CN110909137A - 基于人机交互的信息推送方法、装置和计算机设备 - Google Patents
基于人机交互的信息推送方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN110909137A CN110909137A CN201910968905.0A CN201910968905A CN110909137A CN 110909137 A CN110909137 A CN 110909137A CN 201910968905 A CN201910968905 A CN 201910968905A CN 110909137 A CN110909137 A CN 110909137A
- Authority
- CN
- China
- Prior art keywords
- information
- session
- texts
- target
- intention
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 17
- 239000013598 vector Substances 0.000 claims description 32
- 230000007474 system interaction Effects 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 description 10
- 238000002372 labelling Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 206010067671 Disease complication Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003748 differential diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
Abstract
本申请涉及一种基于人机交互的信息推送方法、装置和计算机设备。所述方法包括:接收用户终端发送会话信息,对会话信息进行预处理和分词处理得到多个会话文本;将多个会话文本输入意图识别模型,输出会话信息对应的意图类型;将多个会话文本输入至已训练的信息抽取模型,计算多个会话文本与结构化语料库中多个结构化文本的匹配度,得到多个会话文本对应的目标字段信息;根据意图类型和目标字段信息生成对应的目标咨询信息;根据目标咨询信息匹配对应的目标推送信息,将目标推送信息发送至对应的用户终端。采用本方法能够能够有效地提高识别会话信息中特定领域的结构化文本的准确性,从而能够精准有效地向用户推送相匹配的信息。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种基于人机交互的信息推送方法、装置和计算机设备。
背景技术
随着经济社会的发展,健康问题也越来越受到重视,随着计算机技术的迅速发展,人工智能技术被广泛应用,因此出现了一些基于人工智能的人机交互系统。通过在人机交互系统中进行在线问答等,可以辅助解答用户的咨询问题。例如,对于特定医疗领域而言,医疗领域的相关知识具有较高的专业性,而用户的问题信息中通常是非结构化的自然语言信息,并不利于目标信息的获取和分析。
现有的方式通常是通过识别和提取用户问题信息中的关键词来匹配相应的答案信息,对于特定领域的结构化文本,无法准确地进行抽取和识别,从而无法准确有效地识别出特定领域的结构化文本和对应的目标意图,进而导致信息抽取和目标信息推送的准确性不高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效地提高识别会话信息中特定领域的结构化文本的准确性,从而能够精准有效地向用户推送相匹配的信息的基于人机交互的信息推送方法、装置、计算机设备和存储介质。
一种基于人机交互的信息推送方法,所述方法包括:
接收用户终端发送会话信息,根据所述会话信息识别用户标识;
对所述会话信息进行预处理和分词处理,得到多个会话文本;
将所述多个会话文本输入已训练的意图识别模型,通过所述意图识别模型对所述会话信息进行意图识别,输出所述会话信息对应的意图类型;
将所述多个会话文本输入至已训练的信息抽取模型,计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度,得到所述多个会话文本对应的目标字段信息;
根据所述意图类型和所述目标字段信息生成对应的目标咨询信息;
根据所述目标咨询信息匹配对应的目标推送信息,并将所述目标推送信息发送至所述用户标识对应的用户终端。
在其中一个实施例中,所述通过所述意图识别模型对所述会话信息进行意图识别的步骤包括:提取所述多个会话文本的关键词文本;提取所述多个关键词文本的文本向量,计算文本块向量对应多个意图事件的概率值;当概率值达到预设阈值时,获取所述概率值对应的意图事件,将所述意图事件确定为所述会话信息的用户意图信息。
在其中一个实施例中,所述得到所述多个会话文本对应的目标字段信息的步骤包括:根据文本向量计算多个会话文本的上下文关联性,提取所述上下文关联性达到阈值的会话文本,并生成对应的文本块;计算所述文本块与结构化语料库中多个结构化文本的匹配度;提取所述匹配度达到预设阈值的结构化文本,将所述结构化文本确定为会话文本对应的目标字段;所述目标字段包括相应的字段类别。
在其中一个实施例中,所述会话信息包括系统交互信息和用户交互信息,所述方法还包括:若不存在与所述目标咨询信息相匹配的推送信息,根据所述意图类型识别所述目标咨询信息的缺失信息;根据所述缺失信息生成系统交互信息,并将所述系统交互信息发送至所述用户终端;接收所述用户终端根据所述系统交互信息发送的用户交互信息;重复对包括所述系统交互信息和所述用户交互信息的会话信息进行预处理和分词处理的步骤,直到得到与所述目标咨询信息相匹配的推送信息,并将所述目标推送信息发送至所述用户终端。
在其中一个实施例中,所述根据所述目标咨询信息匹配对应的目标推送信息的步骤包括:根据所述意图类型获取多个推送信息;所述推送信息包括相应的属性信息;计算所述目标咨询信息与多个推送信息对应的属性信息的匹配度;获取所述匹配度达到预设阈值的推送信息,将所述推送信息发送至所述用户终端。
在其中一个实施例中,所述方法还包括:若所述会话信息中包括病历图像,提取所述病历图像,将所述病历图像输入至已训练的字符识别模型;对所述病历图像进行预处理,得到对应的灰度图像信息;对所述灰度图像信息进行字符切分,得到多个切分后的字符;对所述多个切分后的字符进行特征提取,得到对应的多个特征向量;通过所述字符识别模型对所述多个特征向量进行识别分析,得到对应的字符识别结果;将所述字符识别结果按照预设格式转换为对应的病历文本信息。
在其中一个实施例中,在响应用户终端发送的交互请求之前,还包括:获取多个样本数据,将所述样本数据分为训练集和验证集,所述样本数据包括多个语料文本和结构化文本;将所述训练数据输入至预设网络模型中,根据所述预设网络模型训练多个语料文本和结构化文本的关联关系,并生成初始信息抽取模型;利用所述验证集对所述初始信息抽取模型进行进一步训练和验证,得到多个验证数据对应的类别概率;直到所述验证数据对应的类别概率在预设范围内的数量达到预设阈值时,停止训练,得到所需的信息抽取模型。
一种基于人机交互的信息推送装置,所述装置包括:
信息接收模块,用于接收用户终端发送会话信息,根据所述会话信息识别用户标识;
文本分词模块,用于对所述会话信息进行预处理和分词处理,得到多个会话文本;
意图识别模块,用于将所述多个会话文本输入已训练的意图识别模型,通过所述意图识别模型对所述会话信息进行意图识别,输出所述会话信息对应的意图类型;
字段提取模块,用于将所述多个会话文本输入至已训练的信息抽取模型,计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度,得到所述多个会话文本对应的目标字段信息;根据所述意图类型和所述目标字段信息生成对应的目标咨询信息;
信息推送模块,用于根据所述目标咨询信息匹配对应的目标推送信息,并将所述目标推送信息发送至所述用户标识对应的用户终端。
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本申请任意一个实施例中提供的基于人机交互的信息推送方法的步骤。
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本申请任意一个实施例中提供的基于人机交互的信息推送方法的步骤。
上述基于人机交互的信息推送方法、装置、计算机设备和存储介质,服务器接收用户终端发送会话信息并识别会话信息的用户标识后,对会话信息进行预处理和分词处理,得到多个会话文本。通过意图识别模型对会话信息进行意图识别,能够准确有效地识别出会话信息对应的意图类型,服务器进而通过已训练的信息抽取模型,计算多个会话文本与结构化语料库中多个结构化文本的匹配度,由此能够精准地分析出多个会话文本对应的目标字段信息,从而能够根据意图类型和目标字段信息有效地生成对应的目标咨询信息。根据目标咨询信息匹配数据库中相对应的目标推送信息,并将目标推送信息发送至对应的用户终端。通过识别用户会话信息的意图,进而识别并抽取出会话信息中结构化的字段信息,有效地提高了会话信息中特定领域的结构化文本对应的目标咨询信息的识别准确性,从而能够精准有效地根据目标咨询信息向用户相匹配的推送信息。
附图说明
图1为一个实施例中基于人机交互的信息推送方法的应用场景图;
图2为一个实施例中基于人机交互的信息推送方法的流程示意图;
图3为一个实施例中提取目标字段信息步骤的流程示意图;
图4为另一个实施例中基于人机交互的信息推送方法的流程示意图;
图5为一个实施例中基于人机交互的信息推送装置的结构框图;
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。
本申请提供的基于人机交互的信息推送方法,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。服务器104接收用户终端102发送的会话信息后,根据会话信息识别用户标识。服务器104对会话信息进行预处理和分词处理,得到多个会话文本。通过意图识别模型对会话信息进行意图识别,识别出会话信息对应的意图类型,服务器104进而通过已训练的信息抽取模型,计算多个会话文本与结构化语料库中多个结构化文本的匹配度,分析出多个会话文本对应的目标字段信息,根据意图类型和目标字段信息生成对应的目标咨询信息。服务器104根据目标咨询信息匹配数据库中相对应的目标推送信息,并将目标推送信息发送至对应的用户终端用户终端102。其中,用户终端102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。
在一个实施例中,如图2所示,提供了一种基于人机交互的信息推送方法,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,接收用户终端发送的会话信息,根据会话信息识别用户标识。
用户可以利用对应的用户终端通过应用程序或子程序等进行智能会话交互,以获取所需的咨询信息等。例如通过终端的交互系统进行人机交互和智能问答,并向用户终端推荐相应的咨询信息。
用户终端可以首先通过咨询系统向服务器发送咨询请求和用户交互信息,咨询请求携带用户标识。其中,用户交互信息可以是会话信息,会话信息携带了用户标识。会话信息包括但不限于文本信息、语音信息以及图像信息。
步骤204,对会话信息进行预处理和分词处理,得到多个会话文本。
会话信息的内容可以为多种形式的内容,例如可以为文字信息、语音以及图像信息等形式的内容。当会话信息为文字信息时,可以直接识别会话信息中的文字内容。
当会话信息中包括语音信息时,服务器首先对会话信息中的语音信息进行预处理,预处理可以是对语音会话信息进行语音识别,得到对应的文本信息。具体地,服务器可以利用语音识别技术识别会话信息的内容,通过对会话信息进行语音识别,从而提取出语音信息中的文字内容。服务器进而对提取的文字内容进行下一步处理。语音识别技术已经比较成熟,再次不再赘述。
当会话信息中包括图像信息时,可以通过图像识别技术对图像信息的内容进行识别,如OCR技术。服务器可以利用OCR技术将图片中的文字抽取出来,把原来图片上的文字以文本形式展现出来,从而提取得到会话信息对应的文本内容。使得服务器对提取的文字内容进行下一步处理。
其中,会话信息中可能包括汉语文字,和大部分西方语言不同,汉语书面词语之间没有明显的空格标记,文本中的句子以字串的形式出现。因此需要将输入的字串切分为单独的词语,然后在此基础进行深度分析,这一过程就是分词。标注过程的进行是利用序列标注思想,使用深度学习模型学习各字段的内在联系和特征。标注的输入是一个序列,其输出也是一个序列,进行标注过程中可用词性标注算法进行标注,得到对应的标注序列。
服务器接收到用户终端发送的会话信息后,对会话信息进行预处理和分词处理。具体地,服务器首先对会话信息进行预处理后,对会话信息进行文本句分割,得到多个文本句。服务器进而利用预设语料库中的语料对多个文本句进行分词处理,得到多个分词结果。服务器进而根据预设的信息标注算法对多个分词结果进行标注。其中,标注可以包括词性标注和类别标注。服务器对分词结果进行标注后,对分词结果标注相应的标注序列,从而得到多个标注后的会话文本。
在其中一个实施例中,会话信息可以包括用户终端发送的用户交互信息,还可以包括服务器根据用户交互信息进行回答和推送的系统交互信息,以及用户终端与服务器进行交互的历史用户交互信息和历史系统交互信息。其中,服务器向用户终端回答和推送的系统交互信息可以为已标注的会话文本。例如,系统交互信息中已标注了相应的关键词和类别等。
步骤206,将多个会话文本输入已训练的意图识别模型,通过意图识别模型对会话信息进行意图识别,输出会话信息对应的意图类型。
服务器对会话信息进行分词处理,得到多个会话文本后,获取预先训练的意图识别模型。将多个会话文本输入已训练的意图识别模型,通过意图识别模型对会话信息进行意图识别。具体地,服务器通过意图识别模型识别多个会话文本中的关键词文本,进而根据识别的关键词文本匹配预设的多个意图事件,将匹配度达到预设阈值的意图事件确定为会话信息的意图类型,并通过意图识别模型输出会话信息对应的意图类型,从而能够准确有效地识别出会话信息所对应的用户意图。
步骤208,将多个会话文本输入至已训练的信息抽取模型,计算多个会话文本与结构化语料库中多个结构化文本的匹配度,得到多个会话文本对应的目标字段信息。
其中,用户输入的会话信息通常为比较偏口语化的自然语言信息,在识别用户输入的会话信息的过程中,需要识别会话信息中所对应特定领域的标准表述的结构化文本。服务器中预先存储了多个类别的结构化语料库,包括多个类别对应的结构化文本。目标字段信息可以包括对应的字段类别,目标字段信息为字段类别所对应的结构化文本内容。例如,医疗领域中许多信息为专业化的标准词汇,若用户咨询医疗领域的信息,则需要识别和匹配出相对应的标准结构化文本,才能够精准有效地对用户的会话信息进行回复和推送。
服务器进一步调用预先训练的信息抽取模型,将多个会话文本输入至信息抽取模型中,通过信息抽取模型匹配会话信息对应的结构化文本。具体地,服务器计算目标字段和多个会话文本的关联性,将关联性达到阈值的多个会话文本进行关联,并根据关联性达到预设阈值的多个会话文本组成会话文本块。服务器进一步计算多个会话文本块与结构化语料库中多个结构化文本的匹配度,提取匹配度达到预设阈值的会话文本块对应的结构化文本,并将该结构化文本确定为会话文本对应的目标字段信息。其中,目标字段信息还可以包括对应的字段类别。
步骤210,根据意图类型和目标字段信息生成对应的目标咨询信息。
步骤212,根据目标咨询信息匹配对应的目标推送信息,并将目标推送信息发送至用户标识对应的用户终端。
其中,目标咨询信息表示用户会话信息对应标准结构化的询问信息,即用户会话信息所对应的目标问题信息。服务器中存储了多个目标咨询信息对应的目标推送消息,目标推送信息可以为用户想要咨询的目标内容信息,也可以包括产品推送信息和项目推送消息。
服务器对会话信息进行结构化信息抽取和匹配,得到对应的结构化的目标字段信息后,则进一步根据意图类型和目标字段信息生成会话信息对应的目标咨询信息,从而得到会话信息所对应的目标问题。
服务器识别出会话信息对应的目标咨询信息后,则将目标咨询信息与数据库中存储的推送信息进行匹配,通过计算目标咨询信息与多个推送信息之间的匹配度,获取匹配度达到阈值的推送信息,将该推送信息确定为目标咨询信息对应的目标推送信息,并将目标推送信息发送至用户标识对应的用户终端。从而能够准确有效地根据目标咨询信息和用户意图类型向用户推送相对应的推送信息。
上述基于人机交互的信息推送方法中,服务器响应用户终端发送的交互请求和会话信息后,对会话信息进行预处理和分词处理,得到多个会话文本。通过意图识别模型对会话信息进行意图识别,能够准确有效地识别出会话信息对应的意图类型,服务器进而通过已训练的信息抽取模型,计算多个会话文本与结构化语料库中多个结构化文本的匹配度,由此能够精准地分析出多个会话文本对应的目标字段信息,从而能够根据意图类型和目标字段信息有效地生成对应的目标咨询信息。根据目标咨询信息匹配数据库中相对应的目标推送信息,并将目标推送信息发送至对应的用户终端。通过识别用户会话信息的意图,进而识别并抽取出会话信息中结构化的字段信息,有效地提高了会话信息中特定领域的结构化文本对应的目标咨询信息的识别准确性,从而能够精准有效地根据目标咨询信息向用户相匹配的推送信息。
在一个实施例中,通过意图识别模型对会话信息进行意图识别的步骤包括:提取多个会话文本的关键词文本;提取多个关键词文本的文本向量,计算文本块向量对应多个意图事件的概率值;当概率值达到预设阈值时,获取概率值对应的意图事件,将意图事件确定为会话信息的用户意图信息。
其中,意图识别模型中包括多种预先配置的意图事件。服务器响应用户终端发送的交互请求和会话信息后,对会话信息进行预处理和分词处理,得到多个标注后的会话文本。服务器进而将多个会话文本输入已训练的意图识别模型,通过意图识别模型对会话信息进行意图识别。
具体地,服务器根据标注后的标注序列对多个会话文本进行关键词识别。其中,标注序列可以包括文本的词性标注和类别标注,每种词性标注和类别标注可以包括相应的重要程度。服务器进而根据标注序列的重要程度确定多个会话文本的关键词文本,并提取多个关键词文本的文本向量,进而计算会话信息对应的文本块向量,计算文本块向量分别对应多个意图事件的概率值。当概率值达到预设阈值时,服务器则获取概率值对应的意图事件。例如,可以是概率值达到预设阈值或概率值最大的意图事件。服务器并将该意图事件确定为会话信息的意图事件。利用意图识别模型能够准确有效地识别出用户会话信息对应的用户意图,通过识别用户询问信息的意图,由此能够有效地根据意图进一步引导用户进行深度交互,从而可以有效地识别目标询问信息并获取相匹配的推送消息,从而能够有效提高推送信息的推送准确性。
在一个实施例中,如图3所示,目标字段信息包括字段类别,得到多个会话文本对应的目标字段信息的步骤包括:
步骤302,根据文本向量计算多个会话文本的上下文关联性,提取上下文关联性达到阈值的会话文本,并生成对应的文本块。
步骤304,计算文本块与结构化语料库中多个结构化文本的匹配度。
步骤306,提取匹配度达到预设阈值的结构化文本,将结构化文本确定为会话文本对应的目标字段;目标字段包括相应的字段类别。
其中,信息抽取模型可以是基于神经网络的智能匹配模型,信息抽取模型中预先配置了大量的结构化文本,例如可以包括医疗领域的结构化语料库等。结构化文本还可以包括相应的信息类别。
服务器响应用户终端发送的交互请求和会话信息后,对会话信息进行预处理和分词处理,得到多个会话文本。通过意图识别模型对会话信息进行意图识别,能够准确有效地识别出会话信息对应的意图类型。服务器进而已训练的信息抽取模型,将多个会话文本输入至信息抽取模型中,通过信息抽取模型识别并提取出多个会话文本对应的目标字段信息。
具体地,结构化语料库中包括多个结构化文本以及对应的文本向量。服务器将多个会话文本输入至信息抽取模型后,提取多个会话文本对应的文本向量,计算多个文本向量的上下文关联性,提取上下文关联性达到阈值的会话文本,并生成对应的文本块。服务器进而提取文本块对应的文本块向量,根据文本块向量计算本块与多个结构化文本的匹配度,当匹配度达到预设阈值时,获取与会话文本相匹配的结构化文本,并将获取的结构化文本作为会话文本相对应的目标字段。目标字段还包括相应的预设的字段类别,字段类型即为目标字段的结构化文本所对应的信息类别。由于信息抽取模型中预置了大量的结构化语料库,通过利用信息抽取模型可以准确有效地获取会话信息中对应的结构化字段信息,从而能够有效提高会话信息的识别准确度。
在一个实施例中,如图4所示,会话信息包括系统交互信息和用户交互信息,该方法还包括以下步骤:
步骤402,若不存在与目标咨询信息相匹配的推送信息,根据意图类型识别目标咨询信息的缺失信息;
步骤404,根据缺失信息生成系统交互信息,并将系统交互信息发送至用户终端;
步骤406,接收用户终端根据系统交互信息发送的用户交互信息;
步骤408,重复对包括系统交互信息和用户交互信息的会话信息进行预处理和分词处理的步骤,直到得到与目标咨询信息相匹配的推送信息,并将目标推送信息发送至用户终端。
服务器响应用户终端发送的交互请求和会话信息后,对会话信息进行预处理和分词处理,得到多个会话文本。通过意图识别模型对会话信息进行意图识别,能够准确有效地识别出会话信息对应的意图类型,服务器进而通过已训练的信息抽取模型,计算多个会话文本与结构化语料库中多个结构化文本的匹配度,由此能够精准地分析出多个会话文本对应的目标字段信息,从而能够根据意图类型和目标字段信息有效地生成对应的目标咨询信息。根据目标咨询信息匹配数据库中相对应的目标推送信息,并将目标推送信息发送至对应的用户终端。
进一步地,若不存在与目标咨询信息相匹配的推送信息,服务器则根据意图类型识别目标咨询信息的缺失信息。具体地,服务器可以对会话信息进行槽位识别,识别会话信息中的槽位和槽位值。其中,槽位可以指会话信息中的关键信息属性,例如可以是服务器需要获取的关键信息;槽位值可以指会话信息中的关键信息属性对应的具体内容。例如可以是用户表达的具体关键信息。例如,“性别”对应的信息属性可以为槽位,“男”则可以为“性别”槽位对应的槽位值。服务器可以预先意图类型对应的配置槽位定义表,槽位定义表中存储了意图类型所需的多种槽位信息。槽位信息包括槽位和相应的槽位值。服务器可以根据槽位定义表对会话信息进行关键词识别,识别出询问信息中的槽位信息。其中,服务器根据多个槽位关键词对当前会话信息以及历史会话信息相邻的会话信息进行识别,提取与槽位定义表中槽位关键词相匹配的槽位对应的文本信息,将提取的文本信息作为识别的槽位以及对应的槽位值。
服务器进一步根据业务类型获取已训练的关系分析模型,将识别的槽位和槽位值输入至关系分析模型中,根据多个槽位识别相关联的推测槽位,计算槽位与多个推测槽位之间的关联性。提取关联性达到阈值的推测槽位,并将推测槽位作为会话信息的缺失信息。
服务器进而根据缺失信息生成系统交互信息,并将系统交互信息发送至用户终端,使得用户根据缺失信息输入相应的回复信息,并发送至服务器。服务器接收用户终端根据系统交互信息发送的用户交互信息后,重复对包括系统交互信息和用户交互信息的会话信息进行预处理和分词处理的步骤,并持续对会话信息进行目标咨询信息识别,直到得到与目标咨询信息相匹配的推送信息,并将目标推送信息发送至用户终端。通过识别用户询问信息的意图,并根据意图进一步辅助和引导用户进行深度交互,从而可以有效地获取较为全面的用户询问信息。当用户意图和会话信息比较明确时,再抽取出会话信息中结构化的医疗字段信息,有效地提高了会话信息中特定领域的结构化文本的识别准确性,从而能够准确有效地根据目标咨询信息和用户意图信息向用户推送相对应的项目推荐数据。
例如,若用户想通过交互系统获取医疗咨询信息时,用户终端通过交互系统发送咨询信息后,服务器通过意图识别模型识别用户咨询信息的意图,并通过信息抽取模型得到多个会话文本对应的目标字段信息以及目标咨询信息。根据识别得到的目标咨询信息向用户终端返回对应的答案信息或咨询引导信息,即判断出用户输入的询问信息的相关必要信息和意图明确,且是否存在于用户意图相匹配的目标推荐信息。当不存在时,服务器进一步根据信息类型和会话意图生成对应的系统交互文本,并发送至用户终端。以使得用户根据咨询引导信息进一步输入详细的询问信息,以使用户通过用户终端进一步根据回复文本输入用户交互信息。直到识别到目标咨询信息的明确程度达到预设阈值时,即识别到用户意图和目标咨询信息明确时,再抽取出所有会话信息中的结构化的医疗字段信息,并根据医疗字段信息和用户意图信息向用户推送相对应的项目推荐数据,例如项目推荐数据可以包括医疗检查项目推荐信息、疾病症状结束信息、疾病并发症信息以及健康资讯信息等。通过识别用户询问信息的意图,并根据意图进一步辅助和引导用户进行深度交互,从而可以有效地获取较为全面的用户询问信息。当用户意图和会话信息比较明确时,再抽取出会话信息中结构化的医疗字段信息,有效地提高了会话信息中特定领域的结构化文本的识别准确性,从而能够准确有效地根据医疗字段信息和用户意图信息向用户推送相对应的项目推荐数据。
在一个实施例中,根据目标咨询信息匹配对应的目标推送信息的步骤包括:根据意图类型获取多个推送信息;推送信息包括相应的属性信息;计算目标咨询信息与多个推送信息对应的属性信息的匹配度;获取匹配度达到预设阈值的推送信息,将推送信息发送至用户终端。
其中,服务器的数据库中预先存储了多种项目推荐数据,例如可以包括医疗检查项目推荐信息、疾病症状结束信息、疾病并发症信息以及健康资讯信息等推送信息。
服务器响应用户终端发送的交互请求和会话信息后,对会话信息进行预处理和分词处理,得到多个会话文本。通过意图识别模型对会话信息进行意图识别,能够准确有效地识别出会话信息对应的意图类型,服务器进而通过已训练的信息抽取模型,计算多个会话文本与结构化语料库中多个结构化文本的匹配度,由此能够精准地分析出多个会话文本对应的目标字段信息,从而能够根据意图类型和目标字段信息有效地生成对应的目标咨询信息。根据目标咨询信息匹配数据库中相对应的目标推送信息。
具体地,服务器可以根据意图类型和目标字段类别获取相应的多个推荐信息。其中,推送信息包括相应的属性信息,服务器则根据目标咨询信息计算与多个推送信息对应的属性信息的匹配度,获取匹配度达到预设阈值的推送信息,并将推送信息发送至对应的用户终端。在用户意图和会话信息较明确的情况下,通过利用识别提取的结构化目标字段和用户意图,能够准确地匹配相应的推送信息,从而能够有效提高推送信息的推送准确性。
在一个实施例中,该方法还包括:若会话信息中包括病历图像,提取病历图像,将病历图像输入至已训练的字符识别模型;对病历图像进行预处理,得到对应的对应的灰度图像信息;对灰度图像信息进行字符切分,得到多个切分后的字符;对多个切分后的字符进行特征提取,得到对应的多个特征向量;通过字符识别模型对多个特征向量进行识别分析,得到对应的字符识别结果;将字符识别结果按照预设格式转换为对应的病历文本信息。
其中,服务器的数据库中预先存储了多种项目推荐数据,例如可以包括医疗检查项目推荐信息、疾病症状结束信息、疾病并发症信息以及健康资讯信息等推送信息。其中,字符识别模型可以是基于神经网络的机器学习模型。
用户利用对应的用户终端进行交互问答以进行医疗信息咨询时,还可以上传病历图像。服务器接收到用户终端发送的会话信息后,若识别到会话信息中包括病历图像时,服务器则通过预设的字符识别模型对病历图像进行文本字符识别。具体地,服务器可以对病历图像中的图像格式数据进行灰度化、降噪、二值化、字符切分以及归一化等处理。服务器对病历图像进行预处理后,得到对应的灰度图像信息。服务器则对灰度图像信息进行字符切分,得到多个切分后的字符。服务器进一步对多个切分后的字符进行特征提取和降维,得到对应的多个特征向量,服务器进而通过字符识别模型多个特征向量进行识别分类,得到对应的字符识别结果。具体地,服务器计算多个字符对应的特征向量与预设字符库中预设数量的相似的多个字符,并获取相似度最高的字符,将获取的相似度最高的字符作为识别出的字符,由此得到多个字符对应的识别结果数据。通过字符识别模型对多个切分后的字符数据进行识别,能够准确有效地识别出会话信息中病历图像对应的文本字符信息。
进一步地,服务器通过字符识别模型对多个特征向量进行识别分类得到识别结果数据后,还可以进一步获取预设的语义分析模型,通过语义模型对识别数据进行上下文分析和校正,进而得到校正后的字符识别结果。通过利用字符识别模型对病历图像进行识别后,进一步利用语义分析模型对识别的结果进行进一步分析和校正,由此能够有效地提高字符识别的准确率。
服务器对包括病历文本信息的会话信息进行预处理和分词处理,得到多个会话文本。通过意图识别模型对会话信息进行意图识别,由此能够准确有效地识别出会话信息对应的意图类型,服务器进而通过已训练的信息抽取模型,计算多个会话文本与结构化语料库中多个结构化文本的匹配度,由此能够精准地分析出多个会话文本对应的目标字段信息,从而能够根据意图类型和目标字段信息有效地生成对应的目标咨询信息。根据目标咨询信息匹配数据库中相对应的目标推送信息,并将目标推送信息发送至对应的用户终端。通过识别用户会话信息的意图,进而识别并抽取出会话信息中结构化的字段信息,有效地提高了会话信息中特定领域的结构化文本对应的目标咨询信息的识别准确性,从而能够精准有效地根据目标咨询信息向用户相匹配的推送信息。
在一个实施例中,在响应用户终端发送的交互请求之前,还包括构建信息抽取模型的步骤,该步骤具体包括:获取多个样本数据,将样本数据分为训练集和验证集,样本数据包括多个语料文本和结构化文本;将训练数据输入至预设网络模型中,根据预设网络模型训练多个语料文本和结构化文本的关联关系,并生成初始信息抽取模型;利用验证集对初始信息抽取模型进行进一步训练和验证,得到多个验证数据对应的类别概率;直到验证数据对应的类别概率在预设范围内的数量达到预设阈值时,停止训练,得到所需的信息抽取模型。
服务器在响应用户终端发送的交互请求之前,还可以预先构建和训练出信息抽取模型。其中,样本数据包括多个语料文本和结构化文本,训练集中的样本数据可以是经过人工标注后的多个语料文本和结构化文本,验证集中是未标注的多个语料文本和结构化文本。例如,样本数据可以为医疗语料库,医疗语料库中可以包括多个类别属性对应的语料库,例如可以包括临床表现语料库、检查语料库、检验语料库、鉴别诊断语料库、并发症语料库以及药品语料库等。
具体地,服务器可以预先从本地数据库或第三方数据库中获取大量的样本数据,并将大量的样本数据生成训练集和验证集。服务器将训练数据输入至预设网络模型中,通过预设对训练集中的数据进行训练,以训练多个语料文本和结构化文本的关联关系,得到初始信息抽取模型。服务器进一步利用验证集中的数据对初始信息抽取模型进行训练,当验证集数据满足阈值的数量达到预设数量时,则停止训练,从而可以得到训练完成的信息抽取模型。
进一步的,服务器还可以将信息抽取模型发送至复核终端,以使复核终端对信息抽取模型进行复核和优化,进而得到所需的信息抽取模型。通过对大量的语料数据进行训练构建出信息抽取模型,并进一步通过复核终端对信息抽取模型进行复核和优化,能够有效地构建出准确性较高的信息抽取模型从而能够有效提高文本识别抽取的准确性。
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,提供了一种基于人机交互的信息推送装置,包括:信息接收模块502、文本分词模块504、意图识别模块506、字段提取模块508和信息推送模块510,其中:
信息接收模块502,用于接收用户终端发送会话信息,根据会话信息识别用户标识;
文本分词模块504,用于对会话信息进行预处理和分词处理,得到多个会话文本;
意图识别模块506,用于将多个会话文本输入已训练的意图识别模型,通过意图识别模型对会话信息进行意图识别,输出会话信息对应的意图类型;
字段提取模块508,用于将多个会话文本输入至已训练的信息抽取模型,计算多个会话文本与结构化语料库中多个结构化文本的匹配度,得到多个会话文本对应的目标字段信息;根据意图类型和目标字段信息生成对应的目标咨询信息;
信息推送模块510,用于根据目标咨询信息匹配对应的目标推送信息,并将目标推送信息发送至用户标识对应的用户终端。
在一个实施例中,意图识别模块506还用于提取多个会话文本的关键词文本;提取多个关键词文本的文本向量,计算文本块向量对应多个意图事件的概率值;当概率值达到预设阈值时,获取所述概率值对应的意图事件,将意图事件确定为会话信息的用户意图信息。
在一个实施例中,字段提取模块508还用于根据文本向量计算多个会话文本的上下文关联性,提取上下文关联性达到阈值的会话文本,并生成对应的文本块;计算文本块与结构化语料库中多个结构化文本的匹配度;提取匹配度达到预设阈值的结构化文本,将结构化文本确定为会话文本对应的目标字段;目标字段包括相应的字段类别。
在一个实施例中,字段提取模块508还用于若不存在与目标咨询信息相匹配的推送信息,根据意图类型识别目标咨询信息的缺失信息;信息推送模块510还用于根据缺失信息生成系统交互信息,并将系统交互信息发送至用户终端;信息接收模块502还用于接收用户终端根据系统交互信息发送的用户交互信息;重复对包括系统交互信息和用户交互信息的会话信息进行预处理和分词处理的步骤,息推送模块510还用于直到得到与目标咨询信息相匹配的推送信息,并将目标推送信息发送至用户终端。
在一个实施例中,息推送模块510还用于根据意图类型获取多个推送信息;推送信息包括相应的属性信息;计算目标咨询信息与多个推送信息对应的属性信息的匹配度;获取匹配度达到预设阈值的推送信息,将推送信息发送至用户终端。
在一个实施例中,该装置还包括图像信息识别模块,用于若会话信息中包括病历图像,提取病历图像,将病历图像输入至已训练的字符识别模型;对病历图像进行预处理,得到对应的灰度图像信息;对灰度图像信息进行字符切分,得到多个切分后的字符;对多个切分后的字符进行特征提取,得到对应的多个特征向量;通过字符识别模型对多个特征向量进行识别分析,得到对应的字符识别结果;将字符识别结果按照预设格式转换为对应的病历文本信息。
在一个实施例中,该装置还包括模型构建模块,用于获取多个样本数据,将样本数据分为训练集和验证集,样本数据包括多个语料文本和结构化文本;将训练数据输入至预设网络模型中,根据预设网络模型训练多个语料文本和结构化文本的关联关系,并生成初始信息抽取模型;利用验证集对初始信息抽取模型进行进一步训练和验证,得到多个验证数据对应的类别概率;直到验证数据对应的类别概率在预设范围内的数量达到预设阈值时,停止训练,得到所需的信息抽取模型。
关于基于人机交互的信息推送装置的具体限定可以参见上文中对于基于人机交互的信息推送方法的限定,在此不再赘述。上述基于人机交互的信息推送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会话信息、推送信息等数据。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本申请任意一个实施例中提供的基于人机交互的信息推送方法的步骤。
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本申请任意一个实施例中提供的基于人机交互的信息推送方法的步骤。
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)
1.一种基于人机交互的信息推送方法,所述方法包括:
接收用户终端发送的会话信息,根据所述会话信息识别用户标识;
对所述会话信息进行预处理和分词处理,得到多个会话文本;
将所述多个会话文本输入已训练的意图识别模型,通过所述意图识别模型对所述会话信息进行意图识别,输出所述会话信息对应的意图类型;
将所述多个会话文本输入至已训练的信息抽取模型,计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度,得到所述多个会话文本对应的目标字段信息;
根据所述意图类型和所述目标字段信息生成对应的目标咨询信息;
根据所述目标咨询信息匹配对应的目标推送信息,并将所述目标推送信息发送至所述用户标识对应的用户终端。
2.根据权利要求1所述的方法,其特征在于,所述通过所述意图识别模型对所述会话信息进行意图识别的步骤包括:
提取所述多个会话文本的关键词文本;
提取所述多个关键词文本的文本向量,计算文本块向量对应多个意图事件的概率值;
当概率值达到预设阈值时,获取所述概率值对应的意图事件,将所述意图事件确定为所述会话信息的用户意图信息。
3.根据权利要求2所述的方法,其特征在于,所述得到所述多个会话文本对应的目标字段信息的步骤包括:
根据文本向量计算多个会话文本的上下文关联性,提取所述上下文关联性达到阈值的会话文本,并生成对应的文本块;
计算所述文本块与结构化语料库中多个结构化文本的匹配度;
提取所述匹配度达到预设阈值的结构化文本,将所述结构化文本确定为会话文本对应的目标字段;所述目标字段包括相应的字段类别。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述会话信息包括系统交互信息和用户交互信息,所述方法还包括:
若不存在与所述目标咨询信息相匹配的推送信息,根据所述意图类型识别所述目标咨询信息的缺失信息;
根据所述缺失信息生成系统交互信息,并将所述系统交互信息发送至所述用户终端;
接收所述用户终端根据所述系统交互信息发送的用户交互信息;
重复对包括所述系统交互信息和所述用户交互信息的会话信息进行预处理和分词处理的步骤,直到得到与所述目标咨询信息相匹配的推送信息,并将所述目标推送信息发送至所述用户终端。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标咨询信息匹配对应的目标推送信息的步骤包括:
根据所述意图类型获取多个推送信息;所述推送信息包括相应的属性信息;
计算所述目标咨询信息与多个推送信息对应的属性信息的匹配度;
获取所述匹配度达到预设阈值的推送信息,将所述推送信息发送至所述用户终端。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
若所述会话信息中包括病历图像,提取所述病历图像,将所述病历图像输入至已训练的字符识别模型;
对所述病历图像进行预处理,得到对应的灰度图像信息;
对所述灰度图像信息进行字符切分,得到多个切分后的字符;
对所述多个切分后的字符进行特征提取,得到对应的多个特征向量;
通过所述字符识别模型对所述多个特征向量进行识别分析,得到对应的字符识别结果;
将所述字符识别结果按照预设格式转换为对应的病历文本信息。
7.根据权利要求1所述的方法,其特征在于,在响应用户终端发送的交互请求之前,还包括:
获取多个样本数据,将所述样本数据分为训练集和验证集,所述样本数据包括多个语料文本和结构化文本;
将所述训练数据输入至预设网络模型中,根据所述预设网络模型训练多个语料文本和结构化文本的关联关系,并生成初始信息抽取模型;
利用所述验证集对所述初始信息抽取模型进行进一步训练和验证,得到多个验证数据对应的类别概率;
直到所述验证数据对应的类别概率在预设范围内的数量达到预设阈值时,停止训练,得到所需的信息抽取模型。
8.一种基于人机交互的信息推送装置,所述装置包括:
信息接收模块,用于接收用户终端发送会话信息,根据所述会话信息识别用户标识;
文本分词模块,用于对所述会话信息进行预处理和分词处理,得到多个会话文本;
意图识别模块,用于将所述多个会话文本输入已训练的意图识别模型,通过所述意图识别模型对所述会话信息进行意图识别,输出所述会话信息对应的意图类型;
字段提取模块,用于将所述多个会话文本输入至已训练的信息抽取模型,计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度,得到所述多个会话文本对应的目标字段信息;根据所述意图类型和所述目标字段信息生成对应的目标咨询信息;
信息推送模块,用于根据所述目标咨询信息匹配对应的目标推送信息,并将所述目标推送信息发送至所述用户标识对应的用户终端。
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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910968905.0A CN110909137A (zh) | 2019-10-12 | 2019-10-12 | 基于人机交互的信息推送方法、装置和计算机设备 |
PCT/CN2019/116150 WO2021068321A1 (zh) | 2019-10-12 | 2019-11-07 | 基于人机交互的信息推送方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910968905.0A CN110909137A (zh) | 2019-10-12 | 2019-10-12 | 基于人机交互的信息推送方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110909137A true CN110909137A (zh) | 2020-03-24 |
Family
ID=69815357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910968905.0A Pending CN110909137A (zh) | 2019-10-12 | 2019-10-12 | 基于人机交互的信息推送方法、装置和计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110909137A (zh) |
WO (1) | WO2021068321A1 (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597808A (zh) * | 2020-04-24 | 2020-08-28 | 北京百度网讯科技有限公司 | 仪表盘绘制处理方法、装置、电子设备和存储介质 |
CN111858890A (zh) * | 2020-07-23 | 2020-10-30 | 平安证券股份有限公司 | 基于机器人的咨询方法、咨询机器人、计算机设备及介质 |
CN111933291A (zh) * | 2020-09-03 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 医疗信息推荐装置、方法、系统、设备及可读存储介质 |
CN112307168A (zh) * | 2020-10-30 | 2021-02-02 | 康键信息技术(深圳)有限公司 | 基于人工智能的问诊会话处理方法、装置和计算机设备 |
CN112364128A (zh) * | 2020-11-06 | 2021-02-12 | 北京乐学帮网络技术有限公司 | 一种信息处理的方法、装置、计算机设备和存储介质 |
CN112399019A (zh) * | 2020-09-16 | 2021-02-23 | 中国农业银行股份有限公司河北省分行 | 智能外呼方法、终端设备及可读存储介质 |
CN112801721A (zh) * | 2021-04-13 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、电子设备及存储介质 |
CN113158692A (zh) * | 2021-04-22 | 2021-07-23 | 中国平安财产保险股份有限公司 | 基于语义识别的多意图处理方法、系统、设备及存储介质 |
CN113239276A (zh) * | 2021-05-31 | 2021-08-10 | 上海明略人工智能(集团)有限公司 | 一种基于会话信息确定推荐物料的方法和装置 |
CN113360622A (zh) * | 2021-06-22 | 2021-09-07 | 中国平安财产保险股份有限公司 | 用户对话信息的处理方法、装置及计算机设备 |
CN113590936A (zh) * | 2021-07-02 | 2021-11-02 | 支付宝(杭州)信息技术有限公司 | 信息推送的方法及装置 |
CN113590778A (zh) * | 2021-06-30 | 2021-11-02 | 上海一谈网络科技有限公司 | 智能客服意图理解方法、装置、设备及存储介质 |
CN113949834A (zh) * | 2021-09-01 | 2022-01-18 | 北京新氧万维科技咨询有限公司 | 一种视频展示方法、装置、电子设备及存储介质 |
CN114244795A (zh) * | 2021-12-16 | 2022-03-25 | 北京百度网讯科技有限公司 | 一种信息的推送方法、装置、设备及介质 |
CN114520826A (zh) * | 2021-12-31 | 2022-05-20 | 珠海华发金融科技研究院有限公司 | 跨平台信息匹配方法、装置及云端智能机器人 |
CN115514728A (zh) * | 2022-09-27 | 2022-12-23 | 平安科技(深圳)有限公司 | 消息推送方法、装置、计算机设备及存储介质 |
CN115712706A (zh) * | 2022-11-07 | 2023-02-24 | 贝壳找房(北京)科技有限公司 | 一种基于会话确定动作决策的方法及装置 |
CN117271778A (zh) * | 2023-11-17 | 2023-12-22 | 北京水滴科技集团有限公司 | 基于生成式大模型的保险外呼会话信息输出方法及装置 |
CN117709361A (zh) * | 2024-02-06 | 2024-03-15 | 北京水滴科技集团有限公司 | 会话场景的模型生成方法、装置及设备 |
CN117709361B (zh) * | 2024-02-06 | 2024-04-26 | 北京水滴科技集团有限公司 | 会话场景的模型生成方法、装置及设备 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109408631B (zh) * | 2018-09-03 | 2023-06-20 | 深圳平安医疗健康科技服务有限公司 | 药品数据处理方法、装置、计算机设备和存储介质 |
CN113139816A (zh) * | 2021-04-26 | 2021-07-20 | 北京沃东天骏信息技术有限公司 | 信息处理方法、装置、电子设备和存储介质 |
CN113342945A (zh) * | 2021-05-11 | 2021-09-03 | 北京三快在线科技有限公司 | 一种语音会话处理方法及装置 |
CN113343108B (zh) * | 2021-06-30 | 2023-05-26 | 中国平安人寿保险股份有限公司 | 推荐信息处理方法、装置、设备及存储介质 |
CN113609851A (zh) * | 2021-07-09 | 2021-11-05 | 浙江连信科技有限公司 | 心理学上想法认知偏差的识别方法、装置及电子设备 |
CN113672719A (zh) * | 2021-09-08 | 2021-11-19 | 中国平安人寿保险股份有限公司 | 对话辅助信息推送方法、装置、计算机设备及存储介质 |
CN113743129B (zh) * | 2021-09-30 | 2023-09-26 | 平安科技(深圳)有限公司 | 基于神经网络的信息推送方法、系统、设备及介质 |
CN114218363B (zh) * | 2021-11-23 | 2023-04-18 | 深圳市领深信息技术有限公司 | 基于大数据和ai的服务内容生成方法及人工智能云系统 |
CN114124860A (zh) * | 2021-11-26 | 2022-03-01 | 中国联合网络通信集团有限公司 | 会话管理方法、装置、设备及存储介质 |
CN114898837A (zh) * | 2022-07-12 | 2022-08-12 | 浙江口碑网络技术有限公司 | 药品推荐方法、服务器、用户端、存储介质及电子设备 |
CN116208418A (zh) * | 2022-09-14 | 2023-06-02 | 曹小芳 | 一种基于深度学习的入侵攻击事件识别方法及存储介质 |
CN116521822B (zh) * | 2023-03-15 | 2024-02-13 | 上海帜讯信息技术股份有限公司 | 基于5g消息多轮会话机制的用户意图识别方法和装置 |
CN116383365B (zh) * | 2023-06-01 | 2023-09-08 | 广州里工实业有限公司 | 一种基于智能制造的学习资料生成方法、系统及电子设备 |
CN116580408B (zh) * | 2023-06-06 | 2023-11-03 | 上海任意门科技有限公司 | 一种图像生成方法、装置、电子设备及存储介质 |
CN116610790B (zh) * | 2023-07-18 | 2023-10-10 | 阿里健康科技(中国)有限公司 | 应答数据的获取方法、装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522393A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
US20190114513A1 (en) * | 2017-10-13 | 2019-04-18 | International Business Machines Corporation | Building cognitive conversational system associated with textual resource clustering |
WO2019101210A1 (zh) * | 2017-11-27 | 2019-05-31 | 中兴通讯股份有限公司 | 智能问答方法及装置 |
CN110110062A (zh) * | 2019-04-30 | 2019-08-09 | 贝壳技术有限公司 | 机器智能问答方法、装置与电子设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107729392B (zh) * | 2017-09-19 | 2020-07-10 | 广州市妇女儿童医疗中心 | 文本结构化方法、装置、系统和非易失性存储介质 |
US20190164064A1 (en) * | 2017-11-27 | 2019-05-30 | Shanghai Xiaoi Robot Technology Co., Ltd. | Question and answer interaction method and device, and computer readable storage medium |
CN108446322B (zh) * | 2018-02-10 | 2022-03-25 | 灯塔财经信息有限公司 | 一种智能问答系统的实现方法和装置 |
CN109857848A (zh) * | 2019-01-18 | 2019-06-07 | 深圳壹账通智能科技有限公司 | 交互内容生成方法、装置、计算机设备及存储介质 |
-
2019
- 2019-10-12 CN CN201910968905.0A patent/CN110909137A/zh active Pending
- 2019-11-07 WO PCT/CN2019/116150 patent/WO2021068321A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190114513A1 (en) * | 2017-10-13 | 2019-04-18 | International Business Machines Corporation | Building cognitive conversational system associated with textual resource clustering |
WO2019101210A1 (zh) * | 2017-11-27 | 2019-05-31 | 中兴通讯股份有限公司 | 智能问答方法及装置 |
CN109522393A (zh) * | 2018-10-11 | 2019-03-26 | 平安科技(深圳)有限公司 | 智能问答方法、装置、计算机设备和存储介质 |
CN110110062A (zh) * | 2019-04-30 | 2019-08-09 | 贝壳技术有限公司 | 机器智能问答方法、装置与电子设备 |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597808A (zh) * | 2020-04-24 | 2020-08-28 | 北京百度网讯科技有限公司 | 仪表盘绘制处理方法、装置、电子设备和存储介质 |
CN111858890A (zh) * | 2020-07-23 | 2020-10-30 | 平安证券股份有限公司 | 基于机器人的咨询方法、咨询机器人、计算机设备及介质 |
CN111858890B (zh) * | 2020-07-23 | 2023-07-21 | 平安证券股份有限公司 | 基于机器人的咨询方法、咨询机器人、计算机设备及介质 |
CN111933291A (zh) * | 2020-09-03 | 2020-11-13 | 平安国际智慧城市科技股份有限公司 | 医疗信息推荐装置、方法、系统、设备及可读存储介质 |
CN112399019A (zh) * | 2020-09-16 | 2021-02-23 | 中国农业银行股份有限公司河北省分行 | 智能外呼方法、终端设备及可读存储介质 |
CN112307168B (zh) * | 2020-10-30 | 2023-11-07 | 康键信息技术(深圳)有限公司 | 基于人工智能的问诊会话处理方法、装置和计算机设备 |
CN112307168A (zh) * | 2020-10-30 | 2021-02-02 | 康键信息技术(深圳)有限公司 | 基于人工智能的问诊会话处理方法、装置和计算机设备 |
CN112364128A (zh) * | 2020-11-06 | 2021-02-12 | 北京乐学帮网络技术有限公司 | 一种信息处理的方法、装置、计算机设备和存储介质 |
CN112801721A (zh) * | 2021-04-13 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、电子设备及存储介质 |
CN112801721B (zh) * | 2021-04-13 | 2021-08-10 | 腾讯科技(深圳)有限公司 | 信息处理方法、装置、电子设备及存储介质 |
CN113158692A (zh) * | 2021-04-22 | 2021-07-23 | 中国平安财产保险股份有限公司 | 基于语义识别的多意图处理方法、系统、设备及存储介质 |
CN113158692B (zh) * | 2021-04-22 | 2023-09-12 | 中国平安财产保险股份有限公司 | 基于语义识别的多意图处理方法、系统、设备及存储介质 |
CN113239276A (zh) * | 2021-05-31 | 2021-08-10 | 上海明略人工智能(集团)有限公司 | 一种基于会话信息确定推荐物料的方法和装置 |
CN113360622B (zh) * | 2021-06-22 | 2023-10-24 | 中国平安财产保险股份有限公司 | 用户对话信息的处理方法、装置及计算机设备 |
CN113360622A (zh) * | 2021-06-22 | 2021-09-07 | 中国平安财产保险股份有限公司 | 用户对话信息的处理方法、装置及计算机设备 |
CN113590778A (zh) * | 2021-06-30 | 2021-11-02 | 上海一谈网络科技有限公司 | 智能客服意图理解方法、装置、设备及存储介质 |
CN113590936B (zh) * | 2021-07-02 | 2023-11-14 | 支付宝(杭州)信息技术有限公司 | 信息推送的方法及装置 |
CN113590936A (zh) * | 2021-07-02 | 2021-11-02 | 支付宝(杭州)信息技术有限公司 | 信息推送的方法及装置 |
CN113949834A (zh) * | 2021-09-01 | 2022-01-18 | 北京新氧万维科技咨询有限公司 | 一种视频展示方法、装置、电子设备及存储介质 |
CN114244795A (zh) * | 2021-12-16 | 2022-03-25 | 北京百度网讯科技有限公司 | 一种信息的推送方法、装置、设备及介质 |
CN114244795B (zh) * | 2021-12-16 | 2024-02-09 | 北京百度网讯科技有限公司 | 一种信息的推送方法、装置、设备及介质 |
CN114520826A (zh) * | 2021-12-31 | 2022-05-20 | 珠海华发金融科技研究院有限公司 | 跨平台信息匹配方法、装置及云端智能机器人 |
CN114520826B (zh) * | 2021-12-31 | 2024-04-05 | 珠海华发金融科技研究院有限公司 | 跨平台信息匹配方法、装置及云端智能机器人 |
CN115514728A (zh) * | 2022-09-27 | 2022-12-23 | 平安科技(深圳)有限公司 | 消息推送方法、装置、计算机设备及存储介质 |
CN115514728B (zh) * | 2022-09-27 | 2024-05-03 | 平安科技(深圳)有限公司 | 消息推送方法、装置、计算机设备及存储介质 |
CN115712706B (zh) * | 2022-11-07 | 2023-09-15 | 贝壳找房(北京)科技有限公司 | 一种基于会话确定动作决策的方法及装置 |
CN115712706A (zh) * | 2022-11-07 | 2023-02-24 | 贝壳找房(北京)科技有限公司 | 一种基于会话确定动作决策的方法及装置 |
CN117271778A (zh) * | 2023-11-17 | 2023-12-22 | 北京水滴科技集团有限公司 | 基于生成式大模型的保险外呼会话信息输出方法及装置 |
CN117271778B (zh) * | 2023-11-17 | 2024-02-09 | 北京水滴科技集团有限公司 | 基于生成式大模型的保险外呼会话信息输出方法及装置 |
CN117709361A (zh) * | 2024-02-06 | 2024-03-15 | 北京水滴科技集团有限公司 | 会话场景的模型生成方法、装置及设备 |
CN117709361B (zh) * | 2024-02-06 | 2024-04-26 | 北京水滴科技集团有限公司 | 会话场景的模型生成方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2021068321A1 (zh) | 2021-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110909137A (zh) | 基于人机交互的信息推送方法、装置和计算机设备 | |
CN110765265B (zh) | 信息分类抽取方法、装置、计算机设备和存储介质 | |
CN110021439B (zh) | 基于机器学习的医疗数据分类方法、装置和计算机设备 | |
CN109446302B (zh) | 基于机器学习的问答数据处理方法、装置和计算机设备 | |
CN110096570B (zh) | 一种应用于智能客服机器人的意图识别方法及装置 | |
CN108427707B (zh) | 人机问答方法、装置、计算机设备和存储介质 | |
WO2020147395A1 (zh) | 基于情感的文本分类处理方法、装置和计算机设备 | |
CN109992664B (zh) | 争议焦点的标注分类方法、装置、计算机设备和存储介质 | |
CN109522393A (zh) | 智能问答方法、装置、计算机设备和存储介质 | |
CN109087205B (zh) | 舆情指数的预测方法及装置、计算机设备和可读存储介质 | |
CN113094578B (zh) | 基于深度学习的内容推荐方法、装置、设备及存储介质 | |
CN112036154A (zh) | 基于问诊对话的电子病历生成方法、装置和计算机设备 | |
WO2020233131A1 (zh) | 问答处理方法、装置、计算机设备和存储介质 | |
WO2021159670A1 (zh) | 智能问答中未知问题处理方法、装置、计算机设备和介质 | |
CN110688499A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN110633475A (zh) | 基于计算机场景的自然语言理解方法、装置、系统和存储介质 | |
CN111783471A (zh) | 自然语言的语义识别方法、装置、设备及存储介质 | |
CN112632258A (zh) | 文本数据处理方法、装置、计算机设备和存储介质 | |
CN111859916A (zh) | 古诗关键词提取、诗句生成方法、装置、设备及介质 | |
CN111180025A (zh) | 表示病历文本向量的方法、装置及问诊系统 | |
CN110717021A (zh) | 人工智能面试中获取输入文本和相关装置 | |
CN112632248A (zh) | 问答方法、装置、计算机设备和存储介质 | |
CN112580329B (zh) | 文本噪声数据识别方法、装置、计算机设备和存储介质 | |
CN112215014A (zh) | 基于用户评论的画像生成方法、装置、介质及设备 | |
CN114139551A (zh) | 意图识别模型的训练方法及装置、意图识别的方法及装置 |
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 |