CN112988984A - 特征获取方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本申请实施例公开了一种特征获取方法、装置、计算机设备及存储介质，属于计算机技术领域。该方法包括：获取标签信息、第一对话信息和第二对话信息，所述第二对话信息是位于所述第一对话信息之后的对话信息；根据所述标签信息，对所述第一对话信息和所述第二对话信息分别进行特征提取，得到所述第一对话信息的第一对话特征和所述第二对话信息的第二对话特征；对所述第一对话特征和所述第二对话特征进行融合，得到所述第一对话信息的融合对话特征。该方法得到的融合对话特征中包含第一对话信息所描述的症状的特征和第二对话信息所描述的症状的特征，能够更加准确地对症状进行描述，提高了提取的对话特征的准确率。

Description

特征获取方法、装置、计算机设备及存储介质

技术领域

本申请实施例涉及计算机技术领域，特别涉及一种特征获取方法、装置、计算机设备及存储介质。

背景技术

随着计算机技术的发展，语义识别技术的应用也越来越广泛，例如，在医疗场景中，采用语义识别技术，能够从用户输入的口语化的症状描述语句中提取包含医学信息的片段。其中，在提取片段时，需要先获取症状描述语句的特征，根据该特征进行后续的片段提取，因此如何提取准确的特征已成为亟待解决的问题。

发明内容

本申请实施例提供了一种特征获取方法、装置、计算机设备及存储介质，提高了提取的特征的准确性。所述技术方案如下。

一方面，提供了一种特征获取方法，所述方法包括：

获取标签信息、第一对话信息和第二对话信息，所述标签信息至少包括与任一症状匹配的医学词语，所述第二对话信息是位于所述第一对话信息之后的对话信息，其中第一对话信息和所述第二对话信息中均包括输入信息和针对所述输入信息的回复信息；

根据所述标签信息，对所述第一对话信息和所述第二对话信息分别进行特征提取，得到所述第一对话信息的第一对话特征和所述第二对话信息的第二对话特征，所述第一对话特征至少指示所述第一对话信息所描述的症状与所述标签信息之间的匹配程度，所述第二对话特征至少指示所述第二对话信息所描述的症状与所述标签信息之间的匹配程度；

对所述第一对话特征和所述第二对话特征进行融合，得到所述第一对话信息的融合对话特征。

在一种可能实现方式中，所述基于所述样本预测特征和所述样本标签信息，训练所述特征获取模型，包括：

获取所述第一样本对话信息与所述样本标签信息之间的样本匹配度；

对所述样本预测特征进行分类处理，得到所述第一样本对话信息与所述样本标签信息之间的预测匹配度；

根据所述预测匹配度与所述样本匹配度，训练所述特征获取模型。

在另一种可能实现方式中，所述片段提取模型的训练过程包括：

获取第一样本对话信息、所述第一样本对话信息中的样本对话片段、样本标签信息和所述第一样本对话信息的样本对话特征，所述样本对话片段所描述的症状与所述样本标签信息匹配，所述第一样本对话信息和所述第二样本对话信息中均包括样本输入信息和针对所述样本输入信息的样本回复信息；

基于所述片段提取模型，对所述第一样本对话信息、所述样本标签信息和所述样本对话特征进行处理，得到预测对话片段；

根据所述样本对话片段和所述预测对话片段，训练所述片段提取模型。

另一方面，提供了一种特征获取装置，所述装置包括：

信息获取模块，用于获取标签信息、第一对话信息和第二对话信息，所述标签信息至少包括与任一症状匹配的医学词语，所述第二对话信息是位于所述第一对话信息之后的对话信息，其中所述第一对话信息和所述第二对话信息中均包括输入信息和针对所述输入信息的回复信息；

特征提取模块，用于根据所述标签信息，对所述第一对话信息和所述第二对话信息分别进行特征提取，得到所述第一对话信息的第一对话特征和所述第二对话信息的第二对话特征，所述第一对话特征至少指示所述第一对话信息所描述的症状与所述标签信息之间的匹配程度，所述第二对话特征至少指示所述第二对话信息所描述的症状与所述标签信息之间的匹配程度；

特征融合模块，用于对所述第一对话特征和所述第二对话特征进行融合，得到所述第一对话信息的融合对话特征。

在一种可能实现方式中，所述特征提取模块，包括：

标签特征提取单元，用于对所述标签信息进行特征提取，得到所述标签信息的标签特征；

词语特征提取单元，用于对所述第一对话信息中的多个词语进行特征提取，得到所述多个词语的词语特征；

权重确定单元，用于基于所述标签特征和所述多个词语的词语特征，确定所述多个词语的权重，词语的权重表示所述词语与所述标签信息之间的匹配程度；

对话特征获取单元，用于基于所述多个词语的权重，对所述多个词语的词语特征进行加权处理，得到所述第一对话特征。

在另一种可能实现方式中，所述权重确定单元，用于：

分别获取所述标签特征与多个词语特征之间的第一相似度；

对获取到的多个第一相似度进行归一化处理，得到所述多个词语的权重。

在另一种可能实现方式中，所述第二对话信息包括多个，所述特征融合模块，包括：

信息选取单元，用于根据所述第一对话特征与多个第二对话特征之间的第二相似度，从所述多个第二对话信息中选取所述第二相似度最大的所述第二对话信息，所述第二相似度至少指示所述第二对话信息所描述的症状与所述第一对话信息所描述的症状之间的相似程度；

特征融合单元，用于将所述第一对话特征和选取的所述第二对话信息的第二对话特征进行融合，得到所述融合对话特征。

在另一种可能实现方式中，所述装置还包括：

特征分类模块，用于对所述融合对话特征进行分类处理，得到所述第一对话信息与所述标签信息之间的匹配度；

片段提取模块，用于响应于所述匹配度大于参考匹配度，从所述第一对话信息中，提取与所述标签信息匹配的对话片段，所述标签信息与所述对话片段匹配是指所述对话片段所描述的症状与所述标签信息匹配。

在另一种可能实现方式中，所述片段提取模块，用于：

响应于所述匹配度大于所述参考匹配度，根据所述第一对话信息中多个词语的权重，从所述第一对话信息中选取对应的权重大于参考权重的多个目标词语，词语的权重表示所述词语与所述标签信息之间的匹配程度；

确定所述多个目标词语在所述第一对话信息中的起始位置和结束位置；

基于所述多个目标词语的起始位置和结束位置，从所述第一对话信息中提取包括至少一个目标词语的对话片段。

在另一种可能实现方式中，所述片段提取模块，还用于响应于所述匹配度不大于所述参考匹配度，从多个不同的候选标签信息中选取与所述标签信息不同的下一个标签信息，再次执行根据选取的标签信息，确定所述第一对话信息与选取的标签信息之间的匹配度的步骤，直至得到的匹配度大于所述参考匹配度。

在另一种可能实现方式中，特征获取模型包括编码网络和特征融合网络，所述特征提取模块，用于基于所述编码网络，根据所述标签信息，对所述第一对话信息和所述第二对话信息分别进行特征提取，得到所述第一对话特征和所述第二对话特征；

所述特征融合模块，用于基于所述特征融合网络，对所述第一对话特征和所述第二对话特征进行融合，得到所述第一对话信息的融合对话特征。

在另一种可能实现方式中，所述编码网络包括第一编码层、第二编码层和特征融合层，所述特征提取模块，包括：

标签特征提取单元，用于基于所述第一编码层，对所述标签信息进行特征提取，得到所述标签信息的标签特征；

词语特征提取单元，用于基于所述第二编码层，对所述第一对话信息中的多个词语进行特征提取，得到所述多个词语的词语特征；

权重确定单元，用于基于所述特征融合层，对所述标签特征和所述多个词语的词语特征进行处理，确定所述多个词语的权重，词语的权重表示所述词语与所述标签信息之间的匹配程度；

对话特征获取单元，用于基于所述特征融合层，按照所述多个词语的权重，对所述多个词语的词语特征进行加权处理，得到所述第一对话特征。

在另一种可能实现方式中，所述装置还包括：

第一训练模块，用于获取第一样本对话信息、第二样本对话信息和所述第一样本对话信息对应的样本标签信息，所述第二样本对话信息是位于所述第一样本对话信息之后的信息，所述第一样本对话信息所描述的症状与所述样本标签信息匹配，所述第一样本对话信息和所述第二样本对话信息中均包括样本输入信息和针对所述样本输入信息的样本回复信息；

所述第一训练模块，还用于基于所述特征获取模型，对所述第一样本对话信息、所述第二样本对话信息和所述样本标签信息进行处理，得到所述第一样本对话信息的样本预测特征；

所述第一训练模块，还用于基于所述样本预测特征和所述样本标签信息，训练所述特征获取模型。

在另一种可能实现方式中，所述第一训练模块，还用于：

获取所述第一样本对话信息与所述样本标签信息之间的样本匹配度；

对所述样本预测特征进行分类处理，得到所述第一样本对话信息与所述样本标签信息之间的预测匹配度；

根据所述预测匹配度与所述样本匹配度，训练所述特征获取模型。

在另一种可能实现方式中，片段提取模型包括分类网络和片段提取网络，所述装置还包括：

特征分类模块，用于基于所述分类网络，对所述融合对话特征进行分类处理，得到所述第一对话信息与所述标签信息之间的匹配度；

片段提取模块，用于基于所述片段提取网络，响应于所述匹配度大于参考匹配度，从所述第一对话信息中，提取与所述标签信息匹配的对话片段；

其中，所述特征获取模型和所述片段提取模型的训练过程包括：

获取第一样本对话信息、第二样本对话信息、所述第一样本对话信息对应的样本标签信息和所述第一样本对话信息中的样本对话片段，所述第二样本对话信息是位于所述第一样本对话信息之后的信息，所述样本对话片段所描述的症状与所述样本标签信息匹配，所述第一样本对话信息和所述第二样本对话信息中均包括样本输入信息和针对所述样本输入信息的样本回复信息；

基于所述特征获取模型，对所述第一样本对话信息、所述第二样本对话信息和所述样本标签信息进行处理，得到所述第一样本对话信息的预测特征；

基于所述片段提取模型，对所述预测特征、所述第一样本对话信息和所述样本标签进行处理，得到预测对话片段；

根据所述预测对话片段和所述样本对话片段，训练所述特征获取模型和所述片段提取模型。

在另一种可能实现方式中，片段提取模型包括分类网络和片段提取网络，所述特征分类模块，用于基于所述分类网络，对所述融合对话特征进行分类处理，得到所述第一对话信息与所述标签信息之间的匹配度；

所述片段提取模块，用于基于所述片段提取网络，响应于所述匹配度大于所述参考匹配度，从所述第一对话信息中，提取与所述标签信息匹配的对话片段。

在另一种可能实现方式中，所述装置还包括：

第二训练模块，用于获取第一样本对话信息、所述第一样本对话信息中的样本对话片段、样本标签信息和所述第一样本对话信息的样本对话特征，所述样本对话片段所描述的症状与所述样本标签信息匹配，所述第一样本对话信息和所述第二样本对话信息中均包括样本输入信息和针对所述样本输入信息的样本回复信息；

所述第二训练模块，还用于基于所述片段提取模型，对所述第一样本对话信息、样本标签信息和所述样本对话特征进行处理，得到预测对话片段；

所述第二训练模块，还用于根据所述样本对话片段和所述预测对话片段，训练所述片段提取模型。

另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以实现如上述方面所述的特征获取方法中所执行的操作。

另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以实现如上述方面所述的特征获取方法中所执行的操作。

另一方面，提供了一种计算机程序产品或计算机程序，所述计算机程序产品或所述计算机程序包括计算机程序代码，所述计算机程序代码存储在计算机可读存储介质中，计算机设备的处理器从计算机可读存储介质读取所述计算机程序代码，处理器执行所述计算机程序代码，使得所述计算机设备实现如上述方面所述的特征获取方法中所执行的操作。

本申请实施例提供的技术方案带来的有益效果至少包括：

本申请实施例提供的方法、装置、计算机设备及存储介质，将第一对话信息之后的第二对话信息的第二对话特征，融入到第一对话信息的第一对话特征中，使得到的第一对话信息的融合对话特征中既包含第一对话信息所描述的症状的特征，又包含之后的第二对话信息所描述的症状的特征，该融合对话特征能够更加准确地对症状进行描述，提高了提取的对话特征的准确率。并且，由于对话特征是根据标签特征提取的，该对话特征能够反映出对话信息中所描述的症状与标签信息所指示的症状的匹配程度。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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实施例的一些实施例，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实施环境的示意图；

图2是本申请实施例提供的一种特征获取方法的流程图；

图3是本申请实施例提供的另一种特征获取方法的流程图；

图4是本申请实施例提供的一种对话特征提取方法的流程图；

图5是本申请实施例提供的一种对话片段提取方法的流程图；

图6是本申请实施例提供的一种特征获取模型的示意图；

图7是本申请实施例提供的一种片段提取模型的示意图；

图8是本申请实施例提供的另一种对话片段提取方法的流程图；

图9是本申请实施例提供的一种对话片段提取过程的示意图；

图10是本申请实施例提供的一种模型训练方法的流程图；

图11是本申请实施例提供的一种特征获取装置的结构示意图；

图12是本申请实施例提供的一种特征获取装置的结构示意图；

图13是本申请实施例提供的一种终端的结构示意图；

图14是本申请实施例提供的一种服务器的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。

可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种概念，但除非特别说明，这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说，在不脱离本申请的范围的情况下，可以将第一对话信息称为第二对话信息，将第二对话信息称为第一对话信息。

本申请所使用的术语“至少一个”、“多个”、“每个”、“任一”等，至少一个包括一个、两个或两个以上，多个包括两个或两个以上，每个是指对应的多个中的每一个，任一是指多个中的任意一个。举例来说，多个词语包括3个词语，而每个词语是指这3个词语中的每一个词语，任一是指这3个词语中的任意一个，可以是第一个，可以是第二个，也可以是第三个。

人工智能（Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

自然语言处理（Nature Language processing，NLP）是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。

机器学习（Machine Learning，ML）是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。

本申请实施例提供的方案，根据人工智能的自然语言处理、机器学习等技术，利用特征获取模型和片段提取，能够获取对话信息的对话特征，并从对话信息中提取出与医学词语匹配的对话片段。

本申请实施例提供的特征获取方法，能够用于计算机设备中。可选地，该计算机设备为终端或服务器。可选地，该服务器是独立的物理服务器，或者，是多个物理服务器构成的服务器集群或者分布式系统，或者，是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN（Content Delivery Network，内容分发网络）、以及大数据和人工智能平台等基础云计算服务的云服务器。可选地，该终端是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。

在一种可能实现方式中，本申请实施例所涉及的计算机程序可被部署在一个计算机设备上执行，或者在位于一个地点的多个计算机设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算机设备上执行，分布在多个地点且通过通信网络互连的多个计算机设备能够组成区块链系统。

在一种可能实现方式中，本申请实施例中用于获取特征的计算机设备是区块链系统中的节点，该节点能够将获取到的标签信息、对话信息以及提取到的对话信息的对话特征存储在区块链中，之后该节点或者该区块链中的其他设备对应的节点可根据标签信息、对话信息以及对话信息的对话特征，从对话信息中提取对话片段。

为了便于理解本申请实施例提供的方法，对本申请实施例涉及到的关键词进行解释。

命名实体识别（Named Entity Recognition，NER）：命名实体识别是指识别文本中具有特定意义的实体，例如识别人名、地名、机构名、专有名词等，以及时间、数量、货币、比例数值等文字。

BERT（Bidirectional Encoder Representation from Transformers，双向Transformer的编码器）：BERT是一种预训练语言模型。

RNN（Recurrent Neural Network，循环神经网络）：RNN是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接形成闭合回路的递归神经网络。

CNN（Convolutional Neural Networks，卷积神经网络）：是一类包含卷积或相关计算且具有深度结构的前馈神经网络。

LSTM（Long Short-Term Memory，长短期记忆）：LSTM是一种特殊的RNN，是为了解决长序列训练过程中的梯度消失和梯度爆炸问题，相比普通的RNN，LSTM针对更长的序列有更好的表现。

图1是本申请实施例提供的一种实施环境的示意图。参见图1，该实施环境包括终端101（图1中仅以1个终端101为例）和服务器102。终端101和服务器102之间通过无线或者有线网络连接。终端101上安装由服务器102提供服务的目标应用，终端101能够通过该目标应用实现例如数据传输、消息交互等功能。可选地，目标应用为终端101操作系统中的目标应用，或者为第三方提供的目标应用。例如，目标应用为病历生成应用，该病历生成应用具有生成病历的功能，当然，该病历生成应用还能够具有其他功能，例如，查询功能、语音识别功能等。

终端101用于根据用户标识登录目标应用，通过目标应用向服务器102发送描述症状的对话信息和包含医学词语的标签信息，服务器102接收终端101发送的对话信息，并调用特征获取模型，对输入的对话信息和标签信息进行处理，获取到对话信息对应的特征；或者调用特征获取模型和片段提取模型，对输入的对话信息和标签信息进行处理，从对话信息中提取出对话片段。

本申请实施例提供的方法，可应用于多种场景下。

例如，应用于病历生成场景下，医生对应的终端中安装有病历生成应用，该病历生成应用识别患者和医生的对话，获取患者和医生之间的多个对话信息，该对话信息中包括医生对症状的描述，或者包括患者对症状的描述，将该多个对话信息发送给病历生成应用对应的服务器，服务器根据多个对话信息以及预设的一些标签信息，采用本申请实施例提供的方法，对多个对话信息和标签信息进行处理，分别得到每个对话信息对应的融合对话特征，并从每个对话信息中提取出与标签信息匹配的对话片段，之后服务器即可根据提取出的对话片段，生成患者的病历，并发送给终端，由终端显示患者的病历，无需由医生手动输入患者的信息来生成病历。

图2是本申请实施例提供的一种特征获取方法的流程图。本申请实施例的执行主体为计算机设备。参见图2，该方法包括以下步骤。

201、计算机设备获取标签信息、第一对话信息和第二对话信息。

其中，标签信息至少包括与任一症状匹配的医学词语，第二对话信息是位于第一对话信息之后的对话信息，第一对话信息和第二对话信息中均包括输入信息和针对输入信息的回复信息，输入信息是用于针对症状进行提问的信息，回复信息是用于描述症状的信息，且对话信息中包括与医学词语匹配的描述症状的词语。

202、计算机设备根据标签信息，对第一对话信息和第二对话信息分别进行特征提取，得到第一对话信息的第一对话特征和第二对话信息的第二对话特征。

其中，第一对话信息的第一对话特征用于描述第一对话信息中所描述的症状，第二对话信息的第二对话特征用于描述第二对话信息中所描述的症状，第一对话特征至少指示第一对话信息所描述的症状与标签信息之间的匹配程度，第二对话特征至少指示第二对话信息所描述的症状与标签信息之间的匹配程度。

计算机设备根据标签信息对第一对话信息进行特征提取，使提取出的第一对话特征中融入了标签信息的标签特征；计算机设备根据标签信息对第二对话信息进行特征提取，使提取出的第二对话特征中也融入了标签信息的标签特征。

203、计算机设备对第一对话特征和第二对话特征进行融合，得到第一对话信息的融合对话特征。

计算机设备为了使第一对话特征中包含更多的描述症状的信息，将第一对话特征与第二对话特征进行融合，得到第一对话信息的融合对话特征，该融合对话特征中不仅包括第一对话信息所描述的症状的特征，还包括该第二对话信息中所描述的症状的特征，因此，该让融合对话特征所描述的症状更加准确。

本申请实施例提供的方法，将第一对话信息之后的第二对话信息的第二对话特征，融入到第一对话信息的第一对话特征中，使得到的第一对话信息的融合对话特征中既包含第一对话信息所描述的症状的特征，又包含之后的第二对话信息所描述的症状的特征，该融合对话特征能够更加准确地对症状进行描述，提高了提取的对话特征的准确率。并且，由于对话特征是根据标签特征提取的，该对话特征能够反映出对话信息中所描述的症状与标签信息所指示的症状的匹配程度。

图3是本申请实施例提供的一种特征获取方法的流程图，本申请实施例的执行主体为计算机设备。参见图3，该方法包括以下步骤。

301、计算机设备获取标签信息、第一对话信息和第二对话信息。

其中，标签信息至少包括与任一症状匹配的医学词语，例如，标签信息为“胸痛”、“发烧”、“腹痛”、“核磁共振”等医学词语。可选地，该标签信息还包括医学词语对应的状态词语，例如，状态词语为“阳性”、“阴性”、“未知”等状态词语。例如，标签信息为“胸痛：阳性”、“胸痛：阴性”等。其中，标签信息为预先设置的。

第一对话信息和第二对对话信息中均包括输入信息和针对输入信息的回复信息，输入信息是用于针对症状进行提问的信息，回复信息是用于描述症状的信息，且对话信息中包括与医学词语匹配的描述症状的词语。例如，对话信息为“请问有什么问题吗”和“我呼吸不了，感觉有痰在喉咙里”，第一句为提问有什么症状的语句，第二句为描述症状的语句。

第二对话信息是位于第一对话信息之后的对话信息，也就是说，第二对话信息发生的时间位于第一对话信息发生的时间之后。可选地，第二对话信息为多个，即在第一对话信息之后，还发生过多次对话。

在一种可能实现方式中，计算机设备接收其他设备发送的获取标签信息、第一对话信息和第二对话信息。

在另一种可能实现方式中，计算机设备是为目标应用提供服务的服务器，该服务器中的数据库中包括标签信息、第一对话信息和第二对话信息，则该计算机设备从该数据库中获取标签信息、第一对话信息和第二对话信息。

对于标签信息，可选地，无论是哪种方式，均可获取多个候选标签信息，标签信息是从多个候选标签信息中选取的任一标签信息。其中，多个候选标签信息不同。可选地，候选标签信息中仅包括医学词语的情况下，多个候选标签信息中的医学词语不同，或者候选标签信息中包括医学词语和医学词语对应的状态词语的情况下，多个候选标签信息中的医学词语和状态词语均不同，或者医学词语不同，或者状态词语不同。

对于第一对话信息和第二对话信息，在一种可能实现方式中，计算机设备能够采集医生和患者的语音对话信息，将采集到的语音对话信息转化为文本对话信息，从而得到第一对话信息和第二对话信息。

在一种可能实现方式中，计算机设备获取完整的信息，然后从第一个对话语句开始，将完整的信息中两个连续的对话语句划分为一组，得到一个对话信息。例如，完整的信息为医生与患者的对话，首先是医生的提取语句，则从该提问语句开始，将该提问语句和患者针对该提问语句回复的回复语句划分为一组，得到一个对话信息，再将医生的下一个提问语句和患者的回复语句划分为一种，得到另一个对话信息，直至将完整的信息划分为多个对话信息。

302、计算机设备对标签信息进行特征提取，得到标签信息的标签特征。

其中，标签信息的标签特征用于描述该标签信息。可选地，该标签特征用于描述医学词语，或者用于表述医学词语和医学词语对应的状态词语。

例如，采用下述公式，对标签信息进行特征提取：

其中，

表示标签特征，

表示标签信息，

表示采用前向长短期记忆网络和后向长短期记忆网络组合而成的网络进行编码。

上述采用前向长短期记忆网络和后向长短期记忆网络组合而成的网络进行特征提取时，考虑标签信息中每个字的上下文语义，使得到的标签特征能够充分描述标签信息。

当然，计算机设备还能够采用其他的类型的网络进行特征提取，例如，采用RNN网络、LSTM网络或其他类型的网络。

303、计算机设备根据标签特征，分别对第一对话信息和多个第二对话信息进行特征提取，得到第一对话信息的第一对话特征和多个第二对话信息的第二对话特征。

其中，第一对话信息的第一对话特征和多个第二对话信息的第二对话特征的提取过程是相同的。参见图4，以任一对话信息的对话特征的提取过程为例进行说明。

401、计算机设备对对话信息中的多个词语进行特征提取，得到多个词语的词语特征。

其中，对话信息为第一对话信息和多个第二对话信息中的任一对话信息。

计算机设备对对话信息进行分割，得到多个词语，分别对每个词语进行特征提取，得到每个词语的词语特征。例如，采用下述公式，对每个词语进行特征提取：

其中，

表示词语特征，

表示任一词语，

表示采用前向长短期记忆网络和后向长短期记忆网络组合而成的网络进行编码。

402、计算机设备基于标签特征和多个词语的词语特征，确定多个词语的权重。

其中，词语的权重表示词语与标签信息之间的匹配程度，词语与标签信息越匹配则该词语的权重越大，该词语在对话信息中对所描述的症状的重要性越大，词语与标签信息越不匹配则该词语的权重越小，该词语在对话信息中对所描述的症状的重要性越小。例如，对话信息为“请问有什么问题”和“我的肚子痛”，则词语“请问”、“有什么”、“问题”、“我的”这些词语与症状无关，这些词语的权重较小，而“肚子痛”是描述症状的词语，该词语的权重较大。

在一种可能实现方式中，计算机设备分别获取标签特征与多个词语特征之间的第一相似度；对获取到的多个第一相似度进行归一化处理，得到多个词语的权重。其中，第一相似度用于描述词语与标签信息之间的匹配程度。

例如，采用下述公式获取词语的权重：

其中，

表示第一相似度，

表示标签特征，

表示词语特征，

表示词语的权重，

表示对多个词语的第一相似度进行归一化处理。

可选地，计算机设备采用注意力机制对标签特征和多个词语特征进行处理，得到每个词语对应的注意力分数，采用该注意力分数来表示标签特征与词语特征之间的第一相似度。

403、计算机设备基于多个词语的权重，对多个词语的词语特征进行加权处理，得到对话信息的对话特征。

计算机设备对多个词语的词语特征进行加权求和或者加权平均，得到对话特征。例如，采用下述公式，对多个词语的词语特征进行加权求和，得到对话特征：

其中，

表示对话特征，

表示任一词语的词语特征，

表示该任一词语对应的权重。

对于第一对话信息和多个第二对话信息，分别采用上述步骤401-403，对第一对话信息进行特征提取，得到第一对话特征，对每个第二对话信息进行特征提取，得到每个第二对话信息的第二对话特征。

304、计算机设备根据第一对话特征与多个第二对话特征之间的第二相似度，从多个第二对话信息中选取第二相似度最大的第二对话信息。

其中，第二相似度至少指示第二对话信息所描述的症状与第一对话信息所描述的症状之间的相似程度。第二对话信息与第一对话信息所描述的症状越相似，则第二相似度越大。例如，两个对话信息都是描述“胸痛”这一症状的，则这两个对话信息之间的第二相似度会较大；一个对话信息是描述“胸痛”这一症状的，而另一个对话信息是描述“腹痛”这一症状的，则这两个对话信息之间的第二相似度会较小。

在确定第一对话信息的特征时，考虑第二对话信息的特征是为了避免在之后的对话中所描述的症状发生变化，因此，根据第一对话信息之后的、描述的症状与第一对话信息所描述的症状相同的第二对话信息，来确定第一对话信息的特征。

对于第二相似度，例如，采用下述公式，来确定第二相似度：

其中，

表示第一对话特征，

表示任一第二对话信息的第二对话特征，

表示该任一第二对话信息的注意力分数，

表示该任一第二对话信息对应的第二相似度，

表示对多个第二对话信息的注意力分数进行归一化处理。

对于多个第二对话信息，采用上述公式分别得到对应的第二相似度，从多个第二相似度中选取最大的第二相似度对应的第二对话信息。或者，从多个第二相似度中选取最大的预设数量个第二相似度对应的第二对话信息。例如，对多个第二相似度按照从大到小的顺序排列，选取排列在第一个的第二相似度对应的第二对话信息。

305、计算机设备将第一对话特征和选取的第二对话特征进行融合，得到融合对话特征。

其中，对第一对话特征和选取的第二对话信息的第二对话特征进行融合，是对第一对话特征和第二对话特征进行拼接，或者是对第一对话特征和第二对话特征进行相加等处理。

例如，计算机设备采用下述公式对第一对话特征和选取的第二对话信息的第二对话特征进行融合：

其中，

表示融合对话特征，

表示第一对话特征，

表示选取的第二对话信息的第二对话特征。

本申请实施例仅是以第一对话信息为例进行说明，在另一实施例中，其他对话信息也可采用与第一对话信息类似的实施方式来提取对话特征。

本申请实施例提供的方法，将第一对话信息之后的第二对话信息的第二对话特征，融入到第一对话信息的第一对话特征中，使得到的第一对话信息的融合对话特征中既包含第一对话信息所描述的症状的特征，又包含之后的第二对话信息所描述的症状的特征，该融合对话特征能够更加准确地对症状进行描述，提高了提取的对话特征的准确率。并且，由于对话特征是根据标签特征提取的，该对话特征能够反映出对话信息中所描述的症状与标签信息所指示的症状的匹配程度。

并且，根据标签信息提取的对话特征还能够指示对话信息所描述的症状与标签信息之间的匹配程度，便于后续根据该对话特征对对话信息进行进一步地处理。

并且，在根据标签信息提取对话特征时，先根据标签信息确定对话信息中每个词语的权重，再根据多个词语的权重，对多个词语的词语特征进行加权，得到对话特征，使得到的对话特征中能够凸显出与医学词语相关的特征，进一步提高了对话特征的准确率。

图5是本申请实施例提供的一种对话片段提取方法的流程图，本申请实施例的执行主体为计算机设备。参见图5，该方法包括以下步骤。

501、计算机设备获取标签信息、第一对话信息和第二对话信息。

502、计算机设备根据标签信息，对第一对话信息和第二对话信息分别进行特征提取，得到第一对话信息的第一对话特征和第二对话信息的第二对话特征。

503、计算机设备对第一对话特征和第二对话特征进行融合，得到第一对话信息的融合对话特征。

步骤501-503的实施方式与上述步骤201-203或者步骤301-305的实施方式同理，在此不再赘述。

504、计算机设备对融合对话特征进行分类处理，得到第一对话信息与标签信息之间的匹配度。

由于在获取融合对话特征的过程中，考虑了标签信息的标签特征，因此该融合对话特征中包含标签特征，直接对融合对话特征进行分类处理，即可确定第一对话信息与标签信息之间的匹配度。该匹配度用于表示第一对话信息所描述的症状是否与标签信息匹配。

可选地，标签信息中仅包括医学词语的情况下，该匹配度用于表示第一对话信息所描述的症状与医学词语之间的匹配程度；标签信息中包括医学词语和医学词语对应的状态词语的情况下，该匹配度用于表示第一对话信息所描述的症状与医学词语以及状态词语之间的匹配程度，也就是说，第一对话信息所描述的症状即需要与医学词语匹配，还需要与状态词语匹配。

在一种可能实现方式中，计算机设备采用二分类器对融合对话特征进行分类处理。例如，采用下述公式确定匹配度：

其中，

表示融合对话特征，

表示对融合对话特征

进行进一步特征提取后的特征，

表示采用前馈神经网络对融合对话特征

进行进一步特征提取，

表示匹配度，

表示回归函数。

505、计算机设备响应于匹配度大于参考匹配度，从第一对话信息中，提取与标签信息匹配的对话片段。

其中，参考匹配度为预先设置的任一数值，标签信息与对话片段匹配是指对话片段所描述的症状与标签信息匹配。

在一种可能实现方式中，计算机设备响应于匹配度大于参考匹配度，根据第一对话信息中多个词语的权重，从第一对话信息中选取对应的权重大于参考权重的多个目标词语，词语的权重表示词语与标签信息之间的匹配程度；确定多个目标词语在第一对话信息中的起始位置和结束位置；基于多个目标词语的起始位置和结束位置，从第一对话信息中提取包括至少一个目标词语的对话片段。其中，参考权重为任一权重，例如，参考权重为0.7、0.8等。

例如，采用下述公式确定每个词语的起始位置和结束位置：

其中，

表示任一词语的起始位置，

表示该任一词语的结束位置，

表示该任一词语的词语特征，

表示标签特征，

表示采用前馈神经网络对词语特征和标签特征进行进一步特征提取，

表示回归函数。

在一种可能实现方式中，计算机设备从第一对话信息中提取出至少一个对话片段，每个对话片段中包括至少一个目标词语。可选地，确定多个目标词语中第一个目标词语的起始位置和最后一个目标词语的结束位置，按照第一个目标词语的起始位置和最后一个目标词语的结束位置，从第一对话信息中提取对话片段；或者，确定任两个相邻的目标词语的结束位置与起始位置之间间隔的词语的数量，当间隔的词语的数量不超过参考数量的情况下，则将该任两个相邻的目标词语作为一个对话片段中的词语提取出来，当间隔的词语的数量超过参考数量的情况下，则将该任两个相邻的目标词语作为两个对话片段中的词语提取出来，这两个相邻的目标词语分别包含在两个对话片段中。

在一种可能实现方式中，标签信息仅包括医学词语的情况下，提取的对话片段所描述的症状与医学词语匹配；标签信息包括医学词语和状态词语的情况下，提取的对话片段所描述的症状即需要与医学词语匹配，还需要与状态词语匹配。例如，第一对话信息中包括“患者：我感觉有点发烧”，但是，第二对话信息中包括“医生：体温没有超过37度”，标签信息为“发烧：未知”，则根据第一对话信息和第二对话信息能够确定患者实际没有发烧，第一对话信息与该标签信息是不匹配的；标签信息为“发烧：阴性”时，提取出对话片段“发烧”和“37度”。

在一种可能实现方式中，计算机设备在匹配度不大于参考匹配度的情况下，从多个不同的候选标签信息中选取与标签信息不同的下一个标签信息，再次执行根据选取的标签信息，确定第一对话信息与选取的标签信息之间的匹配度的步骤，直至得到的匹配度大于参考匹配度，即根据选取的标签信息，重复执行上述步骤501-505。

本申请实施例提供的方法，将第一对话信息之后的第二对话信息的第二对话特征，融入到第一对话信息的第一对话特征中，使得到的第一对话信息的融合对话特征中既包含第一对话信息所描述的症状的特征，又包含之后的第二对话信息所描述的症状的特征，该融合对话特征能够更加准确地对症状进行描述，提高了提取的对话特征的准确率。并且，由于对话特征是根据标签特征提取的，该对话特征能够反映出对话信息中所描述的症状与标签信息所指示的症状的匹配程度。因此，基于得到的对话特征进行后续的对话片段提取时，能够准确地判断对话信息中所描述的症状是否与标签信息匹配，在匹配的情况下，能够准确提取出对话信息中的对话片段。

并且，本申请实施例中，当症状对应的状态发生变化的情况下，提取得到的融合对话特征由于考虑了第一对话信息之后的第二对话信息，因此考虑到了症状对应的状态发生变化的情况，在确定第一对话信息所描述的症状是否与标签信息匹配时，能够考虑到之后状态发生变化的情况，因此能够更加准确地对第一对话信息进行分类，确定是从当前的第一对话信息中提取对话片段，还是从之后的对话信息中提取对话片段。

上述实施例中对获取对话特征和提取对话片段的过程进行了说明，在一种可能实现方式中，计算机设备基于模型来获取对话特征和提取对话片段，下面对基于模型获取对话特征和提取对话片段的过程进行说明。

本申请实施例中，计算机设备基于特征获取模型来提取对话特征。参见图6，该特征获取模型包括编码网络601和特征融合网络602，其中编码网络601用于提取对话信息的对话特征，融合特征网络602用于对对话特征进行融合。进一步地，编码网络601中包括第一编码层611、第二编码层621和特征融合层631，其中第一编码层611用于提取标签信息的标签特征，第二编码层621用于提取每个词语的词语特征，特征融合层631用于提取对话信息的对话特征。

计算机设备将特征获取模型提取得到的特征输入至片段提取模型，基于片段提取模型来提取对话片段。参见图7，该对话片段提取模型包括分类网络701和片段提取网络702，其中分类网络701用于确定对话信息与标签信息之间的匹配度，片段提取网络702用于提取对话信息中的对话片段。

图8是本申请实施例提供的一种对话片段提取方法的流程图，本申请实施例的执行主体为计算机设备。参见图5，该方法包括以下步骤。

801、计算机设备获取标签信息、第一对话信息和第二对话信息。

802、计算机设备基于编码网络，根据标签信息，对第一对话信息和第二对话信息分别进行特征提取，得到第一对话信息的第一对话特征和第二对话信息的第二对话特征。

在一种可能实现方式中，计算机设备基于第一编码层，对标签信息进行特征提取，得到标签信息的标签特征；基于第二编码层，对第一对话信息中的多个词语进行特征提取，得到多个词语的词语特征；基于特征融合层，对标签特征和多个词语的词语特征进行处理，确定多个词语的权重，词语的权重表示词语与标签信息之间的匹配程度；基于特征融合层，按照多个词语的权重，对多个词语的词语特征进行加权处理，得到第一对话特征。

同理，计算机设备基于第一编码层，对标签信息进行特征提取，得到标签信息的标签特征；基于第二编码层，对第二对话信息中的多个词语进行特征提取，得到多个词语的词语特征；基于特征融合层，对标签特征和多个词语的词语特征进行处理，确定多个词语的权重，词语的权重表示词语与标签信息之间的匹配程度；基于特征融合层，按照多个词语的权重，对多个词语的词语特征进行加权处理，得到第二对话特征。

在一种可能实现方式中，计算机设备基于特征融合层，分别获取标签特征与多个词语特征之间的第一相似度；对获取到的多个第一相似度进行归一化处理，得到多个词语的权重。

803、计算机设备基于特征融合网络，对第一对话特征和第二对话特征进行融合，得到第一对话信息的融合对话特征。

在一种可能实现方式中，第二对话信息包括多个，特征融合网络包括注意力层和融合层，计算机设备调用注意力层，根据第一对话特征与多个第二对话信息的第二对话特征之间的第二相似度，从多个第二对话信息中选取第二相似度最大的第二对话信息，调用融合层，将第一对话特征和选取的第二对话信息的第二对话特征进行融合，得到融合对话特征。

804、计算机设备基于分类网络，对融合对话特征进行分类处理，得到第一对话信息与标签信息之间的匹配度。

在一种可能实现方式中，计算机设备得到第一对话信息与标签信息之间的匹配度之后，将匹配度转换为0或1，分类网络输出0或1。其中，1表示第一对话信息与标签信息匹配，0表示第一对话信息与标签信息不匹配。可选地，当匹配度大于参考匹配度时，分类网络输出1，当匹配度不大于参考匹配度时，分类网络输出0。

805、计算机设备基于片段提取网络，响应于匹配度大于参考匹配度，从第一对话信息中，提取与标签信息匹配的对话片段。

分类网络输出1的情况下，基于片段提取网络进行后续的处理。其中，片段提取网络包括注意力层、位置确定层和片段提取层。在一种可能实现方式中，计算机设备基于根据第一对话信息中多个词语的权重，从第一对话信息中选取对应的权重大于参考权重的多个目标词语；基于位置确定层，确定多个目标词语在第一对话信息中的起始位置和结束位置；基于提取层，基于多个目标词语的起始位置和结束位置，从第一对话信息中提取包括至少一个目标词语的对话片段。

在一种可能实现方式中，分类网络输出0的情况下，计算机设备从多个不同的候选标签信息中选取与标签信息不同的下一个标签信息，再次基于特征获取模型和片段提取模型中的分类网络，执行根据选取的标签信息，确定第一对话信息与选取的标签信息之间的匹配度的步骤，直至得到的匹配度大于参考匹配度。

例如，参见图9所示的模型结构。计算机设备从多个候选标签信息中选取一个标签信息“胸痛：阳性”，并获取第一对话信息和多个第二对话信息，将获取的标签信息、第一对话信息和多个第二对话信息输入至编码网络601，基于该编码网络601中的编码器，对标签信息、第一对话信息和多个第二对话信息进行处理，分别得到标签信息的标签特征、每个对话信息中每个词语的词语特征，再基于编码网络601中的注意力层，对标签特征和多个词语特征进行处理，得到每个词语的权重，再基于特征融合层，得到每个对话信息的对话特征，将得到的多个对话特征输入至特征融合网络602，基于该特征融合网络602中的注意力层，对多个对话特征进行处理，从多个第二对话信息中选取出一个第二对话信息，基于该特征融合网络602中的融合层，对选取出的第二对话信息的第二对话特征与第一对话特征进行融合，得到第一对话信息的融合对话特征，将融合对话特征输入至分类网络701，基于该分类网络701确定第一对话信息所描述的症状是否与标签信息匹配，如果分类网络701输出1，则基于片段提取网络702，提取对话片段，如果不是，则重新选取一个标签信息，重复执行上述步骤。其中，在片段提取网络702中，起始位置为1则表示对应的位置处为一个目标词语的起始位置，起始位置为0则表示对应的位置处不是一个目标词语的起始位置，结束位置为1则表示1对应的位置处为一个目标词语的结束位置，结束位置为1则表示对应的位置处不是一个目标词语的结束位置。

在一种可能实现方式中，为了说明本申请中的分类方式更准确，将本申请中的CLINER模型（特征获取模型和片段提取模型）与相关技术中的分类模型进行对比，对比结果参见表1，MIE（Medical Information Extractor，医学信息提取器）单模型和MIE多模型均比基于LSTM的传统分类器得到了更好的结果，这表明MIE结构比LSTM更有效。本申请中的CLINER模型是基于MIE进一步进行改进后的模型，在F1（精确率和召回率的加权平均）微分值上优于相关技术，与此同时，在窗口级和整体级上与相关技术的最佳结果相比也有所提高。

在一种可能实现方式中，为了说明本申请中的片段提取方式更准确，将本申请中的CLINER与相关技术中的片段提取模型进行对比，对比结果参见表2，相关技术中包括：基于SOFTMAX（回归函数）的模型和基于CRF（Conditional Random Fields，条件随机场）的模型，其中基于SOFTMAX的模型包括LSTM+SOFTMAX和BERT+SOFTMAX，基于CRF的模型包括LSTM+CRF和BERT+CRF，本申请中的CLINER在各方面均优于相关技术。

在一种可能实现方式中，以对话信息所描述的症状对应的状态发生变化为例，当状态变化时，去掉医学词语是否匹配，只保留医学词语对应的状态词语来进行评估，而不是用完整的标签信息来比较模型的性能。对比结果参见表3，本申请的CLINER在各方面均优于相关技术。

本申请实施例提供的方法，将第一对话信息之后的第二对话信息的第二对话特征，融入到第一对话信息的第一对话特征中，使得到的第一对话信息的融合对话特征中既包含第一对话信息所描述的症状的特征，又包含之后的第二对话信息所描述的症状的特征，该融合对话特征能够更加准确地对症状进行描述，提高了提取的对话特征的准确率。因此，基于得到的对话特征进行后续的对话片段提取时，能够准确地判断对话信息中所描述的症状是否与标签信息匹配，在匹配的情况下，能够准确提取出对话信息中的对话片段。并且，由于对话特征是根据标签特征提取的，该对话特征能够反映出对话信息中所描述的症状与标签信息所指示的症状的匹配程度。

在基于特征获取模型提取特征和基于片段提取模型提取对话片段之前，需要先训练特征获取模型和片段提取模型，这两个模型分别进行训练，或者一起训练。下面以两个模型一起训练为例进行说明。

图10是本申请实施例提供的一种模型训练方法的流程图，该方法的执行主体为计算机设备，参见图10，该方法包括以下步骤。

1001、计算机设备获取第一样本对话信息、第二样本对话信息、第一样本对话信息对应的样本标签信息和第一样本对话信息中的样本对话片段。

其中，第二样本对话信息是位于第一样本对话信息之后的信息，样本对话片段所描述的症状与样本标签信息匹配，样本对话信息包括样本输入信息和针对样本输入信息的样本回复信息。

1002、计算机设备基于特征获取模型，对第一样本对话信息、第二样本对话信息和样本标签信息进行处理，得到第一样本对话信息的预测特征。

1003、计算机设备基于片段提取模型，对预测特征、第一样本对话信息和样本标签进行处理，得到预测对话片段。

1004、计算机设备根据预测对话片段和样本对话片段，训练特征获取模型和片段提取模型。

下面以两个模型分别训练为例进行说明。

对于特征获取模型，计算机设备获取第一样本对话信息、第二样本对话信息和第一样本对话信息对应的样本标签信息，第二样本对话信息是位于第一样本对话信息之后的信息，第一样本对话信息所描述的症状与样本标签信息匹配；基于特征获取模型，对第一样本对话信息、第二样本对话信息和样本标签信息进行处理，得到第一样本对话信息的样本预测特征；基于样本预测特征和样本标签信息，训练特征获取模型。

在一种可能实现方式中，计算机设备获取第一样本对话信息与样本标签信息之间的样本匹配度，第一样本对话信息包括样本输入信息和针对样本输入信息的样本回复信息；对样本预测特征进行分类处理，得到第一样本对话信息与样本标签信息之间的预测匹配度；根据预测匹配度与样本匹配度，训练特征获取模型。

对于片段提取模型，计算机设备获取第一样本对话信息、第一样本对话信息中的样本对话片段、样本标签信息和第一样本对话信息的样本对话特征，样本对话片段所描述的症状与样本标签信息匹配，样本对话信息包括样本输入信息和针对样本输入信息的样本回复信息；基于片段提取模型，对第一样本对话信息、样本标签信息和样本对话特征进行处理，得到预测对话片段；根据样本对话片段和预测对话片段，训练片段提取模型。

上述训练过程仅是以一次训练为例进行说明，在另一实施例中，获取多个样本对话信息、样本标签信息，重复上述训练过程，对特征获取模型和片段提取模型进行迭代训练，响应于迭代次数达到第一阈值，停止对特征获取模型和片段提取模型进行训练；或者，响应于当前迭代轮次预测得到的对话片段和样本对话片段之间的差异足够小，停止对特征获取模型和片段提取模型进行训练；或者，在分开训练的情况下，预测匹配度与样本匹配度之间的差异足够小，停止对特征获取模型进行训练。

图11是本申请实施例提供的一种特征获取装置的结构示意图。参见图11，该装置包括：

信息获取模块1101，用于获取标签信息、第一对话信息和第二对话信息，标签信息至少包括与任一症状匹配的医学词语，第二对话信息是位于第一对话信息之后的对话信息，其中第一对话信息和第二对话信息中均包括输入信息和针对输入信息的回复信息；

特征提取模块1102，用于根据标签信息，对第一对话信息和第二对话信息分别进行特征提取，得到第一对话信息的第一对话特征和第二对话信息的第二对话特征，第一对话特征至少指示第一对话信息所描述的症状与标签信息之间的匹配程度，第二对话特征至少指示第二对话信息所描述的症状与标签信息之间的匹配程度；

特征融合模块1103，用于对第一对话特征和第二对话特征进行融合，得到第一对话信息的融合对话特征。

本申请实施例提供的装置，将第一对话信息之后的第二对话信息的第二对话特征，融入到第一对话信息的第一对话特征中，使得到的第一对话信息的融合对话特征中既包含第一对话信息所描述的症状的特征，又包含之后的第二对话信息所描述的症状的特征，该融合对话特征能够更加准确地对症状进行描述，提高了提取的对话特征的准确率。并且，由于对话特征是根据标签特征提取的，该对话特征能够反映出对话信息中所描述的症状与标签信息所指示的症状的匹配程度。

在一种可能实现方式中，参见图12，特征提取模块1102，包括：

标签特征提取单元1112，用于对标签信息进行特征提取，得到标签信息的标签特征；

词语特征提取单元1122，用于对第一对话信息中的多个词语进行特征提取，得到多个词语的词语特征；

权重确定单元1132，用于基于标签特征和多个词语的词语特征，确定多个词语的权重，词语的权重表示词语与标签信息之间的匹配程度；

对话特征获取单元1142，用于基于多个词语的权重，对多个词语的词语特征进行加权处理，得到第一对话特征。

在另一种可能实现方式中，参见图12，权重确定单元1132，用于：

分别获取标签特征与多个词语特征之间的第一相似度；

对获取到的多个第一相似度进行归一化处理，得到多个词语的权重。

在另一种可能实现方式中，第二对话信息包括多个，参见图12，特征融合模块1103，包括：

信息选取单元1113，用于根据第一对话特征与多个第二对话特征之间的第二相似度，从多个第二对话信息中选取第二相似度最大的第二对话信息，第二相似度至少指示第二对话信息所描述的症状与第一对话信息所描述的症状之间的相似程度；

特征融合单元1123，用于将第一对话特征和选取的第二对话信息的第二对话特征进行融合，得到融合对话特征。

在另一种可能实现方式中，参见图12，该装置还包括：

特征分类模块1104，用于对融合对话特征进行分类处理，得到第一对话信息与标签信息之间的匹配度；

片段提取模块1105，用于响应于匹配度大于参考匹配度，从第一对话信息中，提取与标签信息匹配的对话片段，标签信息与对话片段匹配是指对话片段所描述的症状与标签信息匹配。

在另一种可能实现方式中，参见图12，片段提取模块1105，用于：

响应于匹配度大于参考匹配度，根据第一对话信息中多个词语的权重，从第一对话信息中选取对应的权重大于参考权重的多个目标词语，词语的权重表示词语与标签信息之间的匹配程度；

确定多个目标词语在第一对话信息中的起始位置和结束位置；

基于多个目标词语的起始位置和结束位置，从第一对话信息中提取包括至少一个目标词语的对话片段。

在另一种可能实现方式中，参见图12，片段提取模块1105，还用于响应于匹配度不大于参考匹配度，从多个不同的候选标签信息中选取与标签信息不同的下一个标签信息，再次执行根据选取的标签信息，确定第一对话信息与选取的标签信息之间的匹配度的步骤，直至得到的匹配度大于参考匹配度。

在另一种可能实现方式中，特征获取模型包括编码网络和特征融合网络，特征提取模块1102，用于基于编码网络，根据标签信息，对第一对话信息和第二对话信息分别进行特征提取，得到第一对话特征和第二对话特征；

特征融合模块1103，用于基于特征融合网络，对第一对话特征和第二对话特征进行融合，得到第一对话信息的融合对话特征。

在另一种可能实现方式中，编码网络包括第一编码层、第二编码层和特征融合层，参见图12，特征提取模块1102，包括：

标签特征提取单元1112，用于基于第一编码层，对标签信息进行特征提取，得到标签信息的标签特征；

词语特征提取单元1122，用于基于第二编码层，对第一对话信息中的多个词语进行特征提取，得到多个词语的词语特征；

权重确定单元1132，用于基于特征融合层，对标签特征和多个词语的词语特征进行处理，确定多个词语的权重，词语的权重表示词语与标签信息之间的匹配程度；

对话特征获取单元1142，用于基于特征融合层，按照多个词语的权重，对多个词语的词语特征进行加权处理，得到第一对话特征。

在另一种可能实现方式中，参见图12，该装置还包括：

第一训练模块1106，用于获取第一样本对话信息、第二样本对话信息和第一样本对话信息对应的样本标签信息，第二样本对话信息是位于第一样本对话信息之后的信息，第一样本对话信息所描述的症状与样本标签信息匹配，第一样本对话信息和第二样本对话信息中均包括样本输入信息和针对样本输入信息的样本回复信息；

第一训练模块1106，还用于基于特征获取模型，对第一样本对话信息、第二样本对话信息和样本标签信息进行处理，得到第一样本对话信息的样本预测特征；

第一训练模块1106，还用于基于样本预测特征和样本标签信息，训练特征获取模型。

在另一种可能实现方式中，参见图12，第一训练模块1106，还用于：

获取第一样本对话信息与样本标签信息之间的样本匹配度；

对样本预测特征进行分类处理，得到第一样本对话信息与样本标签信息之间的预测匹配度；

根据预测匹配度与样本匹配度，训练特征获取模型。

在另一种可能实现方式中，片段提取模型包括分类网络和片段提取网络，参见图12，该装置还包括：

特征分类模块1104，用于基于分类网络，对融合对话特征进行分类处理，得到第一对话信息与标签信息之间的匹配度；

片段提取模块1105，用于基于片段提取网络，响应于匹配度大于参考匹配度，从第一对话信息中，提取与标签信息匹配的对话片段；

其中，特征获取模型和片段提取模型的训练过程包括：

获取第一样本对话信息、第二样本对话信息、第一样本对话信息对应的样本标签信息和第一样本对话信息中的样本对话片段，第二样本对话信息是位于第一样本对话信息之后的信息，样本对话片段所描述的症状与样本标签信息匹配，第一样本对话信息和第二样本对话信息中均包括样本输入信息和针对样本输入信息的样本回复信息；

基于特征获取模型，对第一样本对话信息、第二样本对话信息和样本标签信息进行处理，得到第一样本对话信息的预测特征；

基于片段提取模型，对预测特征、第一样本对话信息和样本标签进行处理，得到预测对话片段；

根据预测对话片段和样本对话片段，训练特征获取模型和片段提取模型。

在另一种可能实现方式中，片段提取模型包括分类网络和片段提取网络，参见图12，特征分类模块1104，用于基于分类网络，对融合对话特征进行分类处理，得到第一对话信息与标签信息之间的匹配度；

片段提取模块1105，用于基于片段提取网络，响应于匹配度大于参考匹配度，从第一对话信息中，提取与标签信息匹配的对话片段。

在另一种可能实现方式中，参见图12，该装置还包括：

第二训练模块1107，用于获取第一样本对话信息、第一样本对话信息中的样本对话片段、样本标签信息和第一样本对话信息的样本对话特征，样本对话片段所描述的症状与样本标签信息匹配，第一样本对话信息和第二样本对话信息中均包括样本输入信息和针对样本输入信息的样本回复信息；

第二训练模块1107，还用于基于片段提取模型，对第一样本对话信息、样本标签信息和样本对话特征进行处理，得到预测对话片段；

第二训练模块1107，还用于根据样本对话片段和预测对话片段，训练片段提取模型。

上述所有可选技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。

需要说明的是：上述实施例提供的特征获取装置在获取特征时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将计算机设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的特征获取装置与特征获取方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本申请实施例还提供了一种计算机设备，该计算机设备包括处理器和存储器，存储器中存储有至少一条计算机程序，该至少一条计算机程序由处理器加载并执行，以实现上述实施例的特征获取方法中所执行的操作。

可选地，该计算机设备提供为终端。图13是本申请实施例提供的一种终端1300的结构示意图。该终端1300可以是便携式移动终端，比如：智能手机、平板电脑、MP3播放器（Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3）、MP4（Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4）播放器、笔记本电脑或台式电脑。终端1300还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。

终端1300包括有：处理器1301和存储器1302。

处理器1301可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1301可以采用DSP（Digital Signal Processing，数字信号处理）、FPGA（Field－Programmable Gate Array，现场可编程门阵列）、PLA（Programmable Logic Array，可编程逻辑阵列）中的至少一种硬件形式来实现。处理器1301也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU（Central ProcessingUnit，中央处理器）；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器1301可以集成有GPU（Graphics Processing Unit，图像处理器），GPU用于负责显示屏所需要显示的内容的渲染和绘制。在一些实施例中，处理器1301还可以包括AI（Artificial Intelligence，人工智能）处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器1302可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1302还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器1302中的非暂态的计算机可读存储介质用于存储至少一条计算机程序，该至少一条计算机程序用于被处理器1301所执行以实现本申请中方法实施例提供的特征获取方法。

在一些实施例中，终端1300还可选包括有：外围设备接口1303和至少一个外围设备。处理器1301、存储器1302和外围设备接口1303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1303相连。具体地，外围设备包括：射频电路1304、显示屏1305、摄像头组件1306、音频电路1307、定位组件1308和电源1309中的至少一种。

外围设备接口1303可被用于将I/O（Input/Output，输入/输出）相关的至少一个外围设备连接到处理器1301和存储器1302。在一些实施例中，处理器1301、存储器1302和外围设备接口1303被集成在同一芯片或电路板上；在一些其他实施例中，处理器1301、存储器1302和外围设备接口1303中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。

射频电路1304用于接收和发射RF（Radio Frequency，射频）信号，也称电磁信号。射频电路1304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1304将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1304包括：天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于：万维网、城域网、内联网、各代移动通信网络（2G、3G、4G及5G）、无线局域网和/或WiFi（Wireless Fidelity，无线保真）网络。在一些实施例中，射频电路1304还可以包括NFC（Near Field Communication，近距离无线通信）有关的电路，本申请对此不加以限定。

显示屏1305用于显示UI（User Interface，用户界面）。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1305是触摸显示屏时，显示屏1305还具有采集在显示屏1305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1301进行处理。此时，显示屏1305还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。在一些实施例中，显示屏1305可以为一个，设置在终端1300的前面板；在另一些实施例中，显示屏1305可以为至少两个，分别设置在终端1300的不同表面或呈折叠设计；在另一些实施例中，显示屏1305可以是柔性显示屏，设置在终端1300的弯曲表面上或折叠面上。甚至，显示屏1305还可以设置成非矩形的不规则图形，也即异形屏。显示屏1305可以采用LCD（Liquid Crystal Display，液晶显示屏）、OLED（Organic Light-EmittingDiode，有机发光二极管）等材质制备。

摄像头组件1306用于采集图像或视频。可选地，摄像头组件1306包括前置摄像头和后置摄像头。前置摄像头设置在终端的前面板，后置摄像头设置在终端的背面。在一些实施例中，后置摄像头为至少两个，分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种，以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR（Virtual Reality，虚拟现实）拍摄功能或者其它融合拍摄功能。在一些实施例中，摄像头组件1306还可以包括闪光灯。闪光灯可以是单色温闪光灯，也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合，可以用于不同色温下的光线补偿。

音频电路1307可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波，并将声波转换为电信号输入至处理器1301进行处理，或者输入至射频电路1304以实现语音通信。出于立体声采集或降噪的目的，麦克风可以为多个，分别设置在终端1300的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器1301或射频电路1304的电信号转换为声波。扬声器可以是传统的薄膜扬声器，也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时，不仅可以将电信号转换为人类可听见的声波，也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中，音频电路1307还可以包括耳机插孔。

定位组件1308用于定位终端1300的当前地理位置，以实现导航或LBS（LocationBased Service，基于位置的服务）。定位组件1308可以是基于美国的GPS（GlobalPositioning System，全球定位系统）、中国的北斗系统、俄罗斯的格雷纳斯定位系统或欧盟的伽利略定位系统的定位组件。

电源1309用于为终端1300中的各个组件进行供电。电源1309可以是交流电、直流电、一次性电池或可充电电池。当电源1309包括可充电电池时，该可充电电池可以是有线充电电池或无线充电电池。有线充电电池是通过有线线路充电的电池，无线充电电池是通过无线线圈充电的电池。该可充电电池还可以用于支持快充技术。

在一些实施例中，终端1300还包括有一个或多个传感器1310。该一个或多个传感器1310包括但不限于：加速度传感器1311、陀螺仪传感器1312、压力传感器1313、指纹传感器1314、光学传感器1315以及接近传感器1316。

加速度传感器1311可以检测以终端1300建立的坐标系的三个坐标轴上的加速度大小。比如，加速度传感器1311可以用于检测重力加速度在三个坐标轴上的分量。处理器1301可以根据加速度传感器1311采集的重力加速度信号，控制显示屏1305以横向视图或纵向视图进行用户界面的显示。加速度传感器1311还可以用于游戏或者用户的运动数据的采集。

陀螺仪传感器1312可以检测终端1300的机体方向及转动角度，陀螺仪传感器1312可以与加速度传感器1311协同采集用户对终端1300的3D动作。处理器1301根据陀螺仪传感器1312采集的数据，可以实现如下功能：动作感应（比如根据用户的倾斜操作来改变UI）、拍摄时的图像稳定、游戏控制以及惯性导航。

压力传感器1313可以设置在终端1300的侧边框和/或显示屏1305的下层。当压力传感器1313设置在终端1300的侧边框时，可以检测用户对终端1300的握持信号，由处理器1301根据压力传感器1313采集的握持信号进行左右手识别或快捷操作。当压力传感器1313设置在显示屏1305的下层时，由处理器1301根据用户对显示屏1305的压力操作，实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。

指纹传感器1314用于采集用户的指纹，由处理器1301根据指纹传感器1314采集到的指纹识别用户的身份，或者，由指纹传感器1314根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时，由处理器1301授权该用户执行相关的敏感操作，该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器1314可以被设置在终端1300的正面、背面或侧面。当终端1300上设置有物理按键或厂商Logo时，指纹传感器1314可以与物理按键或厂商Logo集成在一起。

光学传感器1315用于采集环境光强度。在一个实施例中，处理器1301可以根据光学传感器1315采集的环境光强度，控制显示屏1305的显示亮度。具体地，当环境光强度较高时，调高显示屏1305的显示亮度；当环境光强度较低时，调低显示屏1305的显示亮度。在另一个实施例中，处理器1301还可以根据光学传感器1315采集的环境光强度，动态调整摄像头组件1306的拍摄参数。

接近传感器1316，也称距离传感器，设置在终端1300的前面板。接近传感器1316用于采集用户与终端1300的正面之间的距离。在一个实施例中，当接近传感器1316检测到用户与终端1300的正面之间的距离逐渐变小时，由处理器1301控制显示屏1305从亮屏状态切换为息屏状态；当接近传感器1316检测到用户与终端1300的正面之间的距离逐渐变大时，由处理器1301控制显示屏1305从息屏状态切换为亮屏状态。

本领域技术人员可以理解，图13中示出的结构并不构成对终端1300的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

可选地，该计算机设备提供为服务器。图14是本申请实施例提供的一种服务器的结构示意图，该服务器1400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（Central Processing Units，CPU）1401和一个或一个以上的存储器1402，其中，存储器1402中存储有至少一条计算机程序，该至少一条计算机程序由处理器1401加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘以及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。

本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条计算机程序，该至少一条计算机程序由处理器加载并执行，以实现上述实施例的特征获取方法中所执行的操作。

本申请实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序代码，该计算机程序代码存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序代码，处理器执行该计算机程序代码，使得计算机设备实现上述实施例的特征获取方法中所执行的操作。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，该程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上仅为本申请实施例的可选实施例，并不用以限制本申请实施例，凡在本申请实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (15)

1.一种特征获取方法，其特征在于，所述方法包括：

获取标签信息、第一对话信息和第二对话信息，所述标签信息至少包括与任一症状匹配的医学词语，所述第二对话信息是位于所述第一对话信息之后的对话信息，其中所述第一对话信息和所述第二对话信息中均包括输入信息和针对所述输入信息的回复信息；

根据所述标签信息，对所述第一对话信息和所述第二对话信息分别进行特征提取，得到所述第一对话信息的第一对话特征和所述第二对话信息的第二对话特征，所述第一对话特征至少指示所述第一对话信息所描述的症状与所述标签信息之间的匹配程度，所述第二对话特征至少指示所述第二对话信息所描述的症状与所述标签信息之间的匹配程度；

对所述第一对话特征和所述第二对话特征进行融合，得到所述第一对话信息的融合对话特征。

2.根据权利要求1所述的方法，其特征在于，根据所述标签信息，对所述第一对话信息进行特征提取，得到所述第一对话信息的第一对话特征，包括：

对所述标签信息进行特征提取，得到所述标签信息的标签特征；

对所述第一对话信息中的多个词语进行特征提取，得到所述多个词语的词语特征；

基于所述标签特征和所述多个词语的词语特征，确定所述多个词语的权重，词语的权重表示所述词语与所述标签信息之间的匹配程度；

基于所述多个词语的权重，对所述多个词语的词语特征进行加权处理，得到所述第一对话特征。

3.根据权利要求2所述的方法，其特征在于，所述基于所述标签特征和所述多个词语的词语特征，确定所述多个词语的权重，包括：

分别获取所述标签特征与多个词语特征之间的第一相似度；

对获取到的多个第一相似度进行归一化处理，得到所述多个词语的权重。

4.根据权利要求1所述的方法，其特征在于，所述第二对话信息包括多个，所述对所述第一对话特征和所述第二对话特征进行融合，得到所述第一对话信息的融合对话特征，包括：

根据所述第一对话特征与多个第二对话特征之间的第二相似度，从所述多个第二对话信息中选取所述第二相似度最大的所述第二对话信息，所述第二相似度至少指示所述第二对话信息所描述的症状与所述第一对话信息所描述的症状之间的相似程度；

将所述第一对话特征和选取的所述第二对话信息的第二对话特征进行融合，得到所述融合对话特征。

5.根据权利要求1所述的方法，其特征在于，所述对所述第一对话特征和所述第二对话特征进行融合，得到所述第一对话信息的融合对话特征之后，所述方法还包括：

对所述融合对话特征进行分类处理，得到所述第一对话信息与所述标签信息之间的匹配度；

响应于所述匹配度大于参考匹配度，从所述第一对话信息中，提取与所述标签信息匹配的对话片段，所述标签信息与所述对话片段匹配是指所述对话片段所描述的症状与所述标签信息匹配。

6.根据权利要求5所述的方法，其特征在于，所述响应于所述匹配度大于参考匹配度，从所述第一对话信息中，提取与所述标签信息匹配的对话片段，包括：

响应于所述匹配度大于所述参考匹配度，根据所述第一对话信息中多个词语的权重，从所述第一对话信息中选取对应的权重大于参考权重的多个目标词语，词语的权重表示所述词语与所述标签信息之间的匹配程度；

确定所述多个目标词语在所述第一对话信息中的起始位置和结束位置；

基于所述多个目标词语的起始位置和结束位置，从所述第一对话信息中提取包括至少一个目标词语的对话片段。

7.根据权利要求5所述的方法，其特征在于，所述对所述融合对话特征进行分类处理，得到所述第一对话信息与所述标签信息之间的匹配度之后，所述方法还包括：

响应于所述匹配度不大于所述参考匹配度，从多个不同的候选标签信息中选取与所述标签信息不同的下一个标签信息，再次执行根据选取的标签信息，确定所述第一对话信息与选取的标签信息之间的匹配度的步骤，直至得到的匹配度大于所述参考匹配度。

8.根据权利要求1所述的方法，其特征在于，特征获取模型包括编码网络和特征融合网络，所述根据所述标签信息，对所述第一对话信息和所述第二对话信息分别进行特征提取，得到所述第一对话信息的第一对话特征和所述第二对话信息的第二对话特征，包括：

基于所述编码网络，根据所述标签信息，对所述第一对话信息和所述第二对话信息分别进行特征提取，得到所述第一对话特征和所述第二对话特征；

所述对所述第一对话特征和所述第二对话特征进行融合，得到所述第一对话信息的融合对话特征，包括：

基于所述特征融合网络，对所述第一对话特征和所述第二对话特征进行融合，得到所述第一对话信息的融合对话特征。

9.根据权利要求8所述的方法，其特征在于，所述编码网络包括第一编码层、第二编码层和特征融合层，基于所述编码网络，根据所述标签信息，对所述第一对话信息进行特征提取，得到所述第一对话特征，包括：

基于所述第一编码层，对所述标签信息进行特征提取，得到所述标签信息的标签特征；

基于所述第二编码层，对所述第一对话信息中的多个词语进行特征提取，得到所述多个词语的词语特征；

基于所述特征融合层，对所述标签特征和所述多个词语的词语特征进行处理，确定所述多个词语的权重，词语的权重表示所述词语与所述标签信息之间的匹配程度；

基于所述特征融合层，按照所述多个词语的权重，对所述多个词语的词语特征进行加权处理，得到所述第一对话特征。

10.根据权利要求8或9所述的方法，其特征在于，所述特征获取模型的训练过程包括：

获取第一样本对话信息、第二样本对话信息和所述第一样本对话信息对应的样本标签信息，所述第二样本对话信息是位于所述第一样本对话信息之后的信息，所述第一样本对话信息所描述的症状与所述样本标签信息匹配，所述第一样本对话信息和所述第二样本对话信息中均包括样本输入信息和针对所述样本输入信息的样本回复信息；

基于所述特征获取模型，对所述第一样本对话信息、所述第二样本对话信息和所述样本标签信息进行处理，得到所述第一样本对话信息的样本预测特征；

基于所述样本预测特征和所述样本标签信息，训练所述特征获取模型。

11.根据权利要求8所述的方法，其特征在于，片段提取模型包括分类网络和片段提取网络，所述基于所述特征融合网络，对所述第一对话特征和所述第二对话特征进行融合，得到所述第一对话信息的融合对话特征之后，所述方法还包括：

基于所述分类网络，对所述融合对话特征进行分类处理，得到所述第一对话信息与所述标签信息之间的匹配度；

基于所述片段提取网络，响应于所述匹配度大于参考匹配度，从所述第一对话信息中，提取与所述标签信息匹配的对话片段；

其中，所述特征获取模型和所述片段提取模型的训练过程包括：

获取第一样本对话信息、第二样本对话信息、所述第一样本对话信息对应的样本标签信息和所述第一样本对话信息中的样本对话片段，所述第二样本对话信息是位于所述第一样本对话信息之后的信息，所述样本对话片段所描述的症状与所述样本标签信息匹配，所述第一样本对话信息和所述第二样本对话信息中均包括样本输入信息和针对所述样本输入信息的样本回复信息；

基于所述特征获取模型，对所述第一样本对话信息、所述第二样本对话信息和所述样本标签信息进行处理，得到所述第一样本对话信息的预测特征；

基于所述片段提取模型，对所述预测特征、所述第一样本对话信息和所述样本标签进行处理，得到预测对话片段；

根据所述预测对话片段和所述样本对话片段，训练所述特征获取模型和所述片段提取模型。

12.根据权利要求5所述的方法，其特征在于，片段提取模型包括分类网络和片段提取网络，所述对所述融合对话特征进行分类处理，得到所述第一对话信息与所述标签信息之间的匹配度，包括：

基于所述分类网络，对所述融合对话特征进行分类处理，得到所述第一对话信息与所述标签信息之间的匹配度；

所述响应于所述匹配度大于参考匹配度，从所述第一对话信息中，提取与所述标签信息匹配的对话片段，包括：

基于所述片段提取网络，响应于所述匹配度大于所述参考匹配度，从所述第一对话信息中，提取与所述标签信息匹配的对话片段。

13.一种特征获取装置，其特征在于，所述装置包括：

信息获取模块，用于获取标签信息、第一对话信息和第二对话信息，所述标签信息至少包括与任一症状匹配的医学词语，所述第二对话信息是位于所述第一对话信息之后的对话信息，其中所述第一对话信息和所述第二对话信息中均包括输入信息和针对所述输入信息的回复信息；

特征提取模块，用于根据所述标签信息，对所述第一对话信息和所述第二对话信息分别进行特征提取，得到所述第一对话信息的第一对话特征和所述第二对话信息的第二对话特征，所述第一对话特征至少指示所述第一对话信息所描述的症状与所述标签信息之间的匹配程度，所述第二对话特征至少指示所述第二对话信息所描述的症状与所述标签信息之间的匹配程度；

特征融合模块，用于对所述第一对话特征和所述第二对话特征进行融合，得到所述第一对话信息的融合对话特征。

14.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行，以实现如权利要求1至12任一权利要求所述的特征获取方法中所执行的操作。

15.一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中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行，以实现如权利要求1至12任一权利要求所述的特征获取方法中所执行的操作。

Images