CN108766545A - 在线问诊科室分配方法、装置、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种在线问诊科室分配方法、装置和计算机设备。所述方法包括：获取问诊请求，所述问诊请求携带了用户标识；根据所述用户标识获取多种用户信息；对所述用户信息进行向量化处理，得到多维向量矩阵；通过深层神经网络模型基于所述多维向量矩阵进行预测运算，得到与所述用户标识对应的科室；将所述科室标记为向所述用户标识分配的待就诊科室。在客户在线问诊时能够为用户自动分配科室并且有效提高科室分配的准确性。

Description

在线问诊科室分配方法、装置、计算机设备和存储介质

技术领域

本申请涉及计算机技术领域，特别是涉及一种在线问诊科室分配方法、装置、计算机设备和存储介质。

背景技术

随着计算机技术的发展，在线问诊成为一种新兴的诊疗服务。与线下医院就医难相比，在线问诊只需用户操作应用程序，即可方便快捷的实现问诊需求。但是在线问诊时，通常用户只能凭借自己的经验选择相应的科室，如果用户不能确定自己的症状所匹配的科室，那么有可能会选错科室，无法找到合适的医生问诊。因此，如何为用户自动分配科室并且有效提高科室分配的准确性成为目前需要解决的一个技术问题。

发明内容

基于此，有必要针对上述技术问题，提供一种在客户在线问诊时能够为用户自动分配科室并且有效提高科室分配的准确性的在线问诊科室分配方法、装置、计算机设备和存储介质。

一种在线问诊科室分配方法，所述方法包括：

获取问诊请求，所述问诊请求携带了用户标识；

根据所述用户标识获取多种用户信息；

对所述用户信息进行向量化处理，得到多维向量矩阵；

通过深层神经网络模型基于所述多维向量矩阵进行预测运算，得到与所述用户标识对应的科室；

将所述科室标记为向所述用户标识分配的待就诊科室。

在其中一个实施例中，所述对所述用户信息进行向量化处理，得到多维向量矩阵包括：

对所述用户信息进行预处理，在预处理后的多种用户信息中进行特征选择；

将选择出的每个特征转换为对应的一维向量；

通过词向量模型对多个特征对应的一维向量进行转换，得到与用户标识对应的多维向量矩阵。

在其中一个实施例中，所述词向量模型包括输入层和投影层；所述通过词向量模型对多个特征对应的一维向量进行转换的步骤包括：

通过所述词向量模型的输入层加载多个特征对应的一维向量；

通过所述词向量模型的投影层对多个特征对应的一维向量进行转换，输出相应的多维向量矩阵，其中，所述投影层未配置激活函数。

在其中一个实施例中，所述用户信息包括主诉信息；所述方法还包括：

对所述主诉信息进行转换，生成主诉文本；

调用多个诊疗规则，将所述诊疗规则转换为诊疗规则字符串；

将所述诊疗规则字符串与所述主诉文本进行匹配，得到相应的匹配结果；

当匹配结果中只包含一个科室时，则将所述科室确定为向所述用户标识分配的待就诊科室；

当匹配结果包含多个科室时，则执行对所述用户信息进行向量化处理的步骤，直至得到向所述用户标识分配的待就诊科室。

在其中一个实施例中，所述方法还包括：

当通过诊疗规则匹配得到的匹配结果中包含多个科室时，对所述科室对应的诊疗规则进行标记；

将标记后的诊疗规则发送至医生终端，所述医生终端用于对标记后的诊疗规则进行更新。

一种在线问诊科室分配装置，所述装置包括：

通信模块，用于获取问诊请求，所述问诊请求携带了用户标识；

向量化模块，用于根据所述用户标识获取多种用户信息；对所述用户信息进行向量化处理，得到多维向量矩阵；

预测模块，用于通过深层神经网络模型基于所述多维向量矩阵进行预测运算，得到与所述用户标识对应的科室；

分配模块，用于将所述科室标记为向所述用户标识分配的待就诊科室。

在其中一个实施例中，所述向量化模块还用于对所述用户信息进行预处理，在预处理后的多种用户信息中进行特征选择；将选择出的每个特征转换为对应的一维向量；通过词向量模型对多个特征对应的一维向量进行转换，得到与用户标识对应的多维向量矩阵。

在其中一个实施例中，所述用户信息包括主诉信息；所述装置还包括：

规则匹配模块，用于对所述主诉信息进行转换，生成主诉文本；调用多个诊疗规则，将所述诊疗规则转换为诊疗规则字符串；将所述诊疗规则字符串与所述主诉文本进行匹配，得到相应的匹配结果；当匹配结果中只包含一个科室时，则将所述科室确定为向所述用户标识分配的待就诊科室；当匹配结果包含多个科室时，则执行对所述用户信息进行向量化处理的步骤，直至得到向所述用户标识分配的待就诊科室。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述各个方法实施例中的步骤。

上述在线问诊科室分配方法、装置、计算机设备和存储介质，当用户需要在线问诊时，服务器根据用户的问诊请求中所携带的用户标识收集多种用户信息。通过对多种用户信息进行向量化处理，可以得到相应的多维向量矩阵。服务器调用深层神经网络模型，通过深层神经网络模型基于所述多维向量矩阵进行预测运算，无需用户手动选择科室，即可准确得到向用户标识分配的待就诊科室。从而实现了在客户在线问诊时能够为用户自动分配科室并且有效提高科室分配的准确性。

附图说明

图1为一个实施例中在线问诊科室分配方法的应用场景图；

图2为一个实施例中在线问诊科室分配方法的流程示意图；

图3为另一个实施例中在线问诊科室分配步骤的流程示意图；

图4为一个实施例中诊疗规则标记步骤的流程示意图；

图5为一个实施例中在线问诊科室分配装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的在线问诊科室分配方法，可以应用于如图1所示的应用环境中。其中，用户终端102通过网络与服务器104进行通信。医生终端106通过网络与服务器104进行通信其中，用户终端102以及医生终端106可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。当用户希望在线咨询医生时，可以通过用户终端102向服务器104上传问诊请求。服务器104接收问诊请求，向用户终端返回相应的问题，以此收集主诉信息。同时，服务器104还会并行收集相应的基本信息和历史信息。服务器104 对收集到的多种用户信息进行向量化处理，得到多维向量矩阵。服务器104将多维向量矩阵进行合并，生成深层神经网络模型对应的输入向量矩阵。通过深层神经网络模型进行预测运算，得到与用户标识对应的科室，将科室标记为向用户标识分配的待就诊科室。服务器104为用户分配科室后，选择该科室中的一位医生，建立医生终端106与用户终端102之间的通信连接，解决用户的在线问诊需求。

在一个实施例中，如图2所示，提供了一种在线问诊科室分配方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：

步骤202，获取问诊请求，问诊请求携带了用户标识。

用户终端上安装了在线问诊的应用程序。在登录该应用程序之前，用户需要进行注册。注册信息中包含了用户标识、性别等基本信息。当用户希望在线咨询医生时，无需手动选择科室，可以点击应用程序中的问诊按钮，生成问诊请求，通过应用程序向服务器发送问诊请求。

步骤204，根据用户标识获取多种用户信息。

服务器接收用户终端通过应用程序上传的问诊请求。问诊请求携带了用户标识。服务器根据用户标识获取多种用户信息，包括：主诉信息、基本信息、历史信息等。

主诉信息包括用户当前通过应用程序上传的症状信息。服务器接收到问诊请求时，向用户终端返回相应的问题。用户可以通过用户终端回答这些问题。用户在回答这些问题时，可以描述与当前症状相关的内容。用户终端将用户的回答上传至服务器，服务器将其标记为主诉信息。

服务器在收集用户标识对应的主诉信息的同时，还会并行收集相应的基本信息和历史信息。基本信息可以是用户注册应用程序时，通过用户终端上传至服务器的信息，包括：年龄、性别等。不同年龄或者不同性别的用户，有可能主诉信息存在相似之处，但在问诊时需要分配至不同的科室。例如，主诉信息中包括“下腹疼痛”，女性用户可能会被分配至妇科，男性用户可能会被分配至内科。

历史信息包括用户通过应用程序进行在线问诊的历史记录、现在诊疗机构的诊疗记录等。由于用户复诊时通常会进入与初诊时相同的科室，如果用户本次在线问诊为复诊，则进入同一科室的概率就会较高。因此用户的历史信息能够有助于提高科室分配的准确性。

步骤206，对用户信息进行向量化处理，得到多维向量矩阵。

服务器对收集到的多种用户信息进行预处理。预处理包括：分词、去停用词、繁转简等。服务器在在预处理后的多种用户信息中进行特征选择，得到多个特征。服务器将选择出的每个特征转换为对应的一维向量，通过词向量模型对多个特征对应的一维向量进行转换，得到与用户标识对应的多维向量矩阵。

步骤208，通过深层神经网络模型基于多维向量矩阵进行预测运算，得到与用户标识对应的科室。

步骤210，将科室标记为向用户标识分配的待就诊科室。

用户信息中主诉信息、基本信息以及历史信息也可以分别视为深层神经网络的输入类别。服务器可以通过词向量模型先得到每个输入类别对应的多维向量矩阵，再将多个输入类别对应的多维向量矩阵进行合并，生成深层神经网络模型对应的输入向量矩阵。

服务器调用深层神经网络模型，将输入向量矩阵作为深层神经网络模型的输入，深层神经网络模型进行运算，预测该多维向量矩阵对应的科室的概率。服务器可以将概率最高的科室作为用户标识对应的科室，并将该科室确定为向用户标识分配的待就诊科室。此外，对于一些复杂的主诉信息，服务器也可以将概率超过阈值的多个科室确定为向用户标识分配的待就诊科室。例如，主诉信息中包括我的孩子头疼。深层神经网络模型预测出的科室可以包括儿科、全科以及急诊科等。服务器可以将这多个科室均作为向用户标识分配的待就诊科室。服务器可以按照科室概率的高低识别概率最高的科室中是否有在线医生，若有在线医生，则建立医生终端与用户终端之间的通信连接。否则，识别下一概率对应的科室是否有在线医生，直至为用户分配一个相适应的医生，建立医生终端与用户终端之间的通信连接，以此满足用户的问诊需求。由于输入向量矩阵中包含了基本信息、历史信息以及主诉信息等内容，因此能够通过深层神经网络模型准确的分析得到用户在线问诊所需的科室。

深层神经网络模型可以是卷积神经网络，包括卷积层、全连接层以及输出层。卷积层、全连接层以及输出层中包括多个神经元。神经元也就是深层神经网络模型中进行计算与存储的单元。卷积层、全连接层以及输出层的神经元数量各不相同。卷积层的神经元数量可以与每个输入类别的维度数量相同。输入类别的维度数量可以是输入类别对应的多维向量矩阵的维度数量。例如，多维向量矩阵为256*256维矩阵，则卷积层的神经元数量可以是256。不同的输入类别的对应的多维向量矩阵可以是相同维度的。卷积层可以包括多个，每个卷积层的神经元数量可以相同。全连接层的神经元数量大于卷积层的神经元数量，例如，全连接层的神经元数量是卷积层的神经元数量的倍数等。输出层的神经元数量可以与科室的数量相同。

其中，深层神经网络模型是预先经过训练的。在训练之前，深层神经网络模型的卷积层、全连接层以及输出层都被设置了相应的初始化参数。其中，初始化参数的方差可以逐层增加，由此可以使得深层神经网络模型中的初始化参数越来越分散，有助于在训练过程中提高深层神经网络模型的学习速度以及预测的准确性。卷积层还设置了相应的激活函数和池化层，其中，不同的卷积层可以采用不同的池化层也可以采用相应的池化层，不同的卷积层可以采用不同的激活函数。通过多个卷积层可以计算每个维度的特征之间的相互关系，通过池化层能够减少与特征不相关的数据干扰，减少过拟合，训练得到与特征更相近的结果。

在本实施例中，当用户需要在线问诊时，服务器根据用户的问诊请求中所携带的用户标识收集多种用户信息。通过对多种用户信息进行向量化处理，可以得到相应的多维向量矩阵。服务器调用深层神经网络模型，通过深层神经网络模型基于所述多维向量矩阵进行预测运算，无需用户手动选择科室，即可准确得到向用户标识分配的待就诊科室。从而实现了在客户在线问诊时能够为用户自动分配科室并且有效提高科室分配的准确性。

在一个实施例中，对用户信息进行向量化处理，得到多维向量矩阵包括：对用户信息进行预处理，在预处理后的多种用户信息中进行特征选择；将选择出的每个特征转换为对应的一维向量；通过词向量模型对多个特征对应的一维向量进行转换，得到与用户标识对应的多维向量矩阵。

服务器在收集到多种用户信息后，对收集到的用户信息进行预处理。预处理包括：分词、去停用词、繁转简等。其中，分词是指对一个句子分割成分词。去停用词是指去掉“恩”“啊”之类对语义理解无意义的词语。繁转简是指如果是香港、澳门、中国台湾地区的用户采用了繁体中文输入，则将其输入的用户信息转换为简体中文。

在预处理完成之后，服务器对多种用户信息分别进行特征选择。特征选择是指去掉无关特征，保留相关特征的过程，也可以认为是从所有的特征中选择一个最好的特征子集。服务器可以使用卡方检验、信息增益法等方法在主诉信息、基础信息、历史信息中分别选择特征。通过特征选择，可以得到多种特征，包括年龄、性别、历史病症、历史诊断结果、主诉中的症状、部位、严重程度等。

为了便于深层神经网络模型进行预测运算，服务器需要将每个特征转换为相应的向量。具体的，服务器可以把每个特征进行特征编码，转换为一维向量，例如，可以采用One-Hot Encoder(独热编码)转换为一维向量。一维向量中只有一个值为1，其余都为0。例如，服务器可以通过One-Hot Encoder将“头疼”转换化为[000000000100000000….00],服务器可以通过One-Hot Encoder将“头晕”转换为[0000…00000100000…..000]。使用One-HotEncoder进行特征编码时，特征编码是随机的，一维向量之间相互独立，无法看出特征之间可能存在的关联关系。而且如果将所有的一维向量合为一个矩阵时，所得到的矩阵过于稀疏，也会造成维度灾难。为了克服上述问题，本实施例中采用词向量模型将一维向量转换为低维度的连续值，即转换为稠密向量，并且将意思相机的特征映射到向量空间中的相近位置。

在其中一个实施例中，词向量模型包括输入层和投影层；通过词向量模型对多个特征对应的一维向量进行转换的步骤包括：通过词向量模型的输入层加载多个特征对应的一维向量；通过词向量模型的投影层对多个特征对应的一维向量进行转换，输出相应的多维向量矩阵，其中，投影层未配置激活函数。

词向量模型可以采用Word2vec模型。即该模型可以采用神经网络结构，包括输入层、投影层以及输出层。在传统的方式中，是通过该模型的输出层输出最终结果，而最终结果的维度与输入层的维度相同。输出层的最终输出结果无法体现用户的基本信息、历史信息以及主诉信息之间的关系，无法适用于深层神经网络模型的预测运算。因此，本实施例中，只需通过投影层输出相应的多维向量矩阵，不需再经过输出层进行线性回归运算。其中，投影层也不需设置激活函数。在常规的神经网络结构中，投影层中需要设置相应的激活函数，以便对神经网络在训练时各层都能进行非线性变换。而在本实施例中，对于选择出的特征只是做稠密的向量化，即从一维向量转换为多维向量矩阵。词向量模型也不涉及训练，因此也不需为词向量模型的投影层设置激活函数，有效减少了不必要的运算。

用户信息中主诉信息、基本信息以及历史信息也可以分别视为深层神经网络的输入类别。服务器可以通过词向量模型先得到每个输入类别对应的多维向量矩阵，再将多个输入类别对应的多维向量矩阵进行合并，生成深层神经网络模型对应的输入向量矩阵。由于深层神经网络模型的输入采用的输入向量矩阵，是由词向量转换得到多维向量矩阵合并生成的。多维向量矩阵中能够反映意思相近的词与词之间的距离，由此能够通过深层神经网络模型的输出层准确预测出相近的词所对应的科室，从而能够提高科室分配的准确性。

在一个实施例中，如图3所示，该方法还包括以下步骤：

步骤212，对主诉信息进行转换，生成主诉文本；

步骤214，调用多个诊疗规则，将诊疗规则转换为诊疗规则字符串；

步骤216，将诊疗规则字符串与主诉文本进行匹配，得到相应的匹配结果；

步骤218，识别匹配结果是否只包含一个科室；若是，则执行步骤210，否则执行步骤206。

为了有效提高在线问诊匹配科室的效率，服务器上还可以建立规则引擎，服务器可以直接在通过规则引擎对主诉信息进行匹配，以便快速得到最接近的科室。规则引擎中包括多种诊疗规则，诊疗规则可以是多位医生通过医生终端上传至服务器的。规则引擎可以提供前端页面。医生可以通过医生终端在前端页面中输入不同病症的诊疗规则，也可以对诊疗规则进行更新、增加以及删除等。不同的医生终端可以上传不同的诊疗规则，也可以上传相同的诊疗规则。为了避免规则引擎中诊疗规则重复，服务器对多个医生终端上传的多种诊疗规则可以进行去重处理。

服务器利用规则引擎进行科室匹配时，可以对主诉信息进行转换，生成相应的主诉文本，调用规则引擎，将规则引擎内的多个诊疗规则转换为诊疗规则字符串。为了进一步提高科室匹配的效率，服务器可以预先将规则引擎内的多个诊疗规则转换为相应的诊疗规则字符串。在需要进行科室匹配时，服务器直接调用相应的诊疗规则字符串即可。

服务器将多个诊疗规则字符串与主诉文本进行匹配，当主诉文本中包括诊疗字符串时，可以视为主诉信息与诊疗规则相匹配，服务器根据诊疗规则获取对应的科室，由此得到与主诉信息对应的匹配结果。例如，主诉信息中描述的症状较为单一，如“白内障”，则服务器可以通过规则引擎，利用诊疗规则快速进行匹配，得到最相近的科室为眼科。如果主诉信息中描述的症状较为复杂，服务器通过规则引擎进行匹配，得到的匹配结果可能包括多个。例如，主诉信息中包括“我小孩胳膊摔伤了”，匹配结果中包括的科室有儿科、骨科、急诊科等。

当匹配结果中只包含一个科室时，服务器将该科室确定位向用户标识分配的待就诊科室。当匹配结果中包含多个科室时，为了能够为用户分配与症状最接近的科室，服务器可以按照上述实施例中提供的方式，对该用户标识对应的多种用户信息进行向量化处理，得到多维向量矩阵，通过深层神经网络模型基于多维向量矩阵进行预测运算，得到与用户标识对应的科室，将科室标记为向用户标识分配的待就诊科室。

本实施例中，通过对主诉信息与诊疗规则的快速匹配，在匹配结果只包含一个科室时，可以直接向用户分配该科室，由此有效提高了科室分配的效率。在匹配结果包含多个科室时，可以再通过深层神经网络模型进行预测，以便得到与用户症状最接近的科室，确保科室分配了准确性。

在一个实施例中，该方法还包括：诊疗规则标记步骤，如图4所示，具体包括：

步骤402，当通过诊疗规则匹配得到的匹配结果中包含多个科室时，对科室对应的诊疗规则进行标记；

步骤404，将标记后的诊疗规则发送至医生终端，医生终端用于对标记后的诊疗规则进行更新。

在采用规则引擎进行科室匹配时，由于只是将主诉文本与诊疗字符串进行匹配，有可能出现匹配错误。例如，诊疗规则中有一条规则为“头疼，匹配的科室为神经内科”。如果只是根据规则匹配的话，那么只要主诉信息中包括了头疼，匹配结果中就会包含神经内科。如果主诉信息中实际中是“乳头疼”，与用户症状最接近的科室可能是妇科，而不是神经内科。由此导致科室匹配错误。

为了能够为用户分配与其症状最接近的科室，确保科室分配的准确性。当服务器采用规则引擎进行科室匹配得到的匹配结果中包含多个科室时，服务器会再次通过深层神经网络模型进行预测，得到相应的科室。

为了提高规则引擎进行科室匹配的准确性，当通过诊疗规则匹配得到的匹配结果中包含多个科室时，服务器对这些科室对应的诊疗规则进行标记。服务器根据标记后的诊疗规则查询其来源的医生终端，将标记后的诊疗规则发送至相应的医生终端。以便医生对诊疗规则进行更新。通过深层神经网络模型的预测结果作为规则引擎的反馈，从而能够针对性的对规则引擎中的部分诊疗规则进行更新，不仅有效提高了规则引擎在科室匹配时的准确性，而且减轻规则引擎维护的成本。

应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图5所示，提供了一种在线问诊科室分配装置，包括：通信模块502、向量化模块504、预测模块506和分配模块508，其中：

通信模块502，用于获取问诊请求，问诊请求携带了用户标识。

向量化模块504，用于根据用户标识获取多种用户信息；对用户信息进行向量化处理，得到多维向量矩阵。

预测模块506，用于通过深层神经网络模型基于多维向量矩阵进行预测运算，得到与用户标识对应的科室。

分配模块508，用于将科室标记为向用户标识分配的待就诊科室。

在一个实施例中，向量化模块还用于对用户信息进行预处理，在预处理后的多种用户信息中进行特征选择；将选择出的每个特征转换为对应的一维向量；通过词向量模型对多个特征对应的一维向量进行转换，得到与用户标识对应的多维向量矩阵。

在一个实施例中，词向量模型包括输入层和投影层；向量化模块还用于通过词向量模型的输入层加载多个特征对应的一维向量；通过词向量模型的投影层对多个特征对应的一维向量进行转换，输出相应的多维向量矩阵，其中，投影层未配置激活函数。

在一个实施例中，用户信息包括主诉信息；该装置还包括：规则匹配模块，用于对主诉信息进行转换，生成主诉文本；调用多个诊疗规则，将诊疗规则转换为诊疗规则字符串；将诊疗规则字符串与主诉文本进行匹配，得到相应的匹配结果；当匹配结果中只包含一个科室时，则将科室确定为向用户标识分配的待就诊科室；当匹配结果包含多个科室时，则执行对用户信息进行向量化处理的步骤，直至得到向用户标识分配的待就诊科室。

在一个实施例中，规则匹配模块还用于当通过诊疗规则匹配得到的匹配结果中包含多个科室时，对科室对应的诊疗规则进行标记；通信模块还用于将标记后的诊疗规则发送至医生终端，医生终端用于对标记后的诊疗规则进行更新。

关于在线问诊科室分配装置的具体限定可以参见上文中对于在线问诊科室分配方法的限定，在此不再赘述。上述在线问诊科室分配装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储注册信息、历史信息等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种在线问诊科室分配方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述各个方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM (EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM (SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM (DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种在线问诊科室分配方法，所述方法包括：

获取问诊请求，所述问诊请求携带了用户标识；

根据所述用户标识获取多种用户信息；

对所述用户信息进行向量化处理，得到多维向量矩阵；

通过深层神经网络模型基于所述多维向量矩阵进行预测运算，得到与所述用户标识对应的科室；

将所述科室标记为向所述用户标识分配的待就诊科室。

2.根据权利要求1所述的方法，其特征在于，所述对所述用户信息进行向量化处理，得到多维向量矩阵包括：

对所述用户信息进行预处理，在预处理后的多种用户信息中进行特征选择；

将选择出的每个特征转换为对应的一维向量；

通过词向量模型对多个特征对应的一维向量进行转换，得到与用户标识对应的多维向量矩阵。

3.根据权利要求2所述的方法，其特征在于，所述词向量模型包括输入层和投影层；所述通过词向量模型对多个特征对应的一维向量进行转换的步骤包括：

通过所述词向量模型的输入层加载多个特征对应的一维向量；

通过所述词向量模型的投影层对多个特征对应的一维向量进行转换，输出相应的多维向量矩阵，其中，所述投影层未配置激活函数。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述用户信息包括主诉信息；所述方法还包括：

对所述主诉信息进行转换，生成主诉文本；

调用多个诊疗规则，将所述诊疗规则转换为诊疗规则字符串；

将所述诊疗规则字符串与所述主诉文本进行匹配，得到相应的匹配结果；

当匹配结果中只包含一个科室时，则将所述科室确定为向所述用户标识分配的待就诊科室；

当匹配结果包含多个科室时，则执行对所述用户信息进行向量化处理的步骤，直至得到向所述用户标识分配的待就诊科室。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

当通过诊疗规则匹配得到的匹配结果中包含多个科室时，对所述科室对应的诊疗规则进行标记；

将标记后的诊疗规则发送至医生终端，所述医生终端用于对标记后的诊疗规则进行更新。

6.一种在线问诊科室分配装置，其特征在于，所述装置包括：

通信模块，用于获取问诊请求，所述问诊请求携带了用户标识；

向量化模块，用于根据所述用户标识获取多种用户信息；对所述用户信息进行向量化处理，得到多维向量矩阵；

预测模块，用于通过深层神经网络模型基于所述多维向量矩阵进行预测运算，得到与所述用户标识对应的科室；

分配模块，用于将所述科室标记为向所述用户标识分配的待就诊科室。

7.根据权利要求6所述的装置，其特征在于，所述向量化模块还用于对所述用户信息进行预处理，在预处理后的多种用户信息中进行特征选择；将选择出的每个特征转换为对应的一维向量；通过词向量模型对多个特征对应的一维向量进行转换，得到与用户标识对应的多维向量矩阵。

8.根据权利要求6或7所述的装置，其特征在于，所述用户信息包括主诉信息；所述装置还包括：

规则匹配模块，用于对所述主诉信息进行转换，生成主诉文本；调用多个诊疗规则，将所述诊疗规则转换为诊疗规则字符串；将所述诊疗规则字符串与所述主诉文本进行匹配，得到相应的匹配结果；当匹配结果中只包含一个科室时，则将所述科室确定为向所述用户标识分配的待就诊科室；当匹配结果包含多个科室时，则执行对所述用户信息进行向量化处理的步骤，直至得到向所述用户标识分配的待就诊科室。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。