CN110110059B - 一种基于深度学习的医疗对话系统意图识别分类方法 - Google Patents
一种基于深度学习的医疗对话系统意图识别分类方法 Download PDFInfo
- Publication number
- CN110110059B CN110110059B CN201910328957.1A CN201910328957A CN110110059B CN 110110059 B CN110110059 B CN 110110059B CN 201910328957 A CN201910328957 A CN 201910328957A CN 110110059 B CN110110059 B CN 110110059B
- Authority
- CN
- China
- Prior art keywords
- medical
- model
- words
- pinyin
- character
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013135 deep learning Methods 0.000 title claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000000306 recurrent effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims abstract description 4
- 238000002372 labelling Methods 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 43
- 208000024891 symptom Diseases 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 239000003814 drug Substances 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 5
- 210000001015 abdomen Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Human Computer Interaction (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Animal Behavior & Ethology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于深度学习的医疗对话系统意图识别分类方法，利用现有大量医疗相关的信息学习词与词之间的关系，搜集大量医疗方向的问句和非相关问句，通过专业人员对问句进行意图标注，训练基于注意力机制的循环神经网络模型，融合模型结果给出意图分类结果。对医疗对话系统响应用户需求提供方向支持，针对相关意图范围提供意图方向。当只需要很少意图范围的功能，也可识别相应最符合的意图。使医疗对话系统在医疗方向更加合理，符合用户期望。
Description
技术领域
本发明涉及深度学习技术及自然语言处理技术，尤其涉及一种用于医疗对话系统意图识别的分类方法。
背景技术
近年来，自动人机对话系统在学术和工业界都获得了相当大的关注度。2014年开始微软小冰、百度度秘等对话产品的发布，以及大量人工智能公司的建立，这些对话系统背后的技术在不断积累，也在不断地解密。随着研究者的探索愈发深入，对话系统逐渐从科幻电影走进现实生活的可能。
微软小冰等产品对医疗词汇、医疗问题不敏感，即使识别到了医疗问题，其回答也比较简单。医疗方向的对话系统着重偏向于医疗专业领域，深入患者最相关的找医生、找医院、找科室、找内容需求，是垂直领域的对话机器人。医疗方向的对话机器人拥有更加全面的医疗词典，并细分词典里的词的类别属于疾病、症状、科室、医生、检查、体征、药品中的一个或多个；也维护着各个类别之间的关系，比如疾病与症状的关系、科室与科室的关系、症状与检查的关系、疾病与药品的关系，其各个类别的关系组成医疗知识图谱，下述意图识别的词性特征就是通过该知识图谱提取出来。这些基础技术的构建使对话系统对医疗词汇、医疗问题更加敏感，响应用户的动作更加深入，涉及的流程更加专业化，最理想的是使其像医生一样解决用户的医疗问题。
意图识别是指导对话系统提供服务的一种方式。用户的某个问句，在意图识别阶段分析并捕捉到用户最可能的意图。确定了意图后，若缺少相关的信息，对话系统会提示用户补充，一方面继续该意图的处理，另一方面也使意图识别模块更加确认该意图的选择，若用户之后的回答脱离原意图，也有相应的策略捕捉调整意图。在自然语言处理领域，深度学习技术善于捕捉文本特征并学习隐含的语义信息，其循环神经网络适用于学习长时序序列的信息，擅长序列数据前后之间有很强的关联性。注意力机制能捕捉语句不同部分的信息重要程度。通过深度学习，可以学习到用户问句可能涉及的意图。
现有意图识别的分类方法大多是基于单模型，分类能力有限且不稳定。而融合模型采用的特征表示多，基于拼音和词性的方式更容易抽取出意图的特征，融合后能突出各个子模型分类能力强的效果，平衡单个模型分类能力差的效果，提高其分类能力和稳定性，同时使融合模型较单模型在数据的要求上更低、在小数据量的数据集中更不容易出现过拟合。
发明内容
本发明的目的是提供一种基于深度学习的医疗对话系统意图识别分类方法，为医疗对话系统来辨别问句描述的意图。提供大量的问句意图对，基于深度学习来识别问句的意图。本发明可利用用户看病的问题，通过深度学习来自动学习分类，而不是细分问句对应的意图。
本发明的目的是通过以下技术方案来实现：一种基于深度学习的医疗对话系统意图识别分类方法，包括如下步骤：
1)梳理医疗对话系统提供的功能，确定涉及到的意图范围；
2)基于医疗数据，对这些数据进行转换，将转换后的数据向量化，预训练出对应的向量表示模型；
3)基于对话标注信息对，将用户语句根据步骤2)对应的向量表示模型映射为对应的向量表示序列；
4)将语句的向量表示序列分别输入到对应的模型中训练，训练多个基于注意力机制的循环神经网络模型；
5)对步骤4)中的多个模型进行计算，融合计算结果，进行分类。
进一步的，所述步骤1)中，所述的意图范围包括找医生、找医院、找科室、找内容和非医疗相关五个意图。
进一步的，所述步骤2)中，将转换后的数据向量化的方式包括字符向量化、拼音向量化、词性-字符向量化；
进一步的，所述字符向量化是将问句按照单字切分，生成字符序列，将该字符序列通过word2vec模型转换为字符向量模型。
进一步的，所述拼音向量化是将问句转换成拼音，生成拼音序列，将该拼音序列通过word2vec模型转换为拼音向量模型。
进一步的，所述词性-字符向量化是将问句先进行分词，识别出医疗相关的词，包括症状词、疾病词、科室词、医院词、检查词、药品词，将这些词性的词替换成对应的词性标识，再按照单字切分，生成字符序列，将该字符序列通过word2vec模型转换为词性-字符向量。
进一步的，所述步骤3)具体如下：
将对话标注信息对中的用户语句，进行字符转换、拼音转换、词性-字符转换，分别从字符向量化模型、拼音向量化模型、词性-字符向量化模型中得到对应的向量表示序列。
进一步的，所述步骤4)中，基于注意力机制的循环神经网络模型是基于注意力机制的多层BILSTM模型。
进一步的，所属步骤5)具体为：将不同向量化的模型的分类结果加权融合，归一化并排序得到分类结果。
本发明的有益效果是：对医疗对话系统响应用户需求提供方向支持，针对相关意图范围提供意图方向。当只需要很少意图范围的功能，也可识别相应最符合的意图。使医疗对话系统在医疗方向更加合理，符合用户期望。
附图说明
图1为本发明方法的流程图；
图2为整个基于注意力机制的BILSTM模型图。
具体实施方式
下面根据具体实施详细描述本发明，本发明的目的和效果将变得更加明显。
如图1所示，本发明方法包括如下步骤：
1)根据用户看病习惯和医疗对话系统的能力，明确意图的范围，确定为找医生、找医院、找科室、找内容、非医疗相关共五个意图，意图的相关涵义如下：
找医生：用户根据相关症状、疾病，想找相应的医生；
找医院：用户根据相关症状、疾病，想找相应的医院；
找科室：用户咨询疾病名称、症状描述、挂什么科或者挂什么科是否合适方面问题，能识别出找科室；
找内容：用户想知道疾病、症状、检查等医疗方面的科普内容；
非医疗相关：与医疗无关的问句；
2)医疗标注员理解上述五个意图的涵义，对相应语句进行标注。每个语句可能会有一个或者多个问句组成，标注员会根据整个语句的语境，探测用户想表达的意思，标注相关的意图。
3)构建BiLSTM_ATTENTION模型，识别问句对应的意图，这里分为五类：找医生、找医院、找科室、找内容、非医疗相关。整个BiLSTM模型可以分为两个部分，预训练部分和模型分类部分。具体如下：
4)先介绍预训练部分，一句话输入到深度学习模型前，需要被编码成向量。好的向量表示有助于提高分类模型准确率、召回率、精度度指标。大量的数据对模型训练一般是有很大帮助的，但是医疗作为一个专业的领域，需要医疗标注员大量的投入。现有很多医疗方面的用户问诊、挂号数据，通过一些方式利用这些原有数据，学习到词与词之间的关系，将词编码成向量。传统的One-hot编码能作为一种方式将文字编码成向量，但是没有考虑很多信息。首先，它是一个词袋模型，没有考虑词与词之间的顺序(文本中词的顺序信息也是很重要的)；其次，它假设词与词相互独立(在大多数情况下，词与词是相互影响的)；最后，它得到的特征是离散稀疏的。而word2vec利用了词的上下文，通过周围的词预测当前词，或者当前词预测周围的词的方式，使周围词来表示当前词，令语义信息更加丰富。此模型利用了大量的医疗数据，对原数据进行三种转换，训练了三个向量。第一个向量按照单字词典进行单字切分，将数据输入到word2vec模型，通过当前字周围的字预测该字，不断迭代，训练出单字向量。第二个向量把语句将字序列变成拼音序列，按照拼音词典进行切分，也将数据输入到word2vec模型，通过当前拼音周围的拼音预测该拼音，不断迭代后训练出拼音向量，该向量能够对用户同音错别字有更好的鲁棒性。第三个向量先将语句进行分词和实体抽取，将医疗相关的实体词替换成对应的实体类别，比如糖尿病是疾病，则将糖尿病整个词替换成代表疾病的标识词，将实体替换后的词按照对应的字典进行单字切分，通过word2vec进行训练，得到词性-单字向量，使该向量学习到实体相关的表示。
5)通过预训练模型，已经得到了对应的三个向量表示，接下来简单介绍下分类部分。用户看病的时候，有的言简意赅，一句话描述出相关症状和对应的诉求；有的会比较分散，通过多条语句进行描述，相关的信息可能在语句开头或中间或末尾；有的是在与医生互动后，经过医生的多轮询问描述出相关症状和对应诉求。BILSTM参照了LSTM，输入序列经过了遗忘门、输入门、输出门，然后输出隐状态信息；双向LSTM不仅考虑了序列的正向影响，也考虑了序列的后向影响，前向的LSTM与后向的LSTM结合成BILSTM。比如，我们对“我拉肚子”这句话进行编码，前向的依次输入“我”，“拉”，“肚”，“子”得到四个向量{hL0,hL1,hL2,hL3}，后向的LSTMR依次输入“子”，“肚”，“拉”，“我”得到四个向量{hR0,hR1,hR2,hR3}，最后将前向和后向的隐向量进行拼接得到{[hL0,hR3],[hL1,hR2],[hL2,hR1],[hL3,hR0]}，即{h0,h1,h2,h3}，连接后分类，训练模型。通过BILSTM，模型能捕捉到用户单个问句的整体信息。
6)注意力(英文为attention)机制源于人脑在对于不同部分的注意力是不同的。需要attention的原因是非常直观的，比如期末考试的时候，老师会划重点，划重点的目的就是为了尽量将学生的attention放在这部分的内容上，以期用最少的付出高效掌握最主要的知识。用户在描述病状的时候，前一句话只是描述了相关症状，而后一句话明确了用户想找科室的意图，通过attention机制，探测多轮对话中的用户问句中的意图。对于单字模型，首先将语句按照单字切分，从上述4)中的单字向量表示模型中读取各个字符对应的向量表示，将整个字符序列输入到第一层BILSTM里，attention层会探测单个语句中各个字的重要程度，输出该问句的隐状态信息。然后将第一层的多个句子的隐状态信息输入到第二层，第二层的attention层会探测各个句子的重要程度，输出句子级别的隐状态信息，最后通过softmax进行分类。基于拼音、词性-单字的两个模型除了输入向量表示不一样，大致流程与单字模型一致。基于拼音的模型旨在加强拼音的特征，捕捉用户输入错别字情况下的意图，增强模型的鲁棒性。基于词性-单字的模型旨在使模型学习到实体相关的特征，提高分类的准确率。整个基于注意力机制的BILSTM模型如图2所示，第一层是以单词级别的维度，第二层是以句子级别的维度进行信息抽取，最后对抽取后的信息进行分类。
7)将上述三个模型分类结果加权融合，按照需要的意图范围保留相关意图得分，重新归一化并排序得到分类结果。将意图反馈给医疗对话系统，提供处理方向。
Claims (8)
1.一种基于深度学习的医疗对话系统意图识别分类方法，其特征在于，包括如下步骤：
步骤1）梳理医疗对话系统提供的功能，确定涉及到的意图范围；所述的意图范围包括找医生、找医院、找科室、找内容和非医疗相关五个意图；
步骤2）基于医疗数据，对这些数据进行转换，将转换后的数据向量化，预训练出对应的向量表示模型；其中将转换后的数据向量化的方式包括字符向量化、拼音向量化、词性-字符向量化；
步骤3）基于对话标注信息对，将用户语句根据步骤2）对应的向量表示模型映射为对应的向量表示序列；
步骤4）将语句的向量表示序列分别输入到对应的模型中训练，训练多个基于注意力机制的循环神经网络模型；
步骤5）对步骤4）中的多个模型进行计算，融合计算结果，进行分类；
其中，所述模型利用了医疗数据，对原数据进行三种转换，训练了三个向量，第一个向量按照单字词典进行单字切分，将数据输入到word2vec模型，通过当前字周围的字预测该字，不断迭代，训练出单字向量，第二个向量把语句将字序列变成拼音序列，按照拼音词典进行切分，也将数据输入到word2vec模型，通过当前拼音周围的拼音预测该拼音，不断迭代后训练出拼音向量，第三个向量先将语句进行分词和实体抽取，将医疗相关的实体词替换成对应的实体类别，将实体替换后的词按照对应的字典进行单字切分，通过word2vec进行训练，得到词性-单字向量，使该向量学习到实体相关的表示。
2.如权利要求1所述的基于深度学习的医疗对话系统意图识别分类方法，其特征在于，所述字符向量化是将问句按照单字切分，生成字符序列，将该字符序列通过word2vec模型转换为字符向量模型。
3.如权利要求2所述的基于深度学习的医疗对话系统意图识别分类方法，其特征在于，所述拼音向量化是将问句转换成拼音，生成拼音序列，将该拼音序列通过word2vec模型转换为拼音向量模型。
4.如权利要求3所述的基于深度学习的医疗对话系统意图识别分类方法，其特征在于，所述词性-字符向量化是将问句先进行分词，识别出医疗相关的词，将这些词性的词替换成对应的词性标识，再按照单字切分，生成字符序列，将该字符序列通过word2vec模型转换为词性-字符向量。
5.如权利要求4所述的基于深度学习的医疗对话系统意图识别分类方法，其特征在于，所述医疗相关的词，包括症状词、疾病词、科室词、医院词、检查词、药品词。
6.如权利要求5所述的基于深度学习的医疗对话系统意图识别分类方法，其特征在于，所述步骤3）具体如下：
将对话标注信息对中的用户语句，进行字符转换、拼音转换、词性-字符转换，分别从字符向量化模型、拼音向量化模型、词性-字符向量化模型中得到对应的向量表示序列。
7.如权利要求6所述的基于深度学习的医疗对话系统意图识别分类方法，其特征在于，所述步骤4）中，基于注意力机制的循环神经网络模型是基于注意力机制的多层BILSTM模型。
8.如权利要求7所述的基于深度学习的医疗对话系统意图识别分类方法，其特征在于，所述步骤5）具体为：将不同向量化的模型的分类结果加权融合，归一化并排序得到分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910328957.1A CN110110059B (zh) | 2019-05-20 | 2019-05-20 | 一种基于深度学习的医疗对话系统意图识别分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910328957.1A CN110110059B (zh) | 2019-05-20 | 2019-05-20 | 一种基于深度学习的医疗对话系统意图识别分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110110059A CN110110059A (zh) | 2019-08-09 |
| CN110110059B true CN110110059B (zh) | 2021-06-29 |
Family
ID=67486280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910328957.1A Active CN110110059B (zh) | 2019-05-20 | 2019-05-20 | 一种基于深度学习的医疗对话系统意图识别分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110110059B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110570853A (zh) * | 2019-08-12 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 基于语音数据的意图识别方法和装置 |
| CN110737762A (zh) * | 2019-10-09 | 2020-01-31 | 尹曦 | 一种基于语音交互的老年人个人信息助理系统 |
| CN111221955A (zh) * | 2020-01-09 | 2020-06-02 | 厦门快商通科技股份有限公司 | 一种基于少量数据的访客意图数据预抽取方法及系统 |
| CN111274806B (zh) * | 2020-01-20 | 2020-11-06 | 医惠科技有限公司 | 分词和词性识别方法、装置及电子病历的分析方法、装置 |
| CN111462752B (zh) * | 2020-04-01 | 2023-10-13 | 北京思特奇信息技术股份有限公司 | 基于注意力机制、特征嵌入及bi-lstm的客户意图识别方法 |
| CN111506715B (zh) * | 2020-04-13 | 2021-02-12 | 深圳追一科技有限公司 | 查询方法、装置、电子设备及存储介质 |
| CN111340148B (zh) * | 2020-05-22 | 2020-09-22 | 支付宝(杭州)信息技术有限公司 | 一种业务分类模型的训练方法、业务分类方法以及终端 |
| CN117238527B (zh) * | 2023-11-14 | 2024-02-13 | 四川天府智链健康科技有限公司 | 基于大数据的医疗信息管理方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108108449A (zh) * | 2017-12-27 | 2018-06-01 | 哈尔滨福满科技有限责任公司 | 一种面向医疗领域的基于多源异构数据问答系统及该系统的实现方法 |
| CN109545391A (zh) * | 2018-10-26 | 2019-03-29 | 曾警卫 | 一种基于深度学习的智能医疗自动问答系统及使用方法 |
| CN109637669A (zh) * | 2018-11-22 | 2019-04-16 | 中山大学 | 基于深度学习的治疗方案的生成方法、装置及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11990229B2 (en) * | 2017-03-01 | 2024-05-21 | Symphonyai Sensa Llc | Healthcare provider claims denials prevention systems and methods |
| CN108959482B (zh) * | 2018-06-21 | 2022-01-21 | 北京慧闻科技(集团)有限公司 | 基于深度学习的单轮对话数据分类方法、装置和电子设备 |
-
2019
- 2019-05-20 CN CN201910328957.1A patent/CN110110059B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108108449A (zh) * | 2017-12-27 | 2018-06-01 | 哈尔滨福满科技有限责任公司 | 一种面向医疗领域的基于多源异构数据问答系统及该系统的实现方法 |
| CN109545391A (zh) * | 2018-10-26 | 2019-03-29 | 曾警卫 | 一种基于深度学习的智能医疗自动问答系统及使用方法 |
| CN109637669A (zh) * | 2018-11-22 | 2019-04-16 | 中山大学 | 基于深度学习的治疗方案的生成方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110110059A (zh) | 2019-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110110059B (zh) | 一种基于深度学习的医疗对话系统意图识别分类方法 | |
| CN108984683B (zh) | 结构化数据的提取方法、系统、设备及存储介质 | |
| CN110297908B (zh) | 诊疗方案预测方法及装置 | |
| CN110750959B (zh) | 文本信息处理的方法、模型训练的方法以及相关装置 | |
| CN110795543A (zh) | 基于深度学习的非结构化数据抽取方法、装置及存储介质 | |
| WO2021139247A1 (zh) | 医学领域知识图谱的构建方法、装置、设备及存储介质 | |
| CN110210037A (zh) | 面向循证医学领域的类别检测方法 | |
| CN110569343B (zh) | 一种基于问答的临床文本结构化方法 | |
| CN111400455A (zh) | 基于知识图谱的问答系统的关系检测方法 | |
| WO2023029502A1 (zh) | 基于问诊会话构建用户画像的方法、装置、设备和介质 | |
| Ji et al. | Divergent-convergent attention for image captioning | |
| CN115292461B (zh) | 基于语音识别的人机交互学习方法及系统 | |
| WO2023029501A1 (zh) | 智能问诊方法、装置、电子设备及存储介质 | |
| CN109741824A (zh) | 一种基于机器学习的医疗问诊方法 | |
| CN111540470B (zh) | 一种基于bert迁移学习的社交网络抑郁倾向检测模型及其训练方法 | |
| CN116611024A (zh) | 一种基于事实和情感对立性的多模态反讽检测方法 | |
| CN113657105A (zh) | 基于词汇增强的医学实体抽取方法、装置、设备及介质 | |
| Ke et al. | Medical entity recognition and knowledge map relationship analysis of Chinese EMRs based on improved BiLSTM-CRF | |
| CN114021584A (zh) | 基于图卷积网络和翻译模型的知识表示学习方法 | |
| CN113868374A (zh) | 基于多头注意力机制的图卷积网络生物医学信息提取方法 | |
| CN116842953A (zh) | 一种基于提示多模型协同的零样本关系抽取方法 | |
| CN115658863A (zh) | 一种基于糖尿病知识图谱的问答系统构建方法 | |
| Souza et al. | Automatic recognition of continuous signing of brazilian sign language for medical interview | |
| CN113761109A (zh) | 一种问答库构建方法以及相关装置 | |
| CN117194604B (zh) | 一种智慧医疗病患问诊语料库构建方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240424 Address after: Room b-12af-06, No. 198, Qidi Road, Xiaoshan Economic and Technological Development Zone, Xiaoshan District, Hangzhou City, Zhejiang Province Patentee after: WEIYIYUN (HANGZHOU) HOLDING Co.,Ltd. Country or region after: China Address before: 311200 Hangzhou Bay Information Port, 198 Qidi Road, Xiaoshan District, Hangzhou City, Zhejiang Province Patentee before: GUAHAOWANG (HANGZHOU) TECHNOLOGY CO.,LTD. Country or region before: China |