数据的方法200的算法中包括至少两个基于概率图的模型(运行该算法的执行主体可以是如图1所示的服务器105)，每个基于概率图的模型以预先生成的关键字和预先获取的对象集合中的对象作为输入参数，计算对象合集中的对象在关键字条件下的条件概率，条件概率即为关联度。

作为本实施例的一种实施方式，对对象合集中的对象的数量不做限制，即对象可以为一个，也可以为多个。相应的，对预设关键字的数量也不做限制，即关键字可以为一个，也可以为多个。基于上述实施方式，条件概率可以为对象在多个关键字同时发生条件下的联合概率分布，并且，多个对象所计算得到的条件概率形成关联度序列。

其中，基于概率图的模型的计算原理是贝叶斯概率公式，具体地，获取关键字在对象条件下的条件概率，以及对象的先验概率，然后基于贝叶斯公式经过一系类公式推导，计算出对象在关键字条件下的条件概率或者条件概率的联合分布，由于具体的公式推导过程并非本公开的重点，在此不赘述。

在步骤220中，对所确定的关联度序列进行融合，得到融合关联度序列；

在本实施例中，融合例如可以是将由不同的基于概率图的模型计算得到的关联度序列中，用于指示同一个对象的关联度进行融合。

例如，假设有两个关联度序列a＝{a1，a2，a3}；b＝{b1，b2，b3}，其中，a1、b2为对应对象c1的关联度，a2、b1为对应对象c2的关联度，a3、b3为对应对象c3的关联度。

由于关联度为条件概率，因此，在一些可选的实施方式中，融合可以为概率融合，即对象c1的融合关联度可以为(a1+b2)/2，对象c2的融合关联度可以为(a2+b1)/2，对象c1的融合关联度可以为(a3+b3)/2，则融合关联度序列为{(a1+b2)/2，(a2+b1)/2，(a3+b3)/2}。

在另一些可选的实施方式中，以上述两个关联度序列a＝{a1，a2，a3}；b＝{b1，b2，b3}为例，其中，a1、b1为对应对象c1的关联度，a2为对应对象c2的关联度，b2为对应对象c3的关联度，a3为对应对象c4的关联度，b3为对应对象c5的关联度。则融合可以为统计每一个对象对应的关联度数量，具体地，对象c1的融合关联度为2，对象c2～c5的融合关联度均为1，则融合关联度序列为{2，1，1，1，1}。

在步骤230中，基于所述融合关联度序列，从所述对象集合中确定出所述关键字的关联对象。

在本实施例中，可以选取融合关联度序列中的关联度的最大值作为筛选规则，确定出关键字的关联对象。

参考步骤220中的实施方式，假设融合关联度序列为{(a1+b2)/2，(a2+b1)/2，(a3+b3)/2}中，融合关联度(a1+b2)/2最大，则对应融合关联度(a1+b2)/2的对象c1就被确定为关键字的关联对象。

或者，统计融合关联度序列中，指示任一对象的关联度的数量，将数量最多的对象确定为关键字的关联对象。

继续参考步骤220中的实施方式，假设融合关联度序列为{2，1，1，1，1}，则对应融合关联度2的对象c1被确定为关键字的关联对象。

此外，在一些可选的实现方式中，除上述步骤210至步骤230以外，本公开的用于处理数据的方法还可以包括：基于确定出的关键字的关联对象进行信息推送。

在这些可选的实现方式中，执行主体可以将确定的关键字的关联对象以信息推送的形式反馈给终端设备。进一步地，执行主体还可以根据所确定出的关联对象向终端设备推送与该关联对象相关的推送信息。进而，由于利用本实施例的方法能够确定出与关键字关联的关联对象，使得基于关联对象生成的推送信息的针对性更强，从而尽可能地避免向终端推送关联度不高的信息所可能导致的网络资源浪费的问题。

下面以汽车故障诊断为例，对本公开的实施例的用于处理数据的方法进行说明。

汽车故障诊断的应用场景描述如下：

预先生成的关键字为汽车出现的故障，例如，关键字k1：行驶中熄火；关键字k2：再次启动打不上火。预先获取的对象为造成汽车故障的原因，例如，对象ob1：水温传感装置温度环境异常；对象ob2：汽油泵异常；对象ob3：节气门的位置传感器异常；对象ob4：正时皮带断裂。利用现有汽车技术领域的先验知识，确定出对象集合ob＝{ob1，ob2，ob3，ob4}中任意一者的先验概率，即不考虑任何条件的概率，获取对象先验概率集合pr＝{pr1，pr2，pr3，pr4}，然后获取故障原因对故障的诱发概率pin＝{pin11，pin12，pin13，pin14，pin21，pin22，pin23，pin24}，其中，pin11＝(k1|ob1)，pin12＝(k1|ob2)，pin13＝(k1|ob3)，pin14＝(k1|ob4)；pin21＝(k2|ob1)，pin22＝(k2|ob2)，pin23＝(k2|ob3)，pin24＝(k2|ob4)。

执行主体执行步骤210，将先验概率pr、诱发概率pin分别输入至少两个基于概率图的模型中进行计算，获取到对象合集中的对象在关键字条件下的条件概率p(obi|kj)，其中，obi∈ob，i∈{1，2，3，4}，j∈{1，2}。

进一步地，执行主体利用基于概率图的模型以条件概率p(obi|kj)为参数进行计算，获得对象集合中的对象在多个关键字条件下的条件概率联合分布p(obi|k1，k2)，即关联度，多个关联度构成关联度序列。

执行主体依次执行步骤220、步骤230，对基于不同概率图的模型获得的联合概率分布p(obi|k1，k2)进行融合，获得融合关联度序列，然后，根据融合关联度序列，确定出从对象集合中确定出关键字的关联对象，即，确定出导致汽车故障的原因。

本公开的实施例提供的用于处理数据的方法，首先，利用预先设置的至少两个基于概率图的模型，分别确定关联度序列，可以获得基于相同原始数据的多个关联度序列预测结果。然后，对所确定的关联度序列进行融合，得到融合关联度序列。最后，基于融合关联度序列，从对象集合中确定出关键字的关联对象。可以提高确定关键字的关联对象的准确率，避免仅利用一个基于概率图的模型进行数据处理而出现不合理的预测结果。进一步地，可以利用得到的关联对象进行信息推送，从而方便终端用户获取数据处理结果，提高用户体验。

进一步参考图3，其示出了根据本公开的用于处理数据的方法的又一个实施例的流程300。该用于处理数据的方法的流程300，包括以下步骤：

在步骤310中，对预先生成的关键字分类，获得第一类关键字和第二类关键字。

在本实施例中，可以由执行主体(例如，如图1所示的服务器105)中的自然语言处理单元，对用户通过终端设备输入的文本信息进行预处理(例如，文本解析、识别、特征提取等)，以获取预先生成的关键字。进一步地，还可以由自然语言处理单元对预生成的关键字进行分类，获得第一类关键字和第二类关键字，基于概率图的模型以第一类关键字、第二类关键字为输入参数，确定关联度序列。

在步骤320中，获取对象合集中的对象的先验概率。

在本实施例中，对象的先验概率表示对象在没有其他条件限制下的概率，以对象为某种疾病为例，对象的先验概率可以为该疾病的发病率。

对象的先验概率也用作基于概率图的模型的输入参数，即基于概率图的模型以第一类关键字、第二类关键字中至少一者和先验概率为输入参数进行计算，以从对象集合中确定出关键字的关联对象。

对象的先验概率可以存储于执行主体(例如，图1中的服务器105)上，也可以存储于与执行主体通信连接的其他电子设备上，当对象的先验概率存储于与执行主体通信连接的其他电子设备上时，执行主体可以通过向该电子设备发送数据请求指令，以获得相应的对象的先验概率。

在步骤330中，利用预先设置的至少两个基于概率图的模型，分别确定关联度序列，其中，关联度序列用于表征预先生成的关键字和预先获取的对象集合中的对象的关联度。

在步骤340中，对所确定的关联度序列进行融合，得到融合关联度序列。

在步骤350中，基于所述融合关联度序列，从所述对象集合中确定出所述关键字的关联对象。

上述步骤330～步骤350可以按照与图2所示实施例中的步骤210～步骤230类似的方式执行，在此不再赘述。

本公开的上述实施例提供的用于处理数据的方法，通过对预生成的关键字进行分类，利用分类的关键字作为基于概率图的模型进行输入参数，能够实现基于概率图的模型的分层计算，从而实现基于不同类型的关键字确定关联度序列，进一步提高确定关键字关联对象的准确率。

进一步参考图4，其示出了根据本公开的用于处理数据的方法的又一个实施例的流程400。该用于处理数据的方法的流程400，包括以下步骤：

在步骤410中，利用预先设置的至少两个基于概率图的模型，分别确定关联度序列，其中，关联度序列用于表征预先生成的关键字和预先获取的对象集合中的对象的关联度。

在步骤420中，对所确定的关联度序列进行融合，得到融合关联度序列；

在步骤430中，基于所述融合关联度序列，从所述对象集合中确定出所述关键字的关联对象。

上述步骤410～步骤430可以按照与图2所示实施例中的步骤210～步骤230类似的方式执行，在此不再赘述。

在步骤441中，将第一类关键字和先验概率输入串联的两个概率图模型(pgm，probabilisticgraphicalmodel)中的第一个进行计算，将该第一个概率图模型的输出结果和第二类关键字输入串联的两个概率图模型中的第二个进行计算，以获得第一关联度序列。

在本实施例中，运行于执行主体(例如，如图1所示的服务器105)中的基于概率图的模型包括串联的两个概率图模型，参考图5所示，基于概率图的模型中附图标记510示出的概率图模型可以称为父pgm，附图标记520示出的概率图模型可以称为子pgm。

在执行主体执行关联度计算时，作为本实施例的一种实施方式，概率图模型510以第一类关键字和先验概率为输入参数，确定出第一关键字与对象集合中的对象的关联度。概率图模型520将概率图模型510确定出的第一关键字与对象集合中的对象的关联度、以及第二类关键字作为输入参数，确定出第一类关键字、第二类关键字和对象集合中对象的关联度，从而得到第一关联度序列。

该步骤441实现了分层次的pgm模型，后续的子pgm以父pgm的输出结果作为先验概率，提高基于此第一关联度序列，确定关键字关联的对象的准确率。

在步骤442中，将第一类关键字和第二类关键字中一者、先验概率输入并联的两个概率图模型中一者进行计算，将第一类关键字和第二类关键字中另一者、先验概率输入并联的两个概率图模型中另一者进行计算，对两个概率图模型的输出结果进行求和，并对求和结果归一化以获得第二关联度序列。

在本实施例中，运行于执行主体(例如，如图1所示的服务器105)中的基于概率图的模型包括并联的两个概率图模型，参考图6所示，作为本实施例的一种实施方式，附图标记610示出的概率图模型以第一类关键字和先验概率为输入参数，确定出第一关键字与对象集合中的对象的关联度；附图标记620示出的概率图模型620以第二类关键字和先验概率为输入参数，确定出第二类关键字与对象集合中的对象的关联度，然后，执行主体将第一关键字与对象集合中的对象的关联度与第二类关键字与对象集合中的对象的关联度进行求和，并对求和结果进行归一化，从而得到第二关联度序列。

该步骤442也实现了分层次的概率图模型，通过多个pgm基于不同类别的关键字确定出的关联度，对多个pgm确定的关联度结果的求和、归一化处理，可消除单个pgm由不确定因素造成的结果偏差，提高确定关键字关联的对象的准确率。

需要说明的是，上述步骤441和步骤442仅为本公开实施例的两种优选实施方式，并不对本公开的技术方案构成任何限制。

在步骤451中，计算第一关联度序列和第二关联度序列中对应同一对象的关联度的平均值或者加权平均值，将平均值或者加权平均值作为融合关联度，得到融合关联度序列。

在本实施例中，运行于执行主体(例如，如图1所示的服务器105)中的用于处理数据的方法还包括对多个基于概率图的模型确定的关联度序列进行融合，以消除不同的基于概率图的模型的误差，降低不确定因素对确定关键字关联的对象的准确率的影响。

如本公开的前述实施例中，关联度为对象集合中的对象在关键字的条件下的条件概率，因此，计算第一关联度序列和第二关联度序列中对应同一对象的关联度的平均值或者加权平均值，实际上，就是计算两个关联度序列中对应同一个对象的条件概率的平均值或者加权平均值。

其中，在计算加权平均值时，权重的取值根据基于概率图的模型的数量而定，具体地，本实施例中，基于概率图的模型的数量为两个，那么权重的取值就在(0,2)之间，精确度为小数点后一位。

在步骤452中，统计第一关联度序列和第二关联度序列中指示任一对象的关联度的数量，将数量作为融合关联度，得到融合关联度序列。

在本实施例中，以统计的关联度的数量的作为融合关联度，在统计意义上具有可信度和可行性性，并且计算成本较低。

在步骤460中，确定融合关联度的最大值对应的对象为关键字的关联对象。

在本实施例中，作为一种实施方式，关联度的平均值或者加权平均值的最大值，即，对应某一对象的条件概率的最大值，该最大值表示该对象在对象合集中与关键字关联的可能性最大。

作为另一种实施方式，某一对象对应的关联度数量最大，从统计意义上表明，该对象与关键字关联的可能性最大。

在步骤440中，基于预设规则对确定出的关键字的关联对象进行过滤。

利用预设规则对确定出的对象过滤，可以进一步过滤掉基于概率图的模型确定的对象中出现的不合理结果，从而提高对象集合中确定出关键字的关联对象的准确性，即，提高预测结果的准确性。

需要说明书的是，预设规则为相关领域专家根据其所属领域的知识预先设定，该预设规则可程序化，以运行于执行主体(例如，如图1所示的服务器105)中。

作为一种可选地实施方式，本公开的用于处理数据的方法可应用于辅助医疗诊断，预设规则可以是医学专家根据医学知识预先设定，用于过滤强症状排除类疾病，例如，男性不可能患妇科疾病，咳嗽20年不可能是急性支气管炎等。

本公开的实施例提供的用于处理数据的方法，基于概率图的模型可实现分层概率图模型计算，并且将不同概率图模型确定出的关联度序列进行融合，可以消除个别概率图的模型存在的误差，提高确定关键字的关联对象的准确率，此外还包括对确定出的关联对象进行基于预设规则的过滤，以过滤掉对象中的不合理结果，以进一步提高预测的准确率。

继续参见图7，图7是根据本实施例的用于处理数据的方法的应用场景的一个流程700。该应用场景的流程700，包括以下步骤：

步骤701、接收病历文本。

执行主体(例如，如图1所示的服务器105)接收终端发送的病历文本。用户(例如，医生)通过终端(例如图1所示的终端101、102、103)输入病历文本，该病历可以为电子病历。

步骤702、自然语言处理。

执行主体包括自然语言处理单元，自然语言处理单元内集成智能算法，执行主体利用该自然语言处理单元对接收到的病历文本进行解析，并基于解析结果提取病症。

步骤703～步骤704。

执行主体的自然语言处理单元执行步骤703和步骤704，对病症分类，获得正向病症和负向病症，即，实现正向病症提取和负向病症的提取。其中，正向病症为患者已经出现的病症，负向病症为患者未出现的病症。

例如，病历输入如下：间歇性右上腹痛十余年，复发加重两个月；伴有恶心、呕吐；无发热、寒战，无呕血、黑便。则其中正向病症包括：右上腹痛、恶心、呕吐；负向病症包括：发热、寒战、呕血、黑便。

步骤705和步骤706。

执行主体的自然语言处理单元基于正向病症和负向病症进行分类，获得症状(第一类关键字)和体征(第二类关键字)，其中，症状包括正向症状和负向症状，正向症状为患者出现的症状，负向症状为患者未出现的症状；体征包括正向体征和负向体征，正向体征为患者出现的体征，负向体征为患者未出现的体征。

步骤707、获取疾病发病率。

在本实施例中，执行主体基于症状(第一类关键字)和体征(第二类关键字)，向数据存储单元(例如，如图1所示的服务器106)发送数据请求，以获取能够导致出现症状和体征的疾病的发病率(先验概率)；同时，执行主体还分别获取正向症状在疾病发生条件下的第一诱发概率，负向症状在疾病发生条件下的第一抑制概率，正向体征在疾病发生条件下的第二诱发概率，负向体征在疾病发生条件下的第二抑制概率。

步骤708～步骤710。

在本实施例中，执行主体中运行有三个基于概率图的模型，分别执行统一策略、并联策略和串联策略。

其中，统一策略包括一个pgm，统一策略对输入的参数无分类要求，即，直接将第一诱发概率、第一抑制概率、第二诱发概率、第二抑制概率以及先验概率输入至执行统一策略的pgm中进行计算，以获得对应统一策略的关联度序列；

并联策略包括并关联的两个pgm，并联策略对输入参数有分类要求，即，将第一诱发概率、第一抑制概率以及先验概率输入至两个pgm中的一个进行计算，将第二诱发概率、第二抑制概率以及先验概率输入至两个pgm中的另一个进行计算，对两个pgm计算得到的关联度序列求和，并对求和结果进行归一化，以得到对应并联策略的关联度序列。

串联策略包括串联的两个pgm，串联策略对输入参数有分类要求，即，将第一诱发概率、第一抑制概率以及先验概率输入至父pgm进行计算，将父pgm的输出作为子pgm的先验概率输入，同时将第二诱发概率、第二抑制概率输入至子pgm进行计算，获得对应串联策略的关联度序列。

步骤711、执行融合。

执行主体将上述对应统一策略的关联度序列、对应并联策略的关联度序列和对应串联策略的关联度序列进行融合，获得融合关联度序列，其中，融合关联度序列例如可以是每种疾病在多种正向症状、负向症状、正向体征、负向体征同时发生条件下的联合概率分布，融合的方法步骤与前述实施例中相同，在此不再赘述。

基于融合概率序列，确定出融合概率序列中的最大值对应的疾病作为预测结果。

步骤712～步骤714。

进一步地，执行主体基于预设规则对预测结果进行过滤，以消除不合理的疾病推理，将过滤后的预测结果反馈给终端，即，告知用户基于当前的病历的诊断结果。

预设规则可以为医学专家根据医学知识进行预设，存储于数据存储单元中，执行主体可通过发送数据请求获取预设规则。

作为一种实施方式，预设规则可基于性别、症状持续时间参数进行设定。

应当理解，上述图7中所示的仅为用于处理数据的方法的示例性应用场景，并不代表对本公开的限定。

进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种用于处理数据的方法的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图8所示，该用于处理数据的装置800可以包括：关联度确定单元810，被配置成利用预先设置的至少两个基于概率图的模型，分别确定关联度序列，其中，关联度序列用于表征预先生成的关键字和预先获取的对象集合中的对象的关联度；融合单元820，被配置成对所确定的关联度序列进行融合，得到融合关联度序列；关联对象确定单元830，被配置成基于融合关联度序列，从对象集合中确定出关键字的关联对象。

在本实施例的一些可选实施方式中，用于处理数据的装置800还包括：关键字分类单元840，被配置成对预先生成的关键字分类，获得第一类关键字和第二类关键字，以使得基于概率图的模型以第一类关键字和第二类关键字为输入参数，确定关联度序列。

在本实施例的一些可选实施方式中，用于处理数据的装置800还包括：先验概率获取单元850，被配置成获取对象合集中的对象的先验概率，以使得基于概率图的模型以对象的先验概率为输入参数，确定关联度序列。

在本实施例的一些可选实施方式中，预先设置的至少两个基于概率图的模型包括：串联的两个概率图模型或并联的两个概率图模型，关联度确定单元810进一步被配置成：将第一类关键字和先验概率输入串联的两个概率图模型中的第一个进行计算，将该第一个概率图模型的输出结果和第二类关键字输入串联的两个概率图模型中的第二个进行计算，以获得第一关联度序列；将第一类关键字和第二类关键字中一者、先验概率输入并联的两个概率图模型中一者进行计算，将第一类关键字和第二类关键字中另一者、先验概率输入并联的两个概率图模型中另一者进行计算，对两个概率图模型的输出结果进行求和，并对求和结果归一化以获得第二关联度序列。

在本实施例的一些可选实施方式中，融合单元820进一步被配置成：计算第一关联度序列和第二关联度序列中对应同一对象的关联度的平均值或者加权平均值，将平均值或者加权平均值作为融合关联度，得到融合关联度序列。

在本实施例的一些可选实施方式中，融合单元820进一步被配置成：统计第一关联度序列和第二关联度序列中指示任一对象的关联度的数量，将数量作为融合关联度，得到融合关联度序列。

在本实施例的一些可选实施方式中，关联对象确定单元830进一步被配置成：确定融合关联度的最大值对应的对象为关键字的关联对象。

在本实施例的一些可选实施方式中，用于处理数据的装置800还包括：

过滤单元860，被配置成基于预设规则对确定出的关键字的关联对象进行过滤。

下面参考图9，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)900的结构示意图。图9示出的服务器仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图9所示，电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901，其可以根据存储在只读存储器(rom)902中的程序或者从存储装置908加载到随机访问存储器(ram)903中的程序而执行各种适当的动作和处理。在ram903中，还存储有电子设备900操作所需的各种程序和数据。处理装置901、rom902以及ram903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。

通常，以下装置可以连接至i/o接口905：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置907；及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图9中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置909从网络上被下载和安装，或者从存储装置908被安装，或者从rom902被安装。在该计算机程序被处理装置901执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述服务器所包含的；也可以是单独存在，而未装配入该服务器中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该服务器执行时，使得该服务器：利用预先设置的至少两个基于概率图的模型，分别确定关联度序列，其中，该关联度序列用于表征预先生成的关键字和预先获取的对象集合中的对象的关联度；对所确定的关联度序列进行融合，得到融合关联度序列；基于融合关联度序列，从对象集合中确定出关键字的关联对象。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括关联度确定单元、融合单元和关联对象确定单元。这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，关联度确定单元还可以被描述为“利用预先设置的至少两个基于概率图的模型，分别确定关联度序列的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。