CN111694942A - 问答方法、装置、设备及计算机可读存储介质 - Google Patents
问答方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111694942A CN111694942A CN202010475861.0A CN202010475861A CN111694942A CN 111694942 A CN111694942 A CN 111694942A CN 202010475861 A CN202010475861 A CN 202010475861A CN 111694942 A CN111694942 A CN 111694942A
- Authority
- CN
- China
- Prior art keywords
- question
- determined
- target
- questioning
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 166
- 239000011159 matrix material Substances 0.000 claims description 49
- 230000000875 corresponding effect Effects 0.000 claims description 40
- 230000015654 memory Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract description 2
- 239000008280 blood Substances 0.000 description 16
- 210000004369 blood Anatomy 0.000 description 16
- 230000036772 blood pressure Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- XZWYZXLIPXDOLR-UHFFFAOYSA-N metformin Chemical compound CN(C)C(=N)NC(N)=N XZWYZXLIPXDOLR-UHFFFAOYSA-N 0.000 description 9
- 229960003105 metformin Drugs 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000037396 body weight Effects 0.000 description 7
- 235000005911 diet Nutrition 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 4
- 239000000470 constituent Substances 0.000 description 4
- 230000037213 diet Effects 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 4
- 239000008103 glucose Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000035487 diastolic blood pressure Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000035488 systolic blood pressure Effects 0.000 description 3
- 229920001621 AMOLED Polymers 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 206010047513 Vision blurred Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000013550 semantic technology Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 208000024891 symptom Diseases 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
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请涉及人工智能中的语音语义领域,尤其涉及一种问答方法、装置、设备及计算机可读存储介质,应用于电子设备,该问答方法包括:基于用户输入的提问语句确定多个医疗属性信息;对所述提问语句进行预处理,得到多个待确定的提问意图;确定所述多个待确定的提问意图与所述多个医疗属性信息的相关性;基于所述相关性从所述多个待确定的提问意图中确定目标提问意图;从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句。采用本申请实施例可提高用户准确找到自己所需答案的速度。本申请还涉及区块链技术,同时本申请还可应用于智慧医疗领域中,从而推动智慧城市的建设。
Description
技术领域
本申请涉及人工智能中的语音语义技术领域,尤其涉及一种问答方法、装置、设备及计算机可读存储介质。
背景技术
由于医疗资源有限,看病难一直是我国亟待解决的民生问题,解决该问题的一个行之有效的方法是将医疗行业信息化。通过网上的医疗问答系统,用户可以足不出户地进行医疗系统方面的咨询,而不必去医院或者是诊所经历复杂的手续和漫长的等待。然而,现有的医疗问答系统是通过目录方式逐级设置细化问题,对于没有专业医疗知识的用户难以准确地找到自己需要的答案。
发明内容
本申请实施例提供一种问答方法、装置、设备及计算机可读存储介质,用于提高用户准确找到自己所需答案的速度。
第一方面,本申请实施例提供一种问答方法,应用于电子设备,所述方法包括:
基于用户输入的提问语句确定多个医疗属性信息,每个所述医疗属性信息包括医疗实体名称以及特异性生理参数;
对所述提问语句进行预处理,得到多个待确定的提问意图;
确定所述多个待确定的提问意图与所述多个医疗属性信息的相关性;
基于所述相关性从所述多个待确定的提问意图中确定目标提问意图;
从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句。
第二方面,本申请实施例提供一种问答装置,其特征在于,应用于电子设备,所述装置包括:
处理单元,用于基于用户输入的提问语句确定多个医疗属性信息,每个所述医疗属性信息包括医疗实体名称以及特异性生理参数;对所述提问语句进行预处理,得到多个待确定的提问意图;确定所述多个待确定的提问意图与所述多个医疗属性信息的相关性;基于所述相关性从所述多个待确定的提问意图中确定目标提问意图;从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句。
第三方面,本申请实施例提供一种电子设备,该电子设备包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如本申请实施例第一方面所述的方法中所描述的部分或全部步骤的指令。
第四方面,本申请实施例提供了一种计算机可读存储介质,其中,上述计算机可读存储介质用于存储计算机程序,其中,上述计算机程序被处理器执行,以实现如本申请实施例第一方面所述的方法中所描述的部分或全部步骤。
可以看出,在本申请实施例中,电子设备基于用户输入的提问语句确定多个医疗属性信息;对提问语句进行预处理,得到多个待确定的提问意图;确定多个待确定的提问意图与多个医疗属性信息的相关性;基于相关性从多个待确定的提问意图中确定目标提问意图;从目标提问意图关联的多个待确定的回答语句中,确定提问语句的目标回答语句;不需要用户在医疗问答系统中通过目录方式逐级查找自己所需问题的答案,直接给出目标回答语句,通过目标回答语句就可确定自己所需问题的答案,同时还减少了查找搜索答案的流程,不仅提高了用户准确找到自己所需答案的速度,而且还提高了答案的准确性。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种电子设备的结构示意图;
图2A是本申请实施例提供的一种问答方法的流程示意图;
图2B是本申请实施例提供的一种网络架构图;
图3是本申请实施例提供的另一种问答方法的流程示意图;
图4是本申请实施例提供的一种电子设备的结构示意图;
图5是本申请实施例提供的一种问答装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
以下分别进行详细说明。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
以下,对本申请中的部分用语进行解释说明,以便于本领域技术人员理解。
如图1所示,图1是本申请实施例提供的一种电子设备的结构示意图。该电子设备包括处理器、存储器、信号处理器、收发器、显示屏、扬声器、麦克风、随机存取存储器(Random Access Memory,RAM)、摄像头和传感器等等。其中,存储器、信号处理器、显示屏、扬声器、麦克风、RAM、摄像头、传感器与处理器连接,收发器与信号处理器连接。
其中,显示屏可以是液晶显示器(Liquid Crystal Display,LCD)、有机或无机发光二极管(Organic Light-Emitting Diode,OLED)、有源矩阵有机发光二极体面板(ActiveMatrix/Organic Light Emitting Diode,AMOLED)等。
其中,该摄像头可以是普通摄像头、也可以是红外摄像,在此不作限定。该摄像头可以是前置摄像头或后置摄像头,在此不作限定。
其中,传感器包括以下至少一种:光感传感器、陀螺仪、红外接近传感器、指纹传感器、压力传感器等等。其中,光感传感器,也称为环境光传感器,用于检测环境光亮度。光线传感器可以包括光敏元件和模数转换器。其中,光敏元件用于将采集的光信号转换为电信号,模数转换器用于将上述电信号转换为数字信号。可选的,光线传感器还可以包括信号放大器,信号放大器可以将光敏元件转换的电信号进行放大后输出至模数转换器。上述光敏元件可以包括光电二极管、光电三极管、光敏电阻、硅光电池中的至少一种。
其中,处理器是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器内的软体程序和/或模块,以及调用存储在存储器内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
其中,处理器可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器中。
其中,存储器用于存储软体程序和/或模块,处理器通过运行存储在存储器的软件程序和/或模块,从而执行电子设备的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的软体程序等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
下面对本申请实施例进行详细介绍。
请参阅图2A,图2A是本申请实施例提供的一种问答方法的流程示意图,应用于电子设备,所述方法包括:
步骤201:基于用户输入的提问语句确定多个医疗属性信息。
其中,本申请实施例可应用于智慧城市中,具体可涉及智慧城市中的智慧医疗领域中,智慧医疗的发展有利于改善医疗服务,以推动智慧城市的建设,将城市的系统与医疗服务进行打通以及集成,有利于提高整个城市资源的效率,有利于改善用户生活质量,以增加用户的生活便利性。
其中,上述提问语句可以是用户通过文字、语音、视频等方式输入的。上述每个所述医疗属性信息包括医疗实体名称以及特异性生理参数,实体名称包括药品名称、食物名称、症状名称、人体各器官名称等等。特异性生理参数包括患者血压值、患者血糖值、患者病程时间(如视力模糊三天)、患者病灶部位(如左脚浮肿)等等。
举例说明,例如用户的提问语句例如可以为“我的血糖13,血压150/120,体重80,二甲双胍应该用多大剂量?饮食有什么忌口?”,该提问语句中的医疗实体名称包括“二甲双胍”,特异性生理参数“血糖13”、“血压150/120”、“体重80”。
可选地,为了增强用户的隐私性,在具体处理中,可将上述医疗属性信息存储于区块链中,本申请实施例中所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain),本质上是一个去中心化的数据库,是一串使用密码学方法相关联产生的数据块,每一个数据块中包含了一批次网络交易的信息,用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
步骤202:对所述提问语句进行预处理,得到多个待确定的提问意图。
进一步地,电子设备中可包括数据库,该数据库中可包括多个预设提问意图,该预设提问意图可由用户自行设置或者系统默认,上述预处理可为用户自行设置或者系统默认,具体地,可通过识别提问语句,得到提问语句的语义,然后从多个预设提问意图中查找包括提问语句的语义的预设提问意图,最后,可将查找到的预设提问意图作为多个待确定的提问意图。
步骤203:确定所述多个待确定的提问意图与所述多个医疗属性信息的相关性。
其中,关联性可以用二元数值表示,例如1和0,1表示相关,0表示不相关,还可以用除1和0之外的其他数值表示。关联性还可以用一个数值范围表示,例如0~1,0表示不相关,1表示最相关。
步骤204:基于所述相关性从所述多个待确定的提问意图中确定目标提问意图。
其中,目标提问意图例如可以为与每个医疗属性信息的相关性均大于或等于第一预设阈值的待确定的提问意图,也可以为与至少一个医疗属性信息的相关性大于或等于第二预设阈值待确定的提问意图,第一预设阈值以及第二预设阈值可为用户自行设置或者系统默认,另外,该第一预设阈值可以与第二预设阈值相等,也可以不相等;目标提问意图可以是一个,也可以是多个,在此不做限定。
步骤205:从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句。
进一步地,从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句,可以为确定该提问语句与每个待确定的回答语句的匹配度,通过该提问语句与每个待确定的回答语句的匹配度确定目标回答语句。
可以看出,在本申请实施例中,电子设备基于用户输入的提问语句确定多个医疗属性信息,每个医疗属性信息包括医疗实体名称以及特异性生理参数;对提问语句进行预处理,得到多个待确定的提问意图;确定多个待确定的提问意图与多个医疗属性信息的相关性;基于相关性从多个待确定的提问意图中确定目标提问意图;从目标提问意图关联的多个待确定的回答语句中,确定提问语句的目标回答语句;不需要用户在医疗问答系统中通过目录方式逐级查找自己所需问题的答案,直接给出目标回答语句,通过目标回答语句就可确定自己所需问题的答案,同时还减少了查找搜索答案的流程,不仅提高了用户准确找到自己所需答案的速度,而且还提高了答案的准确性。
在本申请的一实现方式中,所述基于用户输入的提问语句确定多个医疗属性信息,包括:
从用户输入的提问语句中提取得到多个医疗属性关键词;
将每个所述医疗属性关键词嵌入到向量空间,得到多个医疗属性词向量;
通过第一隐层将所述多个医疗属性词向量转化为一维列向量,得到第一列向量;
通过第二隐层将所述第一列向量转化为第二列向量,所述第二列向量包括的多个列矩阵元分别对应表示多个医疗属性信息。
其中,从用户输入的提问语句中提取得到多个医疗属性关键词可以采用规则引擎方式从用户输入的提问语句中提取。规则引擎是将实体抽取逻辑从代码中剥离出来的一种方法(常用的是Drools)。规则引擎使用预定义的语言将规则写成标准形式,系统运行时采用单独模块驱动解析规则,而不是从代码中读取规则。这增加了规则的可移植性、可维护性,同时由于独立于代码框架,使得代码运行的效率更高。不考虑效率及工程方面的优化,规则引擎可以简单的理解为基于规则的抽取。
进一步地,通过规则引擎方式从所述提问语句中提取医疗属性信息,包括:获取提问语句的起始坐标和结束坐标;基于所述起始坐标和所述结束坐标确定搜寻坐标范围;通过规则引擎方式在所述搜寻坐标范围内提取医疗属性信息。
例如,针对患者血糖的规则引擎定义如下:(1)关键字“血糖”+数字;(2)关键字“学糖”或“雪糖”或“血唐”等+数字;(3)关键字“血糖”+虚词“是”或“为”或“值”等+数字。其中规则(2)针对错别字情况,规则(3)针对在关键词和数字之间包含无实际意义虚词的情况。
可以看出,在本申请实施例中,从用户输入的提问语句中提取得到多个医疗属性关键词,然后将每个医疗属性关键词向量化以及通过第一隐层和第二隐层转化为列向量,列向量的形式表示多个医疗属性信息有利于后续确定多个待确定的提问意图与多个医疗属性信息的相关性。
在本申请的一实现方式中,所述对所述提问语句进行预处理,得到多个待确定的提问意图,包括:
对所述提问语句进行分词处理,得到多个提问关键词;
将每个所述提问关键词嵌入到向量空间,得到多个提问词向量;
通过第三隐层将所述多个提问词向量转化为一维列向量,得到第三列向量;
通过第四隐层将所述第三列向量转化为第四列向量;
将所述第二列向量与所述第四列向量进行拼接,得到第五列向量;
通过第五隐层将所述第五列向量转化为一维行向量,得到第一行向量,所述第一行向量包括的多个行矩阵元分别对应表示多个待确定的提问意图。
举例说明,例如用户的提问语句例如可以为“我的血糖13,血压150/120,体重80,二甲双胍应该用多大剂量?饮食有什么忌口?”,对该提问语句进行分词处理,得到多个提问关键词“我”、“的”、“血糖13”、“血压150/120”、“体重80”、“二甲双胍”、“应该”、“用”、“多大”、“剂量”、“饮食”、“有”、“什么”、“忌口”。
进一步地,对所述提问语句进行分词处理,得到多个提问关键词,包括:基于所述提问语句的语句构成成分对所述提问语句进行划分,得到多个第一关键词;根据所述语句构成成分对所述第一关键词进行过滤,得到多个提问关键词。
其中,语句构成成分包括以下至少一种:主语、谓语、宾语、定语、状语、补足语、中心语、动语。根据所述语句构成成分对所述第一关键词进行过滤则为删除目标语句构成成分的第一关键词,例如目标语句构成成分可以为主语,“我”、“我们”等,还可以删除如停用词、语气助词,“哦”、“啊”等。
需要说明的是第一隐层和第三隐层的具体构成可以相同,第二隐层和第四隐层的具体构成可以相同。
其中,向量拼接具体实现的方式例如可以如下:第二列向量为(a1、a2)T,第四列向量为(b1、b2、b3)T,则拼接后得到的第五列向量可以为(a1、a2、b1、b2、b3)T。
可以看出,在本申请实施例中,从用户输入的提问语句中提取得到多个提问关键词,然后将每个提问关键词向量化以及通过第三隐层和第四隐层转化为列向量,最后对向量进行拼接和行向量转化,行向量的形式表示多个待确定的提问意图有利于后续确定多个待确定的提问意图与多个医疗属性信息的相关性。
在本申请的一实现方式中,所述确定所述多个待确定的提问意图与所述多个医疗属性信息的相关性,包括:
将所述第二列向量与所述第一行向量进行点乘运算,得到相关性矩阵,所述相关性矩阵用于表示所述多个待确定的提问意图与所述多个医疗属性信息的相关性,其中,所述相关性矩阵中的矩阵元的取值为1或0,所述1用于表示取值为所述1的矩阵元对应的待确定的提问意图与取值为所述1的矩阵元对应的医疗属性信息相关,所述0用于表示取值为所述0的矩阵元对应的待确定的提问意图与取值为所述1的矩阵元对应的医疗属性信息不相关。
进一步地,将所述第二列向量与所述第一行向量进行点乘运算,得到相关性矩阵,包括:将所述第二列向量与所述第一行向量进行点乘运算,得到第一矩阵;通过sigmoid将所述第一矩阵转化为相关性矩阵。其中,所述sigmoid用于将所述第一矩阵的矩阵元的值转化为0或1。
举例说明,如图2B所示,图2B是本申请实施例提供的一种网络架构图。将“二甲双胍”,特异性生理参数“血糖13”、“血压150/120”、“体重80”嵌入到向量空间,得到多个医疗属性词向量;然后通过如图2B所示的第一隐层将多个医疗属性词向量转化为一维列向量,得到第一列向量;再通过如图2B所示的第二隐层将第一列向量转化为第二列向量;同时,将多个提问关键词“我”、“的”、“血糖13”、“血压150/120”、“体重80”、“二甲双胍”、“应该”、“用”、“多大”、“剂量”、“饮食”、“有”、“什么”、“忌口”嵌入到向量空间,得到多个提问词向量;通过如图2B所示的第三隐层将多个提问词向量转化为一维列向量,得到第三列向量;然后通过如图2B所示的第四隐层将第三列向量转化为第四列向量;将第二列向量与第四列向量进行拼接,得到第五列向量;通过如图2B所示的第五隐层将第五列向量转化为一维行向量,得到第一行向量;将第二列向量与第一行向量进行点乘运算和通过sigmoid层转化,得到相关性矩阵。
举例说明,提问意图有两个“如何用药”和“如何饮食”,医疗属性信息有两个“血糖13”和“体重80”,如果相关性矩阵为则表示“如何用药”与“体重80”相关,“如何饮食”与“血糖13”相关;如果相关性矩阵为则表示“如何用药”与“血糖13”相关,“如何饮食”与“体重80”相关;如果相关性矩阵为则表示“如何用药”与“血糖13”和“体重80”均相关,“如何饮食”与“体重80”和“血糖13”均相关。
可以看出,在本申请实施例中,将第二列向量与所述第一行向量进行点乘运算,得到相关性矩阵,该相关性矩阵是考虑了多个医疗实体名称和特异性生理参数后得到的,与目标回答语句强相关的医疗实体名称和特异性生理参数权重占比将会更大,比只通过提问语句确定的目标回答语句准确度更高。
在本申请的一实现方式中,所述目标提问意图与所述多个医疗属性信息中的至少一个医疗属性信息相关。
在本申请的一实现方式中,基于所述相关性从所述多个待确定的提问意图中确定目标提问意图,包括:
基于所述相关性矩阵,确定所述多个待确定的提问意图中与所述多个医疗属性信息中每一医疗属性信息相关的占比,得到多个占比;
选取所述多个占比中大于第一预设阈值的占比对应的至少一个待确定的提问意图为目标待确定的提问意图,得到至少一个目标待确定的提问意图;
基于所述至少一个目标待确定的提问意图,确定所述目标提问意图。
其中,上述医疗属性信息可包括:医疗实体名称和特异性生理参数;上述相关性矩阵表示每一待确定的提问意图与每一医疗实体名称以及特异性胜利参数之间的相关性,如此,可基于该相关性矩阵,确定多个待确定的提问意图中每一待确定的提问意图与每一医疗实体名称以及特异性胜利参数在上述相关性矩阵中取值体现为1的个数占比矩阵中所有取值(包括1和0)的占比,如此,可得到与多个医疗属性信息相关的多个占比,并选取大于第一预设阈值的占比对应的至少一个待确定的提问意图为目标待确定的提问意图,占比越大,则表示相关性越强,最后,可将上述至少一个待确定的提问意图确定为上述目标提问意图。
在本申请的一实现方式中,所述目标提问意图与所述多个医疗属性信息中的至少一个医疗属性信息相关。
在本申请的一实现方式中,所述从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句,包括:
从每个所述待确定的回答语句中提取知识侧特征,得到多个知识侧特征;
从所述目标提问意图关联的多个医疗属性信息中,提取得到数据侧特征;
确定所述数据侧特征与每个所述知识侧特征的匹配度,得到多个匹配度;
确定所述多个匹配度中大于或等于预设匹配度的目标匹配度;
确定所述目标匹配度对应的目标知识侧特征;
将所述目标知识侧特征对应的待确定的回答语句作为所述提问语句的目标回答语句。
举例说明,例如用户的提问语句例如可以为“我的血糖13,血压150/120,体重80,应该如何降压?”。从中提取得到知识侧特征(13,150,120,80),此时判定用户的提问意图为询问服用何种降压药,该提问意图包括两条回答语句:a)年龄不超过40岁,收缩压不高于160,舒张压不高于120,服用格列奈。则该回答语句对应的知识侧特征可以表示为{格列奈:(<=40,<=160,<=120)};b)年龄超过40岁,收缩压不低于150,舒张压不低于105,服用二甲双胍。则该回答语句对应的知识侧特征可以表示为{二甲双胍:(>40,>=150,>=105)}。然后分别确定(13,150,120,80)与(<=40,<=160,<=120)的第二匹配度,(13,150,120,80)与(>40,>=150,>=105)的匹配度,将匹配度大的为目标匹配度,则将b)年龄超过40岁,收缩压不低于150,舒张压不低于105,服用二甲双胍。则该回答语句对应的知识侧特征可以表示为{二甲双胍:(>40,>=150,>=105)}为目标回答语句。
与所述图2A所示的实施例一致的,请参阅图3,图3是本申请实施例提供的一种问答方法的流程示意图,应用于电子设备,所述方法包括:
步骤301:从用户输入的提问语句中提取得到多个医疗属性关键词。
步骤302:将每个所述医疗属性关键词嵌入到向量空间,得到多个医疗属性词向量。
步骤303:通过第一隐层将所述多个医疗属性词向量转化为一维列向量,得到第一列向量。
步骤304:通过第二隐层将所述第一列向量转化为第二列向量,所述第二列向量包括的多个列矩阵元分别对应表示多个医疗属性信息,每个所述医疗属性信息包括医疗实体名称以及特异性生理参数。
步骤305:对所述提问语句进行分词处理,得到多个提问关键词。
步骤306:将每个所述提问关键词嵌入到向量空间,得到多个提问词向量。
步骤307:通过第三隐层将所述多个提问词向量转化为一维列向量,得到第三列向量。
步骤308:通过第四隐层将所述第三列向量转化为第四列向量。
步骤309:将所述第二列向量与所述第四列向量进行拼接,得到第五列向量。
步骤310:通过第五隐层将所述第五列向量转化为一维行向量,得到第一行向量,所述第一行向量包括的多个行矩阵元分别对应表示多个待确定的提问意图。
步骤311:将所述第二列向量与所述第一行向量进行点乘运算,得到相关性矩阵,所述相关性矩阵用于表示所述多个待确定的提问意图与所述多个医疗属性信息的相关性,其中,所述相关性矩阵中的矩阵元的取值为1或0,所述1用于表示取值为所述1的矩阵元对应的待确定的提问意图与取值为所述1的矩阵元对应的医疗属性信息相关,所述0用于表示取值为所述0的矩阵元对应的待确定的提问意图与取值为所述1的矩阵元对应的医疗属性信息不相关。
步骤312:基于所述相关性从所述多个待确定的提问意图中确定目标提问意图,所述目标提问意图与所述多个医疗属性信息中的至少一个医疗属性信息相关。
步骤313:从每个所述待确定的回答语句中提取知识侧特征,得到多个知识侧特征。
步骤314:从所述目标提问意图关联的多个医疗属性信息中,提取得到数据侧特征。
步骤315:确定所述数据侧特征与每个所述知识侧特征的匹配度,得到多个匹配度。
步骤316:确定所述多个匹配度中大于或等于预设匹配度的目标匹配度。
步骤317:确定所述目标匹配度对应的目标知识侧特征。
步骤318:将所述目标知识侧特征对应的待确定的回答语句作为所述提问语句的目标回答语句。
需要说明的是步骤301-步骤304可以和步骤305-步骤308同步进行,也可以不同步进行,本实施例的具体实现过程可参见上述方法实施例所述的具体实现过程,在此不再叙述。
与上述图2A和图3所示的实施例一致的,请参阅图4,图4是本申请实施例提供的一种电子设备的结构示意图,如图所示,该电子设备包括存储器、通信接口以及一个或多个程序,其中,上述一个或多个程序被存储在上述存储器中,并且被配置由上述处理器执行,上述程序包括用于执行以下步骤的指令:
基于用户输入的提问语句确定多个医疗属性信息,每个所述医疗属性信息包括医疗实体名称以及特异性生理参数;
对所述提问语句进行预处理,得到多个待确定的提问意图;
确定所述多个待确定的提问意图与所述多个医疗属性信息的相关性;
基于所述相关性从所述多个待确定的提问意图中确定目标提问意图;
从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句。
在本申请的一实现方式中,在基于用户输入的提问语句确定多个医疗属性信息方面,上述程序包括具体用于执行以下步骤的指令:
从用户输入的提问语句中提取得到多个医疗属性关键词;
将每个所述医疗属性关键词嵌入到向量空间,得到多个医疗属性词向量;
通过第一隐层将所述多个医疗属性词向量转化为一维列向量,得到第一列向量;
通过第二隐层将所述第一列向量转化为第二列向量,所述第二列向量包括的多个列矩阵元分别对应表示多个医疗属性信息。
在本申请的一实现方式中,在对所述提问语句进行预处理,得到多个待确定的提问意图方面,上述程序包括具体用于执行以下步骤的指令:
对所述提问语句进行分词处理,得到多个提问关键词;
将每个所述提问关键词嵌入到向量空间,得到多个提问词向量;
通过第三隐层将所述多个提问词向量转化为一维列向量,得到第三列向量;
通过第四隐层将所述第三列向量转化为第四列向量;
将所述第二列向量与所述第四列向量进行拼接,得到第五列向量;
通过第五隐层将所述第五列向量转化为一维行向量,得到第一行向量,所述第一行向量包括的多个行矩阵元分别对应表示多个待确定的提问意图。
在本申请的一实现方式中,在确定所述多个待确定的提问意图与所述多个医疗属性信息的相关性方面,上述程序包括具体用于执行以下步骤的指令:
将所述第二列向量与所述第一行向量进行点乘运算,得到相关性矩阵,所述相关性矩阵用于表示所述多个待确定的提问意图与所述多个医疗属性信息的相关性,其中,所述相关性矩阵中的矩阵元的取值为1或0,所述1用于表示取值为所述1的矩阵元对应的待确定的提问意图与取值为所述1的矩阵元对应的医疗属性信息相关,所述0用于表示取值为所述0的矩阵元对应的待确定的提问意图与取值为所述1的矩阵元对应的医疗属性信息不相关。
在本申请的一实现方式中,在所述基于所述相关性从所述多个待确定的提问意图中确定目标提问意图方面,上述程序包括具体用于执行以下步骤的指令:
基于所述相关性矩阵,确定所述多个待确定的提问意图中与所述多个医疗属性信息中每一医疗属性信息相关的占比,得到多个占比;
选取所述多个占比中大于第一预设阈值的占比对应的至少一个待确定的提问意图为目标待确定的提问意图,得到至少一个目标待确定的提问意图;
基于所述至少一个目标待确定的提问意图,确定所述目标提问意图。
在本申请的一实现方式中,所述目标提问意图与所述多个医疗属性信息中的至少一个医疗属性信息相关。
在本申请的一实现方式中,在从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句方面,上述程序包括具体用于执行以下步骤的指令:
从每个所述待确定的回答语句中提取知识侧特征,得到多个知识侧特征;
从所述目标提问意图关联的多个医疗属性信息中,提取得到数据侧特征;
确定所述数据侧特征与每个所述知识侧特征的匹配度,得到多个匹配度;
确定所述多个匹配度中大于或等于预设匹配度的目标匹配度;
确定所述目标匹配度对应的目标知识侧特征;
将所述目标知识侧特征对应的待确定的回答语句作为所述提问语句的目标回答语句。
需要说明的是,本实施例的具体实现过程可参见上述方法实施例所述的具体实现过程,在此不再叙述。
上述实施例主要从方法侧执行过程的角度对本申请实施例的方案进行了介绍。可以理解的是,电子设备为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据所述方法示例对电子设备进行功能单元的划分,例如,可以对应各个功能划分各个功能单元,也可以将两个或两个以上的功能集成在一个处理单元中。所述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。需要说明的是,本申请实施例中对单元的划分是示意性的,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。
下面为本申请装置实施例,本申请装置实施例用于执行本申请方法实施例所实现的方法。请参阅图5,图5是本申请实施例提供的一种问答装置的结构示意图,应用于电子设备,所述装置包括:
处理单元501,用于基于用户输入的提问语句确定多个医疗属性信息,每个所述医疗属性信息包括医疗实体名称以及特异性生理参数;对所述提问语句进行预处理,得到多个待确定的提问意图;确定所述多个待确定的提问意图与所述多个医疗属性信息的相关性;基于所述相关性从所述多个待确定的提问意图中确定目标提问意图;从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句。
在本申请的一实现方式中,在基于用户输入的提问语句确定多个医疗属性信息方面,所述处理单元501,具体用于从用户输入的提问语句中提取得到多个医疗属性关键词;将每个所述医疗属性关键词嵌入到向量空间,得到多个医疗属性词向量;通过第一隐层将所述多个医疗属性词向量转化为一维列向量,得到第一列向量;通过第二隐层将所述第一列向量转化为第二列向量,所述第二列向量包括的多个列矩阵元分别对应表示多个医疗属性信息。
在本申请的一实现方式中,在对所述提问语句进行预处理,得到多个待确定的提问意图方面,所述处理单元501,具体用于对所述提问语句进行分词处理,得到多个提问关键词;将每个所述提问关键词嵌入到向量空间,得到多个提问词向量;通过第三隐层将所述多个提问词向量转化为一维列向量,得到第三列向量;通过第四隐层将所述第三列向量转化为第四列向量;将所述第二列向量与所述第四列向量进行拼接,得到第五列向量;通过第五隐层将所述第五列向量转化为一维行向量,得到第一行向量,所述第一行向量包括的多个行矩阵元分别对应表示多个待确定的提问意图。
在本申请的一实现方式中,在确定所述多个待确定的提问意图与所述多个医疗属性信息的相关性方面,所述处理单元501,具体用于将所述第二列向量与所述第一行向量进行点乘运算,得到相关性矩阵,所述相关性矩阵用于表示所述多个待确定的提问意图与所述多个医疗属性信息的相关性,其中,所述相关性矩阵中的矩阵元的取值为1或0,所述1用于表示取值为所述1的矩阵元对应的待确定的提问意图与取值为所述1的矩阵元对应的医疗属性信息相关,所述0用于表示取值为所述0的矩阵元对应的待确定的提问意图与取值为所述1的矩阵元对应的医疗属性信息不相关。
在本申请的一实现方式中,在所述基于所述相关性从所述多个待确定的提问意图中确定目标提问意图方面,所述处理单元501,具体用于基于所述相关性矩阵,确定所述多个待确定的提问意图中与所述多个医疗属性信息中每一医疗属性信息相关的占比,得到多个占比;选取所述多个占比中大于第一预设阈值的占比对应的至少一个待确定的提问意图为目标待确定的提问意图,得到至少一个目标待确定的提问意图;基于所述至少一个目标待确定的提问意图,确定所述目标提问意图。
在本申请的一实现方式中,所述目标提问意图与所述多个医疗属性信息中的至少一个医疗属性信息相关。
在本申请的一实现方式中,在从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句方面,所述处理单元501,具体用于从每个所述待确定的回答语句中提取知识侧特征,得到多个知识侧特征;从所述目标提问意图关联的多个医疗属性信息中,提取得到数据侧特征;确定所述数据侧特征与每个所述知识侧特征的匹配度,得到多个匹配度;确定所述多个匹配度中大于或等于预设匹配度的目标匹配度;确定所述目标匹配度对应的目标知识侧特征;将所述目标知识侧特征对应的待确定的回答语句作为所述提问语句的目标回答语句。
其中,所述问答装置还可以包括通信单元502和存储单元503,所述存储单元503用于存储电子设备的程序代码和数据。所述处理单元501可以是处理器,所述通信单元502可以是触控显示屏或者收发器,存储单元503可以是存储器。
可以理解的是,由于方法实施例与装置实施例为相同技术构思的不同呈现形式,因此,本申请中方法实施例部分的内容应同步适配于装置实施例部分,此处不再赘述。
本申请实施例还提供了一种芯片,其中,该芯片包括处理器,用于从存储器中调用并运行计算机程序,使得安装有所述芯片的设备执行如上述方法实施例中电子设备所描述的部分或全部步骤。
本申请实施例还提供一种计算机存储介质,其中,该计算机存储介质存储用于电子数据交换的计算机程序,该计算机程序使得计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤,上述计算机包括电子设备。
本申请实施例还提供一种计算机程序产品,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如上述方法实施例中记载的任一方法的部分或全部步骤。该计算机程序产品可以为一个软件安装包,上述计算机包括电子设备。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置,可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,例如上述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
上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,在本申请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,也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例上述方法的全部或部分步骤。而前述的存储器包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储器中,存储器可以包括:闪存盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取器(英文:Random Access Memory,简称:RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种问答方法,其特征在于,应用于电子设备,所述方法包括:
基于用户输入的提问语句确定多个医疗属性信息;
对所述提问语句进行预处理,得到多个待确定的提问意图;
确定所述多个待确定的提问意图与所述多个医疗属性信息的相关性;
基于所述相关性从所述多个待确定的提问意图中确定目标提问意图;
从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句。
2.根据权利要求1所述的方法,其特征在于,所述基于用户输入的提问语句确定多个医疗属性信息,包括:
从用户输入的提问语句中提取得到多个医疗属性关键词;
将每个所述医疗属性关键词嵌入到向量空间,得到多个医疗属性词向量;
通过第一隐层将所述多个医疗属性词向量转化为一维列向量,得到第一列向量;
通过第二隐层将所述第一列向量转化为第二列向量,所述第二列向量包括的多个列矩阵元分别对应表示多个医疗属性信息。
3.根据权利要求2所述的方法,其特征在于,所述对所述提问语句进行预处理,得到多个待确定的提问意图,包括:
对所述提问语句进行分词处理,得到多个提问关键词;
将每个所述提问关键词嵌入到向量空间,得到多个提问词向量;
通过第三隐层将所述多个提问词向量转化为一维列向量,得到第三列向量;
通过第四隐层将所述第三列向量转化为第四列向量;
将所述第二列向量与所述第四列向量进行拼接,得到第五列向量;
通过第五隐层将所述第五列向量转化为一维行向量,得到第一行向量,所述第一行向量包括的多个行矩阵元分别对应表示多个待确定的提问意图。
4.根据权利要求3所述的方法,其特征在于,所述确定所述多个待确定的提问意图与所述多个医疗属性信息的相关性,包括:
将所述第二列向量与所述第一行向量进行点乘运算,得到相关性矩阵,所述相关性矩阵用于表示所述多个待确定的提问意图与所述多个医疗属性信息的相关性,其中,所述相关性矩阵中的矩阵元的取值为1或0,所述1用于表示取值为所述1的矩阵元对应的待确定的提问意图与取值为所述1的矩阵元对应的医疗属性信息相关,所述0用于表示取值为所述0的矩阵元对应的待确定的提问意图与取值为所述1的矩阵元对应的医疗属性信息不相关。
5.根据权利要求4所述的方法,其特征在于,所述基于所述相关性从所述多个待确定的提问意图中确定目标提问意图,包括:
基于所述相关性矩阵,确定所述多个待确定的提问意图中与所述多个医疗属性信息中每一医疗属性信息相关的占比,得到多个占比;
选取所述多个占比中大于第一预设阈值的占比对应的至少一个待确定的提问意图为目标待确定的提问意图,得到至少一个目标待确定的提问意图;
基于所述至少一个目标待确定的提问意图,确定所述目标提问意图。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句,包括:
从每个所述待确定的回答语句中提取知识侧特征,得到多个知识侧特征;
从所述目标提问意图关联的多个医疗属性信息中,提取得到数据侧特征;
确定所述数据侧特征与每个所述知识侧特征的匹配度,得到多个匹配度;
确定所述多个匹配度中大于或等于预设匹配度的目标匹配度;
确定所述目标匹配度对应的目标知识侧特征;
将所述目标知识侧特征对应的待确定的回答语句作为所述提问语句的目标回答语句。
7.一种问答装置,其特征在于,应用于电子设备,所述装置包括:
处理单元,用于基于用户输入的提问语句确定多个医疗属性信息,每个所述医疗属性信息包括医疗实体名称以及特异性生理参数;对所述提问语句进行预处理,得到多个待确定的提问意图;确定所述多个待确定的提问意图与所述多个医疗属性信息的相关性;基于所述相关性从所述多个待确定的提问意图中确定目标提问意图;从所述目标提问意图关联的多个待确定的回答语句中,确定所述提问语句的目标回答语句。
8.根据权利要求7所述的装置,其特征在于,所述基于用户输入的提问语句确定多个医疗属性信息方面,所述处理单元,具体用于从用户输入的提问语句中提取得到多个医疗属性关键词;将每个所述医疗属性关键词嵌入到向量空间,得到多个医疗属性词向量;通过第一隐层将所述多个医疗属性词向量转化为一维列向量,得到第一列向量;通过第二隐层将所述第一列向量转化为第二列向量,所述第二列向量包括的多个列矩阵元分别对应表示多个医疗属性信息。
9.一种电子设备,其特征在于,包括处理器、存储器、通信接口,以及一个或多个程序,所述一个或多个程序被存储在所述存储器中,并且被配置由所述处理器执行,所述程序包括用于执行如权利要求1-6任一项所述的方法中的步骤的指令。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现权利要求1-6任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475861.0A CN111694942A (zh) | 2020-05-29 | 2020-05-29 | 问答方法、装置、设备及计算机可读存储介质 |
PCT/CN2020/099320 WO2021114629A1 (zh) | 2020-05-29 | 2020-06-30 | 问答方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010475861.0A CN111694942A (zh) | 2020-05-29 | 2020-05-29 | 问答方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111694942A true CN111694942A (zh) | 2020-09-22 |
Family
ID=72478869
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010475861.0A Pending CN111694942A (zh) | 2020-05-29 | 2020-05-29 | 问答方法、装置、设备及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111694942A (zh) |
WO (1) | WO2021114629A1 (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160267139A1 (en) * | 2015-03-10 | 2016-09-15 | Samsung Electronics Co., Ltd. | Knowledge based service system, server for providing knowledge based service, method for knowledge based service, and non-transitory computer readable recording medium |
CN110364251A (zh) * | 2019-06-14 | 2019-10-22 | 南京理工大学 | 一种基于机器阅读理解的智能交互导诊咨询系统 |
CN111008267A (zh) * | 2019-10-29 | 2020-04-14 | 平安科技(深圳)有限公司 | 智能对话方法及相关设备 |
CN111159367A (zh) * | 2019-12-11 | 2020-05-15 | 中国平安财产保险股份有限公司 | 一种信息处理方法及相关设备 |
CN111177325A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 一种自动生成答案的方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8000956B2 (en) * | 2008-02-08 | 2011-08-16 | Xerox Corporation | Semantic compatibility checking for automatic correction and discovery of named entities |
CN110176315B (zh) * | 2019-06-05 | 2022-06-28 | 京东方科技集团股份有限公司 | 医疗问答方法及系统、电子设备、计算机可读介质 |
CN110532360A (zh) * | 2019-07-19 | 2019-12-03 | 平安科技(深圳)有限公司 | 医疗领域知识图谱问答处理方法、装置、设备及存储介质 |
-
2020
- 2020-05-29 CN CN202010475861.0A patent/CN111694942A/zh active Pending
- 2020-06-30 WO PCT/CN2020/099320 patent/WO2021114629A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160267139A1 (en) * | 2015-03-10 | 2016-09-15 | Samsung Electronics Co., Ltd. | Knowledge based service system, server for providing knowledge based service, method for knowledge based service, and non-transitory computer readable recording medium |
CN110364251A (zh) * | 2019-06-14 | 2019-10-22 | 南京理工大学 | 一种基于机器阅读理解的智能交互导诊咨询系统 |
CN111008267A (zh) * | 2019-10-29 | 2020-04-14 | 平安科技(深圳)有限公司 | 智能对话方法及相关设备 |
CN111159367A (zh) * | 2019-12-11 | 2020-05-15 | 中国平安财产保险股份有限公司 | 一种信息处理方法及相关设备 |
CN111177325A (zh) * | 2020-04-10 | 2020-05-19 | 支付宝(杭州)信息技术有限公司 | 一种自动生成答案的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021114629A1 (zh) | 2021-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022007823A1 (zh) | 一种文本数据处理方法及装置 | |
CN111985240B (zh) | 命名实体识别模型的训练方法、命名实体识别方法及装置 | |
US20190294732A1 (en) | Constructing enterprise-specific knowledge graphs | |
CN112035637A (zh) | 医学领域意图识别方法、装置、设备及存储介质 | |
US11288279B2 (en) | Cognitive computer assisted attribute acquisition through iterative disclosure | |
US11468989B2 (en) | Machine-aided dialog system and medical condition inquiry apparatus and method | |
WO2023029506A1 (zh) | 病情分析方法、装置、电子设备及存储介质 | |
CN113094509B (zh) | 文本信息提取方法、系统、设备及介质 | |
EP4068113A1 (en) | Method for determining text similarity, method for obtaining semantic answer text, and question answering method | |
JP2007034871A (ja) | 文字入力装置および文字入力装置プログラム | |
CN112037875A (zh) | 智能诊疗数据处理方法、设备、装置及存储介质 | |
CN115169364B (zh) | 智能问答方法、装置、设备以及存储介质 | |
JP2018014058A (ja) | 医療情報処理システム、医療情報処理装置及び医療情報処理方法 | |
CN111159369B (zh) | 多轮智能问诊方法、装置及计算机可读存储介质 | |
CN110162637A (zh) | 信息图谱构建方法、装置及设备 | |
CN111008267A (zh) | 智能对话方法及相关设备 | |
KR102678352B1 (ko) | 이동 통신망을 이용한 영어 학습 서비스 방법 및 시스템 | |
CN118051598A (zh) | 药品知识问答方法、装置、电子设备及存储介质 | |
EP3901875A1 (en) | Topic modelling of short medical inquiries | |
CN112037904A (zh) | 在线诊疗数据处理方法、装置、计算机设备和存储介质 | |
CN111694942A (zh) | 问答方法、装置、设备及计算机可读存储介质 | |
CN116959733A (zh) | 医疗数据的分析方法、装置、设备及存储介质 | |
CN115659987A (zh) | 基于双通道的多模态命名实体识别方法、装置以及设备 | |
CN115858876A (zh) | 一种基于疾病知识图谱的随访内容智能推送方法及系统 | |
CN114510942A (zh) | 获取实体词的方法、模型的训练方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40030024 Country of ref document: HK |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |