CN110390003A - 基于医疗的问答处理方法及系统、计算机设备及可读介质 - Google Patents
基于医疗的问答处理方法及系统、计算机设备及可读介质 Download PDFInfo
- Publication number
- CN110390003A CN110390003A CN201910530786.0A CN201910530786A CN110390003A CN 110390003 A CN110390003 A CN 110390003A CN 201910530786 A CN201910530786 A CN 201910530786A CN 110390003 A CN110390003 A CN 110390003A
- Authority
- CN
- China
- Prior art keywords
- target
- medical
- candidate
- target problem
- medical knowledge
- 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.)
- Pending
Links
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
- 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
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种基于医疗的问答处理方法及系统、计算机设备及可读介质。所述方法包括:接收目标问题;基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取与所述目标问题匹配的目标答案;反馈所述目标答案。本发明的技术方案,能够弥补现有技术的不足,提供一种医疗问答处理方案,由于基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,来获取与目标问题匹配的目标答案,能够使得目标答案符合医疗领域的准确性和严谨性的要求。
Description
【技术领域】
本发明涉及计算机应用技术领域,尤其涉及一种基于医疗的问答处理方法及系统、计算机设备及可读介质。
【背景技术】
在线问答系统是一种非常受欢迎的智能客服系统,通过构建强大的知识库,在接收到在线问题时,根据在线问题,基于强大的知识库,提供答案,实现在线回答。
现有的在线问答系统基于Encoder-Decoder框架,采用类似机器翻译的模型,给定一个问题基于知识库生成一个回答,且生成的回答的多样性较好,但是生成的回答通常质量不高,缺乏逻辑性,比较适用于闲聊类型的问答。而医疗作为一个非常专业的领域,为了便于用户了解基础的医学常识,也亟需提供一种在线问答系统,但是由于医学领域的准确性和严谨性要求较高,基于现有的在线问答系统无法实现医疗领域的在线问答,因此,基于亟需提供一种医疗领域的问答处理方案。
【发明内容】
本发明提供了一种基于医疗的问答处理方法及系统、计算机设备及可读介质,用于弥补现有技术的不足,提供一种医疗领域的问答处理方案。
本发明提供一种基于医疗的问答处理方法,所述方法包括:
接收目标问题;
基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取与所述目标问题匹配的目标答案;
反馈所述目标答案。
本发明提供一种医疗问答系统,所述系统包括:
接收模块,用于接收目标问题;
获取模块,用于基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取与所述目标问题匹配的目标答案;
反馈模块,用于反馈所述目标答案。
本发明还提供一种计算机设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的基于医疗的问答处理方法。
本发明还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上所述的基于医疗的问答处理方法。
本发明的基于医疗的问答处理方法及系统、计算机设备及可读介质,通过接收目标问题;基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取与目标问题匹配的目标答案,能够弥补现有技术的不足,提供一种医疗问答处理方案,由于基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,来获取与目标问题匹配的目标答案,能够使得目标答案符合医疗领域的准确性和严谨性的要求。。
【附图说明】
图1为本发明的基于医疗的问答处理方法实施例一的流程图。
图2为本发明的基于医疗的问答处理方法实施例二的流程图。
图3为本发明的医疗问答系统实施例一的结构图。
图4为本发明的医疗问答系统实施例二的结构图。
图5为本发明的计算机设备实施例的结构图。
图6为本发明提供的一种计算机设备的示例图。
【具体实施方式】
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的基于医疗的问答处理方法实施例一的流程图。如图1所示,本实施例的基于医疗的问答处理方法,具体可以包括如下步骤:
S100、接收目标问题;
S101、基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取与目标问题匹配的目标答案;
S102、反馈目标答案。
本实施例的基于医疗的问答处理方法的执行主体可以为医疗问答系统,该系统可以为一个实体的电子设备;或者也可以为采用软件集成的应用。具体使用时,可以向该医疗问答系统输入目标问题,对应地,该医疗问答系统接收到目标问题后,基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取与目标问题匹配的目标答案。本实施例中的医疗知识库、医疗知识图谱以及医疗文档库,均可以基于现有的权威的医疗知识创建,各自的数据存储形式可以不相同。例如,医疗知识库中的医疗知识可以采用问题(Qusetion;Q)-答案(Answer;A)对的形式存在。医疗知识图谱中的医疗知识可以采用主实体-属性关系-客实体(Subject-Predicate-Object;SPO)的三元组形式存在。医疗文档库中可以具体包括一本、两本或者多本医疗电子书籍,具体包括各医疗电子书籍中的所有文档。
由于本实施例的医疗问答系统中包括有医疗知识库、医疗知识图谱以及医疗文档库,而医疗知识库、医疗知识图谱以及医疗文档库都包括有非常专业的医疗理论知识。因此,本实施例的医疗问答系统,可以基于医疗知识库、医疗知识图谱和/或医疗文档库,获取到与目标问题匹配的目标答案,且能够满足医疗领域的准确性和严谨性的要求。
可选地,若本实施例的医疗问答系统带有显示屏时,反馈目标答案时,可以直接显示该目标答案。若医疗问答系统带有语音播放器时,反馈目标答案时,还可以采用语音的方式播放该目标答案。若该医疗问答系统使用时接收外部的目标问题,在获取到目标问题对应的目标答案时,也需要向外部反馈该目标答案。
本实施例的基于医疗的问答处理方法,通过接收目标问题;基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取与目标问题匹配的目标答案,能够弥补现有技术的不足,提供一种医疗问答处理方案,由于基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,来获取与目标问题匹配的目标答案,能够使得目标答案符合医疗领域的准确性和严谨性的要求。
图2为本发明的基于医疗的问答处理方法实施例二的流程图。如图2所示,本实施例的基于医疗的问答处理方法,在上述图1所示实施例的技术方案的基础上,进一步更加详细地介绍本发明的技术方案。如图2所示,本实施例的基于医疗的问答处理方法,具体可以包括如下步骤:
S200、接收目标问题;
S201、基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取目标问题对应的多个候选答案;
具体地,该步骤S201,具体可以包括如下三种情况种的至少一种情况的操作:
第一种情况、基于预先建立的医疗知识库,获取与目标问题匹配的N个候选答案;
本实施例的医疗知识库中可以包括无数对Q-A对。具体在建立时,可以基于现有的医疗权威知识,采用人工标注Q和A的方式来创建Q-A对。但是这种创建方式由于需要人工参与,创建效率比较低。本实施例中,还可以基于创建的医疗知识图谱来创建Q-A对,作为一种补充的医疗知识库的创建方式。例如,如上述实施例所述,本实施例的医疗知识图谱中的医疗知识可以采用SPO三元组的形式存在。该医疗知识图谱中可以包括疾病、症状、体征、药品、检查、检验、手术等等各种类型的实体。
其中本实施例中的疾病可以为感冒、胃炎、呼吸系统感染等疾病的名称,具体可以为知识图谱中的主实体S。症状可以为脑袋疼、流鼻涕、打喷嚏等病人基于自己的体感描述的不舒服的装症状。而体征可以为医生基于病人描述的症状,总结的专业一点的体感特征,如头疼、流涕等等。检查可以为肠镜、胃镜、喉镜等等各种借助于医疗器械实现对病人身体的某部分进行的检查。本实施例中的检验可以为从病人的身体中采集其代谢物或者血液等等,通过一定的生化实验所进行的检验,如尿常规、血常规以及其他的血液检验、尿液检验或者粪便检验等等。手术可以为具体的手术内容,如开颅手术、开胸手术、截肢手术等等。其中症状、体征、药品、检查、检验、手术等可以为知识图谱中的属性关系P,而属性关系P具体指向的内容为客实体O,在基于知识图谱创建医疗知识库时,可以将S+P作为Q,将O作为A。另外,同一个S+P可能对应多个O,例如感染的症状可以包括有脑袋疼、流鼻涕、打喷嚏等多个,此时还可以将S+P对应的所有O聚合在一起,作为对应的A。这样,按照上述两种方式可以建立医疗知识库。
该第一种情况可以理解为基于医疗知识库的知识检索,例如检索时,可以先从医疗知识库中获取与目标问题匹配的N个候选问题;从医疗知识库中获取N个候选问题对应的N个候选答案。
其中,从医疗知识库中获取与目标问题匹配的N个候选问题,具体可以包括:
(a1)采用自然语言理解工具(Natural Language Understanding;NLU)对医疗知识库各个已知问题和目标问题进行解析;
本实施例中可以将医疗知识库中的所有Q-A对中的Q成为已知问题,对应的A为已知答案。具体地,可以采用NLU工具分别对医疗知识库中的各已知问题和目标问题进行分词解析处理,得到各已知问题对应的数个分词和目标问题对应的数个分词;例如,可以为两个分词,分别对应知识图谱中的S和P,或者也可以多于两个,用于增加限定条件。并标注各已知问题和目标问题中的各分词的类型。需要说明的是,本实施例的分词的类型可以为名词、动词等词性。或者分词的类型也可以为主语、谓语或者宾语等表征该分词在句子中的成份标识。另外,本实施例的分词解析处理得到的多个分词可以为问题中的关键性词语,此时可以认为已经去除了其中的感叹词、疑问词以及没有意义的“的”、“有”之类的词语。例如,某个目标问题“我想知道治疗高血压的药品都有哪些呢?经过分词解析处理后,可以仅得到两个分词“高血压+药品”。
(b1)计算解析后的各已知问题与解析后的目标问题的匹配度;
具体地匹配时,对于解析后的每个已知问题和目标问题,分析该已知问题和目标问题中是否包括词性相同的分词,若完全不包括,该已知问题和匹配度可以为0,若包括,还可以根据每个分词的重要性,设置不同的权重,若已知问题和目标问题中是否包括词性相同的该分词,则相应的匹配度增加匹配分值乘以该分词的权重。这样,已知问题和目标问题的匹配度可以等于所有的词性相同的分词的匹配度分值乘以分词的权重的值的累加。例如,某个已知问题和目标问题仅包括两个词性相同的分词,匹配度分值为10,一个分词的权重为0.8,另一个分词的权重为0.3,对应的匹配度可以等于10*0.8+10*0.3。每一个已知问题和目标问题的匹配度都可以采用上述方式计算出相应的匹配度。当然,本实施例的上述方式仅为一种计算匹配度的可选方式,实际应用中,基于上述原理,也可以衍生出其他的匹配度的计算方式,在此不再一一举例赘述。
本实施例中,若医疗知识库中包括的Q-A对足够多的时候,将每一个已知问题分别与目标问题去匹配会导致匹配次数过多。所以实际操作中,可以先在医疗知识库中检索与目标问题具有相同词语的已知问题。具体地,可以先采用NLU工具对目标问题进行解析,采用解析后的分词在医疗知识库中检索具有相同分词的已知问题。具体地,可以利用医疗知识库建立ElasticSearch(简称ES)索引,然后基于ES索引,在医疗知识库中检索与目标问题具有相同分词的已知问题。然后按照步骤(a1)-(b1)的方式计算匹配度。
(c1)从医疗知识库中获取匹配度最高的N个已知问题作为N个候选问题。
根据上述步骤计算的匹配度,可以将各个已知问题按照与目标问题的匹配度由大到小的顺序排列,并从中获取排序最靠前的N个已知问题,作为与目标问题匹配的N个候选问题。这样,后续可以将N个候选问题的答案作为该目标问题的N个候选答案。
第二种情况、基于预先建立的医疗知识图谱,获取与目标问题匹配的N个候选答案;
本实施例的医疗知识图谱,可以采用人工标注SPO的方式创建。或者也可以基于现有的权威医疗知识,挖掘所有的SPO三元组,构成医疗知识图谱,在此不做限定。
本实施例中,基于预先建立的医疗知识图谱,可以获取于目标问题匹配的S+P,从而可以基于获取的S+P,获取与目标问题匹配的N个候选答案。
该第二种情况为基于医疗知识图谱的推理,例如,在一种实现方式中,具体可以包括如下步骤:
(a2)采用统计方法,获取医疗知识图谱中具有属性关系的实体间的权重;
知识图谱作为一种新型的结构化的信息网络,同一个实体能够采用不同的属性关系与多个实体连接。例如,在医疗知识图谱中,与疾病实体感冒具有症状的属性关系,可以有多个,如脑袋痛,流鼻涕、打喷嚏等等。而每一种症状与感冒之间可以具有一定的权重。此时可以采用统计方法,获取医疗知识图谱中具有属性关系的实体间的权重。例如,可以通过统计数据源中的所有病历,分析所有感冒的病历中每一种症状出现的概率,作为感冒实体与该症状实体之间的权重。按照类似的方式,可以统计并推断医疗知识图谱中任意两个具有属性关系的实体间的权重。
或者实际应用中,还可以利用马尔可夫逻辑网和概率软逻辑对医疗知识图谱进行建模。马尔可夫逻辑网是将概率图模型与一阶谓词逻辑相结合的一种统计关系学习模型,其核心思想是通过为规则绑定权重的方式将一阶谓词逻辑规则中的硬性约束进行软化。为此,马尔可夫逻辑网给每条规则都加上一个特定的权重来反映其约束强度。规则的权重越大,其约束能力越强,即对于满足和不满足该规则的两个世界而言,它们之间的差异将越大;当规则的权重设置为无穷大时,其退化为硬性规则。概率软逻辑是马尔可夫逻辑网的一步延伸,其最大优点是允许原子事实的真值可以在连续的[0,1]区间内任意取值,而不像马尔可夫逻辑网那样只能取{0,1}中的离散值。马尔可夫逻辑网给一阶谓词逻辑加入了出色的不确定性处理能力,通过建模不确定性规则,能够容忍知识库中存在的不完整性和矛盾性等问题。而概率软逻辑进一步增强了马尔可夫逻辑网的不确定性处理能力,能够同时建模不确定性的规则和事实。并且连续真值的引入使得推理从原本的离散优化问题简化为连续优化问题,大大提升了推理效率对医疗知识图谱进行建模后,当规则及其权重已知时,就可以推断医疗知识图谱中任意未知事实成立的概率,这是一个马尔可夫随机场的推断问题。按照这种方式,也可以得到医疗知识图谱中任意两个具有属性关系的实体间的权重。
(b2)基于知识图谱对目标问题进行解析,获取目标问题中的主实体以及目标属性关系;
同理,可以采用NLU工具对目标问题进行解析,获取其包括的多个分词。然后知识图谱链指技术,可以获取到目标问题中链指的主实体和目标属性关系。
(c2)根据知识图谱中具有属性关系的实体间的权重,从知识图谱中获取与主实体具有目标属性关系的权重最大的N个客实体;
(d2)将N个客实体作为N个候选答案。
具体地,可以在知识图谱中搜索该主实体,然后获取与主实体具有目标属性关系的每一个客实体。并参考每个客实体与主实体的权重,从知识图谱中获取与主实体具有目标属性关系的权重最大的N个客实体,作为N个候选答案。
第三种情况、基于预先采集的医疗文档库,获取与目标问题匹配的N个候选答案。
由于人工构建医疗知识库成本较高,且完备性很难保证,当基于医疗知识库进行检索和基于医疗知识图谱进行推理均无法给出合适的候选答案时,为了提高医疗问答系统的召回性能,本实施例中还可以采用该第三种情况,依靠非结构化的医疗文档库的数据作为备选数据源获取候选答案。具体地,可以从医疗文档库中检索目标问题匹配的N段候选文本信息;然后利用预先训练的阅读理解模型,从N段候选文本信息中的各候选文本信息中获取目标问题对应的候选答案,得到N个候选答案。
但是,若医疗文档库中包括的内容较多时,可以先将医疗文档库中的原始文档按小节内容建立ES索引,当接收到一个目标问题的查询时,先从根据检索和排序策略从全量文档索引中获取排序靠前的N个候选文档。例如,可以先对目标问题采用NLU工具解析,得到数个分词;然后采用多个分词在医疗文档库中进行ES检索,检索结果的排序策略可以参考上述第一种情况中的匹配度来实现。例如,目标问题与文档小节内容的匹配度越高,排序越靠前,反之,若目标问题与文档小节内容的匹配度越低,排序越靠后。按照上述方式,可以从医疗文档库中获取到与目标问题匹配的N段候选文本信息。然后将每个候选文本信息和目标问题Q一起作为输入至阅读理解模型中,由阅读理解模型给出候选回答预测,每个候选文档和目标问题对应一个候选回答。本实施例的候选文本信息具体可以为一段文本信息,可以包括一句、两句或者多句文字内容。
本实施例的阅读理解模型可以采用基于(Bidirectional EncoderRepresentation from Transformers;BERT)的模型来实现。该阅读理解模型在训练时,需要采集数条训练数据,每条训练数据中包括训练文本信息、训练问题,并在训练文本信息中标注该训练问题对应的答案的位置,如第几个字开始到第几个字结束。训练时,向该阅读理解模型输入训练文本信息和训练问题,阅读理解模型预测答案的位置,若预测答案的位置和该已知答案的位置不符,可以调整阅读理解模型的参数,使得预测答案的位置和该已知答案的位置趋于一致。按照上述方式不断地对阅读理解模型进行训练,可以使得阅读理解模型能够准确预测出答案的位置。
使用时,将每一段候选文本信息和目标问题输入至训练好的阅读理解模型中,该阅读理解模型可以预测该目标问题对应的答案在候选文本信息中的位置,这样,可以从候选文本信息中获取到对应的候选答案。
另外,可选地,本实施例中,阅读理解模型还可以输出预测的答案在候选文本信息中为答案的概率。对应地,在训练时,也需要标注已知答案在训练文本信息中作为答案的概率为1,并采用上述类似的训练方式进行训练,可以使得阅读理解模型也能够输出预测答案的概率。后续还可以参考该概率,获取目标答案。例如可以获取概率最大的作为目标答案。
本实施例中,上述各种情况下获取的候选答案的数量N的大小可以根据实际需求来设置,例如可以为3、5或者其他数值,在此不做限定。实际应用中,若需要同时获取上述三种情况的候选答案,共得到3N个候选答案。
S202、计算各候选答案与目标问题的相似度;
本实施例中,计算各候选答案与目标问题的相似度可以参考现有的语义相似度的计算方式。或者也可以采用预先训练的词向量模型,获取各候选答案的词向量以及目标问题的词向量,计算各候选答案的词向量与目标问题的词向量的相似度。或者还可以采用一个预先训练的相似度计算模型,向该相似度计算模型输入候选答案和目标问题,该相似度计算模型可以输出该候选答案与目标问题的相似度。具体地,相似度计算模型训练时,可以采集数条训练数据,每条训练数据中包括目标问题、正确答案和错误答案;其中目标问题和正确答案的已知相似度为1,目标问题和错误答案的已知相似度为0。训练时,将目标问题和正确答案输入至相似度计算模型中,该相似度计算模型输出预测的相似度;判断该预测的相似度是否为1,若不是,调整相似度计算模型的参数,使得预测的相似度趋于1。同理,训练时,将目标问题和错误答案输入至相似度计算模型中,该相似度计算模型输出预测的相似度;判断该预测的相似度是否为0,若不是,调整相似度计算模型的参数,使得预测的相似度趋于0。按照上述方式,不断地对相似度计算模型进行训练,直到训练次数达到预设次数阈值,或者相似度计算模型总能准确预测相似度,相似度计算模型训练完毕,确定相似度计算模型的参数,从而确定相似度计算模型。
S203、从多个候选答案中获取相似度最大的作为与目标问题匹配的目标答案;
S204、反馈目标答案。
基于上述各候选答案与目标问题的相似度,可以认为相似度越大,该候选答案作为该目标问题的答案的概率就越高。因此,本实施例中,可以直接从多个候选答案中获取相似度最大的作为与目标问题匹配的目标答案。
本实施例的基于医疗的问答处理方法,通过采用上述技术方案,能够弥补现有技术的不足,提供一种医疗问答处理方案,由于基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,来获取与目标问题匹配的目标答案,能够使得目标答案符合医疗领域的准确性和严谨性的要求。
图3为本发明的医疗问答系统实施例一的结构图。如图3所示,本实施例的医疗问答系统,具体可以包括:
接收模块10用于接收目标问题;
获取模块11用于基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取与接收模块10接收的目标问题匹配的目标答案;
反馈模块12用于反馈获取模块11获取的目标答案。
本实施例的医疗问答系统,通过采用上述模块实现基于医疗的问答处理的实现原理以及技术效果与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
图4为本发明的医疗问答系统实施例二的结构图。如图4所示,本实施例的医疗问答系统,在上述图3所示实施例的技术方案的基础上,进一步更加详细地介绍本发明的技术方案。如图4所示,本实施例的医疗问答系统中,获取模块11,包括:
候选获取单元111用于基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取接收模块10接收的目标问题对应的多个候选答案;
计算单元112用于计算候选获取单元111获取的各候选答案与目标问题的相似度;
目标获取单元113用于从候选获取单元111获取的多个候选答案中获取计算单元112计算的相似度最大的作为与目标问题匹配的目标答案。
对应地,反馈模块12用于反馈目标获取单元113获取的目标答案。
进一步可选地,候选获取单元111具体用于:
基于预先建立的医疗知识库,获取与目标问题匹配的N个候选答案;
基于预先建立的医疗知识图谱,获取与目标问题匹配的N个候选答案;和/或
基于预先采集的医疗文档库,获取与目标问题匹配的N个候选答案。
进一步可选地,候选获取单元111具体用于:
从医疗知识库中获取与目标问题匹配的N个候选问题;
从医疗知识库中获取N个候选问题对应的N个候选答案。
进一步可选地,候选获取单元111具体用于:
采用自然语言理解工具对医疗知识库各个已知问题和目标问题进行解析;
计算解析后的各已知问题与解析后的目标问题的匹配度;
从医疗知识库中获取匹配度最高的N个已知问题作为N个候选问题。
进一步可选地,候选获取单元111具体用于:
采用自然语言理解工具分别对各已知问题和目标问题进行分词解析处理,得到各已知问题对应的数个分词和目标问题对应的数个分词;
并标注各已知问题和目标问题中的各分词的类型。
进一步可选地,候选获取单元111具体用于:
采用统计方法,获取医疗知识图谱中具有属性关系的实体间的权重;
基于知识图谱对目标问题进行解析,获取目标问题中的主实体以及目标属性关系;
根据知识图谱中具有属性关系的实体间的权重,从知识图谱中获取与主实体具有目标属性关系的权重最大的N个客实体;
将N个客实体作为N个候选答案。
进一步可选地,候选获取单元111具体用于:
从医疗文档库中检索目标问题匹配的N段候选文本信息;
利用预先训练的阅读理解模型,从N段候选文本信息中的各候选文本信息中获取目标问题对应的候选答案,得到N个候选答案。
本实施例的医疗问答系统信息处理装置,通过采用上述模块实现基于医疗的问答处理的实现原理以及技术效果与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
图5为本发明的计算机设备实施例的结构图。如图5所示,本实施例的计算机设备,包括:一个或多个处理器30,以及存储器40,存储器40用于存储一个或多个程序,当存储器40中存储的一个或多个程序被一个或多个处理器30执行,使得一个或多个处理器30实现如上图1-图2所示实施例的基于医疗的问答处理方法。图5所示实施例中以包括多个处理器30为例。
例如,图6为本发明提供的一种计算机设备的示例图。图6示出了适于用来实现本发明实施方式的示例性计算机设备12a的框图。图6显示的计算机设备12a仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,计算机设备12a以通用计算设备的形式表现。计算机设备12a的组件可以包括但不限于:一个或者多个处理器16a,系统存储器28a,连接不同系统组件(包括系统存储器28a和处理器16a)的总线18a。
总线18a表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12a典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12a访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28a可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30a和/或高速缓存存储器32a。计算机设备12a可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34a可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18a相连。系统存储器28a可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明上述图1-图4各实施例的功能。
具有一组(至少一个)程序模块42a的程序/实用工具40a,可以存储在例如系统存储器28a中,这样的程序模块42a包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42a通常执行本发明所描述的上述图1-图4各实施例中的功能和/或方法。
计算机设备12a也可以与一个或多个外部设备14a(例如键盘、指向设备、显示器24a等)通信,还可与一个或者多个使得用户能与该计算机设备12a交互的设备通信,和/或与使得该计算机设备12a能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22a进行。并且,计算机设备12a还可以通过网络适配器20a与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20a通过总线18a与计算机设备12a的其它模块通信。应当明白,尽管图中未示出,可以结合计算机设备12a使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16a通过运行存储在系统存储器28a中的程序,从而执行各种功能应用以及数据处理,例如实现上述实施例所示的基于医疗的问答处理方法。
本发明还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上述实施例所示的基于医疗的问答处理方法。
本实施例的计算机可读介质可以包括上述图6所示实施例中的系统存储器28a中的RAM30a、和/或高速缓存存储器32a、和/或存储系统34a。
随着科技的发展,计算机程序的传播途径不再受限于有形介质,还可以直接从网络下载,或者采用其他方式获取。因此,本实施例中的计算机可读介质不仅可以包括有形的介质,还可以包括无形的介质。
本实施例的计算机可读介质可以采用一个或多个计算机可读的介质的任意组合。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。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(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(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。在本文件中,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。
计算机可读的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。计算机可读的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——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
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发明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)。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (18)
1.一种基于医疗的问答处理方法,其特征在于,所述方法包括:
接收目标问题;
基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取与所述目标问题匹配的目标答案;
反馈所述目标答案。
2.根据权利要求1所述的方法,其特征在于,基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取与所述目标问题匹配的目标答案,包括:
基于预先建立的所述医疗知识库、预先建立的所述医疗知识图谱和/或预先采集的所述医疗文档库,获取所述目标问题对应的多个候选答案;
计算各所述候选答案与所述目标问题的相似度;
从所述多个候选答案中获取所述相似度最大的作为与所述目标问题匹配的所述目标答案。
3.根据权利要求2所述的方法,其特征在于,基于预先建立的所述医疗知识库、预先建立的所述医疗知识图谱和/或预先采集的所述医疗文档库,获取多个候选答案,包括:
基于预先建立的所述医疗知识库,获取与所述目标问题匹配的N个候选答案;
基于预先建立的所述医疗知识图谱,获取与所述目标问题匹配的N个候选答案;和/或
基于预先采集的所述医疗文档库,获取与所述目标问题匹配的N个候选答案。
4.根据权利要求3所述的方法,其特征在于,基于预先建立的所述医疗知识库,获取与所述目标问题匹配的N个候选答案,包括:
从所述医疗知识库中获取与所述目标问题匹配的N个候选问题;
从所述医疗知识库中获取所述N个候选问题对应的所述N个候选答案。
5.根据权利要求4所述的方法,其特征在于,从所述医疗知识库中获取与所述目标问题匹配的N个候选问题,包括:
采用自然语言理解工具对所述医疗知识库各个已知问题和所述目标问题进行解析;
计算解析后的各所述已知问题与解析后的所述目标问题的匹配度;
从所述医疗知识库中获取匹配度最高的N个所述已知问题作为所述N个候选问题。
6.根据权利要求5所述的方法,其特征在于,采用自然语言理解工具对所述医疗知识库各个已知问题和所述目标问题进行解析,包括:
采用所述自然语言理解工具分别对各所述已知问题和所述目标问题进行分词解析处理,得到各所述已知问题对应的数个分词和所述目标问题对应的数个分词;
并标注各所述已知问题和所述目标问题中的各所述分词的类型。
7.根据权利要求3所述的方法,其特征在于,基于预先建立的所述医疗知识图谱,获取与所述目标问题匹配的N个候选答案,包括:
采用统计方法,获取所述医疗知识图谱中具有属性关系的实体间的权重;
基于所述知识图谱对所述目标问题进行解析,获取所述目标问题中的主实体以及目标属性关系;
根据所述知识图谱中具有属性关系的实体间的权重,从所述知识图谱中获取与所述主实体具有所述目标属性关系的权重最大的N个客实体;
将所述N个客实体作为所述N个候选答案。
8.根据权利要求3所述的方法,其特征在于,基于预先采集的所述医疗文档库,获取与所述目标问题匹配的N个候选答案,包括:
从所述医疗文档库中检索目标问题匹配的N段候选文本信息;
利用预先训练的阅读理解模型,从所述N段候选文本信息中的各所述候选文本信息中获取所述目标问题对应的候选答案,得到所述N个候选答案。
9.一种医疗问答系统,其特征在于,所述系统包括:
接收模块,用于接收目标问题;
获取模块,用于基于预先建立的医疗知识库、预先建立的医疗知识图谱和/或预先采集的医疗文档库,获取与所述目标问题匹配的目标答案;
反馈模块,用于反馈所述目标答案。
10.根据权利要求9所述的系统,其特征在于,所述获取模块,包括:
候选获取单元,用于基于预先建立的所述医疗知识库、预先建立的所述医疗知识图谱和/或预先采集的所述医疗文档库,获取所述目标问题对应的多个候选答案;
计算单元,用于计算各所述候选答案与所述目标问题的相似度;
目标获取单元,用于从所述多个候选答案中获取所述相似度最大的作为与所述目标问题匹配的所述目标答案。
11.根据权利要求10所述的系统,其特征在于,所述候选获取单元,用于:
基于预先建立的所述医疗知识库,获取与所述目标问题匹配的N个候选答案;
基于预先建立的所述医疗知识图谱,获取与所述目标问题匹配的N个候选答案;和/或
基于预先采集的所述医疗文档库,获取与所述目标问题匹配的N个候选答案。
12.根据权利要求11所述的系统,其特征在于,所述候选获取单元,用于:
从所述医疗知识库中获取与所述目标问题匹配的N个候选问题;
从所述医疗知识库中获取所述N个候选问题对应的所述N个候选答案。
13.根据权利要求12所述的系统,其特征在于,所述候选获取单元,用于:
采用自然语言理解工具对所述医疗知识库各个已知问题和所述目标问题进行解析;
计算解析后的各所述已知问题与解析后的所述目标问题的匹配度;
从所述医疗知识库中获取匹配度最高的N个所述已知问题作为所述N个候选问题。
14.根据权利要求13所述的系统,其特征在于,所述候选获取单元,用于:
采用所述自然语言理解工具分别对各所述已知问题和所述目标问题进行分词解析处理,得到各所述已知问题对应的数个分词和所述目标问题对应的数个分词;
并标注各所述已知问题和所述目标问题中的各所述分词的类型。
15.根据权利要求11所述的系统,其特征在于,所述候选获取单元,用于:
采用统计方法,获取所述医疗知识图谱中具有属性关系的实体间的权重;
基于所述知识图谱对所述目标问题进行解析,获取所述目标问题中的主实体以及目标属性关系;
根据所述知识图谱中具有属性关系的实体间的权重,从所述知识图谱中获取与所述主实体具有所述目标属性关系的权重最大的N个客实体;
将所述N个客实体作为所述N个候选答案。
16.根据权利要求11所述的系统,其特征在于,所述候选获取单元,用于:
从所述医疗文档库中检索目标问题匹配的N段候选文本信息;
利用预先训练的阅读理解模型,从所述N段候选文本信息中的各所述候选文本信息中获取所述目标问题对应的候选答案,得到所述N个候选答案。
17.一种计算机设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530786.0A CN110390003A (zh) | 2019-06-19 | 2019-06-19 | 基于医疗的问答处理方法及系统、计算机设备及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910530786.0A CN110390003A (zh) | 2019-06-19 | 2019-06-19 | 基于医疗的问答处理方法及系统、计算机设备及可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110390003A true CN110390003A (zh) | 2019-10-29 |
Family
ID=68285586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910530786.0A Pending CN110390003A (zh) | 2019-06-19 | 2019-06-19 | 基于医疗的问答处理方法及系统、计算机设备及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110390003A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866111A (zh) * | 2019-11-18 | 2020-03-06 | 合肥工业大学 | 一种基于知识图谱的糖尿病智能知识服务系统 |
CN110991183A (zh) * | 2019-12-06 | 2020-04-10 | 北京百度网讯科技有限公司 | 问题的谓词确定方法、装置、设备及存储介质 |
CN111128394A (zh) * | 2020-03-26 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 医疗文本语义识别方法、装置、电子设备及可读存储介质 |
CN111368042A (zh) * | 2020-02-13 | 2020-07-03 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备及计算机存储介质 |
CN111444724A (zh) * | 2020-03-23 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 医疗问答对质检方法、装置、计算机设备和存储介质 |
CN111460116A (zh) * | 2020-03-19 | 2020-07-28 | 北京百度网讯科技有限公司 | 问答方法、问答系统、电子设备和存储介质 |
CN111640511A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 医疗事实验证的方法、装置、电子设备及存储介质 |
CN111753052A (zh) * | 2020-06-19 | 2020-10-09 | 微软技术许可有限责任公司 | 提供针对知识意图问题的知识性回答 |
CN112037905A (zh) * | 2020-07-16 | 2020-12-04 | 朱卫国 | 医用问答方法、设备及存储介质 |
CN112216359A (zh) * | 2020-09-29 | 2021-01-12 | 百度国际科技(深圳)有限公司 | 医疗数据校验方法、装置及电子设备 |
CN112307215A (zh) * | 2020-04-20 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置及计算机可读存储介质 |
CN112309587A (zh) * | 2020-11-26 | 2021-02-02 | 微医云(杭州)控股有限公司 | 线上问诊方法、系统、服务器及存储介质 |
CN112632250A (zh) * | 2020-12-23 | 2021-04-09 | 南京航空航天大学 | 一种多文档场景下问答方法及系统 |
CN113076430A (zh) * | 2021-04-19 | 2021-07-06 | 北京搜狗科技发展有限公司 | 一种基于医疗问题的数据处理方法及装置 |
CN113282729A (zh) * | 2021-06-07 | 2021-08-20 | 北京金山数字娱乐科技有限公司 | 基于知识图谱的问答方法及装置 |
CN113486152A (zh) * | 2021-07-16 | 2021-10-08 | 上海淇馥信息技术有限公司 | 一种业务知识库构建方法、装置和电子设备 |
CN113763123A (zh) * | 2021-08-12 | 2021-12-07 | 阿里巴巴(中国)有限公司 | 商品推荐与搜索方法、设备及存储介质 |
WO2022041727A1 (zh) * | 2020-08-28 | 2022-03-03 | 康键信息技术(深圳)有限公司 | 医疗问诊系统的问答管理方法、装置、设备及存储介质 |
CN114416953A (zh) * | 2022-01-20 | 2022-04-29 | 北京百度网讯科技有限公司 | 问答处理方法、问答模型的训练方法和装置 |
CN115169364A (zh) * | 2022-06-17 | 2022-10-11 | 北京百度网讯科技有限公司 | 智能问答方法、装置、设备以及存储介质 |
EP4145306A1 (en) * | 2021-09-29 | 2023-03-08 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus of processing data, electronic device, and medium |
WO2024021407A1 (zh) * | 2022-07-29 | 2024-02-01 | 青岛海尔科技有限公司 | 知识图谱的更新方法和装置、存储介质及电子装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2597599A2 (en) * | 2011-11-23 | 2013-05-29 | Tata Consultancy Services Limited | A self configuring knowledge base representation |
CN106447346A (zh) * | 2016-08-29 | 2017-02-22 | 北京中电普华信息技术有限公司 | 一种智能电力客服系统的构建方法及系统 |
CN106844723A (zh) * | 2017-02-10 | 2017-06-13 | 厦门大学 | 基于问答系统的医学知识库构建方法 |
CN106919655A (zh) * | 2017-01-24 | 2017-07-04 | 网易(杭州)网络有限公司 | 一种答案提供方法和装置 |
CN107665252A (zh) * | 2017-09-27 | 2018-02-06 | 深圳证券信息有限公司 | 一种创建知识图谱的方法及装置 |
CN107908803A (zh) * | 2017-12-26 | 2018-04-13 | 上海智臻智能网络科技股份有限公司 | 问答交互的响应方法及装置、存储介质、终端 |
CN108492887A (zh) * | 2018-04-13 | 2018-09-04 | 合肥工业大学 | 医疗知识图谱构建方法及装置 |
CN108776684A (zh) * | 2018-05-25 | 2018-11-09 | 华东师范大学 | 知识图谱中边权重的优化方法、装置、介质、设备及系统 |
-
2019
- 2019-06-19 CN CN201910530786.0A patent/CN110390003A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2597599A2 (en) * | 2011-11-23 | 2013-05-29 | Tata Consultancy Services Limited | A self configuring knowledge base representation |
CN106447346A (zh) * | 2016-08-29 | 2017-02-22 | 北京中电普华信息技术有限公司 | 一种智能电力客服系统的构建方法及系统 |
CN106919655A (zh) * | 2017-01-24 | 2017-07-04 | 网易(杭州)网络有限公司 | 一种答案提供方法和装置 |
CN106844723A (zh) * | 2017-02-10 | 2017-06-13 | 厦门大学 | 基于问答系统的医学知识库构建方法 |
CN107665252A (zh) * | 2017-09-27 | 2018-02-06 | 深圳证券信息有限公司 | 一种创建知识图谱的方法及装置 |
CN107908803A (zh) * | 2017-12-26 | 2018-04-13 | 上海智臻智能网络科技股份有限公司 | 问答交互的响应方法及装置、存储介质、终端 |
CN108492887A (zh) * | 2018-04-13 | 2018-09-04 | 合肥工业大学 | 医疗知识图谱构建方法及装置 |
CN108776684A (zh) * | 2018-05-25 | 2018-11-09 | 华东师范大学 | 知识图谱中边权重的优化方法、装置、介质、设备及系统 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110866111A (zh) * | 2019-11-18 | 2020-03-06 | 合肥工业大学 | 一种基于知识图谱的糖尿病智能知识服务系统 |
CN110991183A (zh) * | 2019-12-06 | 2020-04-10 | 北京百度网讯科技有限公司 | 问题的谓词确定方法、装置、设备及存储介质 |
CN110991183B (zh) * | 2019-12-06 | 2023-07-04 | 北京百度网讯科技有限公司 | 问题的谓词确定方法、装置、设备及存储介质 |
CN111368042A (zh) * | 2020-02-13 | 2020-07-03 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备及计算机存储介质 |
WO2021159632A1 (zh) * | 2020-02-13 | 2021-08-19 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备及计算机存储介质 |
CN111460116A (zh) * | 2020-03-19 | 2020-07-28 | 北京百度网讯科技有限公司 | 问答方法、问答系统、电子设备和存储介质 |
CN111444724A (zh) * | 2020-03-23 | 2020-07-24 | 腾讯科技(深圳)有限公司 | 医疗问答对质检方法、装置、计算机设备和存储介质 |
CN111444724B (zh) * | 2020-03-23 | 2022-11-15 | 腾讯科技(深圳)有限公司 | 医疗问答对质检方法、装置、计算机设备和存储介质 |
CN111128394A (zh) * | 2020-03-26 | 2020-05-08 | 腾讯科技(深圳)有限公司 | 医疗文本语义识别方法、装置、电子设备及可读存储介质 |
CN112307215A (zh) * | 2020-04-20 | 2021-02-02 | 北京沃东天骏信息技术有限公司 | 数据处理方法、装置及计算机可读存储介质 |
WO2021213314A1 (zh) * | 2020-04-20 | 2021-10-28 | 北京京东拓先科技有限公司 | 数据处理方法、装置及计算机可读存储介质 |
CN111640511A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 医疗事实验证的方法、装置、电子设备及存储介质 |
CN111640511B (zh) * | 2020-05-29 | 2023-08-04 | 北京百度网讯科技有限公司 | 医疗事实验证的方法、装置、电子设备及存储介质 |
CN111753052A (zh) * | 2020-06-19 | 2020-10-09 | 微软技术许可有限责任公司 | 提供针对知识意图问题的知识性回答 |
CN112037905A (zh) * | 2020-07-16 | 2020-12-04 | 朱卫国 | 医用问答方法、设备及存储介质 |
WO2022041727A1 (zh) * | 2020-08-28 | 2022-03-03 | 康键信息技术(深圳)有限公司 | 医疗问诊系统的问答管理方法、装置、设备及存储介质 |
CN112216359A (zh) * | 2020-09-29 | 2021-01-12 | 百度国际科技(深圳)有限公司 | 医疗数据校验方法、装置及电子设备 |
CN112216359B (zh) * | 2020-09-29 | 2024-03-26 | 百度国际科技(深圳)有限公司 | 医疗数据校验方法、装置及电子设备 |
CN112309587A (zh) * | 2020-11-26 | 2021-02-02 | 微医云(杭州)控股有限公司 | 线上问诊方法、系统、服务器及存储介质 |
CN112632250A (zh) * | 2020-12-23 | 2021-04-09 | 南京航空航天大学 | 一种多文档场景下问答方法及系统 |
CN113076430A (zh) * | 2021-04-19 | 2021-07-06 | 北京搜狗科技发展有限公司 | 一种基于医疗问题的数据处理方法及装置 |
CN113076430B (zh) * | 2021-04-19 | 2024-01-30 | 北京搜狗科技发展有限公司 | 一种基于医疗问题的数据处理方法及装置 |
CN113282729A (zh) * | 2021-06-07 | 2021-08-20 | 北京金山数字娱乐科技有限公司 | 基于知识图谱的问答方法及装置 |
CN113486152A (zh) * | 2021-07-16 | 2021-10-08 | 上海淇馥信息技术有限公司 | 一种业务知识库构建方法、装置和电子设备 |
CN113763123A (zh) * | 2021-08-12 | 2021-12-07 | 阿里巴巴(中国)有限公司 | 商品推荐与搜索方法、设备及存储介质 |
EP4145306A1 (en) * | 2021-09-29 | 2023-03-08 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus of processing data, electronic device, and medium |
CN114416953B (zh) * | 2022-01-20 | 2023-10-31 | 北京百度网讯科技有限公司 | 问答处理方法、问答模型的训练方法和装置 |
CN114416953A (zh) * | 2022-01-20 | 2022-04-29 | 北京百度网讯科技有限公司 | 问答处理方法、问答模型的训练方法和装置 |
CN115169364A (zh) * | 2022-06-17 | 2022-10-11 | 北京百度网讯科技有限公司 | 智能问答方法、装置、设备以及存储介质 |
CN115169364B (zh) * | 2022-06-17 | 2024-03-08 | 北京百度网讯科技有限公司 | 智能问答方法、装置、设备以及存储介质 |
WO2024021407A1 (zh) * | 2022-07-29 | 2024-02-01 | 青岛海尔科技有限公司 | 知识图谱的更新方法和装置、存储介质及电子装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390003A (zh) | 基于医疗的问答处理方法及系统、计算机设备及可读介质 | |
CN111339774B (zh) | 文本的实体关系抽取方法和模型训练方法 | |
CN110442869B (zh) | 一种医疗文本处理方法及其装置、设备和存储介质 | |
US10984024B2 (en) | Automatic processing of ambiguously labeled data | |
CN110675944A (zh) | 分诊方法及装置、计算机设备及介质 | |
CN109857846B (zh) | 用户问句与知识点的匹配方法和装置 | |
CN108549656A (zh) | 语句解析方法、装置、计算机设备及可读介质 | |
US20200185069A1 (en) | Medical coding quality control | |
WO2023029506A1 (zh) | 病情分析方法、装置、电子设备及存储介质 | |
WO2021208444A1 (zh) | 电子病例自动生成方法、装置、设备及存储介质 | |
CN107357849A (zh) | 基于测试类应用的交互方法和装置 | |
CN110008959A (zh) | 一种医学数据处理方法及系统 | |
Liu et al. | Augmented LSTM framework to construct medical self-diagnosis android | |
CN114330267A (zh) | 一种基于语义学关联的结构化报告模板的设计方法 | |
US11532387B2 (en) | Identifying information in plain text narratives EMRs | |
KR20200041199A (ko) | 챗봇 구동 방법, 장치 및 컴퓨터 판독가능 매체 | |
Brehm et al. | Referential and lexical forces in number agreement | |
CN113657086A (zh) | 词语处理方法、装置、设备及存储介质 | |
EP3901875A1 (en) | Topic modelling of short medical inquiries | |
CN109712704A (zh) | 方案的推荐方法及其装置 | |
CN110851572A (zh) | 会话标注方法、装置、存储介质及电子设备 | |
CN114626463A (zh) | 语言模型的训练方法、文本匹配方法及相关装置 | |
Song et al. | Translate and summarize complaints of patient to electronic health record by BiLSTM-CNN attention model | |
CN114090789A (zh) | 基于知识图谱的中医养生智能多轮交互系统 | |
WO2022227164A1 (zh) | 基于人工智能的数据处理方法、装置、设备和介质 |
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 |