CN114330482A - 一种数据处理方法、装置及计算机可读存储介质 - Google Patents

Abstract

本申请提出了一种数据处理方法、装置及计算机可读存储介质，其中方法包括：获取用户的状态信息，状态信息包括一个或多个初始状态描述数据；基于状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息，其中，第一问询信息包括一个或多个推荐状态描述数据；获取用户针对第一问询信息的响应操作，并根据响应操作确定第一问询信息的问询结果；根据状态信息以及问询结果确定用户的目标分类结果。本申请可以应用于云技术、人工智能、智慧医疗等各种场景，可以提高状态数据的处理效率，提升分类的准确性和智能化。

Description

一种数据处理方法、装置及计算机可读存储介质

技术领域

本申请涉及计算机技术领域，具体涉及一种数据处理方法、装置及计算机可读存储介质。

背景技术

随着计算机技术的不断发展和应用，越来越多的场景需要用到数据处理技术，例如根据用户的状态信息对用户进行问询信息推荐和目标分类。目前，在问询信息推荐时，常采用基于用户状态的问卷模板；在目标分类时，常采用人工检测的方法，即根据检测人员的现有经验和主观意识对用户进行分类，容易出现误判的情况。上述方法对用户状态信息的处理效率低，目标分类的准确性低、智能化不足。

发明内容

本申请提供一种数据处理方法、装置及计算机可读存储介质，可以提高用户状态信息的处理效率，提升目标分类的准确率和智能化。

本申请提供了一种数据处理方法，该方法包括：获取用户的状态信息，上述状态信息包括一个或多个初始状态描述数据；

基于上述状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息，其中，上述第一问询信息包括一个或多个推荐状态描述数据；

获取上述用户针对上述第一问询信息的响应操作，并根据上述响应操作确定上述第一问询信息的问询结果；

根据上述状态信息以及上述问询结果确定上述用户的目标分类结果。

本申请提供了一种数据处理装置，该装置包括：

获取模块，用于获取用户的状态信息，上述状态信息包括一个或多个初始状态描述数据；

处理模块，用于基于上述状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息，其中，上述第一问询信息包括一个或多个推荐状态描述数据；

上述处理模块，还用于获取上述用户针对上述第一问询信息的响应操作，并根据上述响应操作确定上述第一问询信息的问询结果；

分类模块，用于根据上述状态信息以及上述问询结果确定上述用户的目标分类结果。

本申请提供了一种计算机设备，包括：存储器、处理器，其中，上述存储器上存储有数据处理程序，该数据处理程序被上述处理器执行时实现上述的数据处理方法。

本申请提供了一种计算机可读存储介质，上述计算机存储介质存储有计算机程序，上述计算机程序包括程序指令，上述程序指令被处理器执行，用以执行上述的数据处理方法

本申请提供了一种计算机程序产品，该计算机程序产品包括计算机指令，该计算机指令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指令，处理器执行该计算机指令，使得该计算机设备执行上述的数据处理方法。

本申请在获取用户的状态信息后，根据分类决策路径信息以及状态频率分布信息确定推荐问询信息，使得问询信息推荐更加准确、更加智能化。在分类时，由终端设备自动进行目标用户的分类操作，不需要人工参与，可以提高分类效率，自动识别不受主观因素影响，可以提高目标分类的准确率。通过状态信息和问询结果结合进行目标分类，进一步提高了目标分类的准确率。

附图说明

为了更清楚地说明本申请实施例的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一个示例性实施例提供的一种数据处理系统的架构示意图；

图2是本申请一个示例性实施例提供的一种数据处理方法的流程示意图；

图3是本申请一个示例性实施例提供的一种数据处理系统的用户界面示意图；

图4是本申请一个示例性实施例提供的一种分类决策路径信息的结构图；

图5是本申请一个示例性实施例提供的一种状态频率分布信息的示意图；

图6是本申请一个示例性实施例提供的另一种数据处理方法的流程示意图；

图7是本申请一个示例性实施例提供的一种状态分类的流程示意图；

图8是本申请一个示例性实施例提供的一种状态分类模型的结构以及工作流程示意图；

图9是本申请一个示例性实施例提供的一种数据处理装置的示意框图；

图10是本申请一个示例性实施例提供的一种计算机设备的示意框图。

具体实施方式

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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，本申请实施例中所涉及到的“第一”、“第二”等描述仅用于描述目的，而不能理解为指示或者暗示其相对重要性或者隐含指明所指示的技术特征的数量。因此，限定有“第一”、“第二”的技术特征可以明示或者隐含的包括至少一个该特征。

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、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、机器学习/深度学习等几大方向。本申请实施例提供的方案涉及人工智能技术下属的自然语言处理和机器学习等技术，下面将对自然语言处理技术和机器学习技术进行叙述。

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。本申请主要涉及自然语言处理技术中的文本处理技术，具体来说，终端设备通过识别用户的输入信息(其中包括用户对状态的个性化描述)，来判断用户标准化的状态信息(也即是初始状态描述数据)。后续，可以基于用户的初始状态描述数据进行问询信息推荐和目标分类等操作，提高分类效率和准确率。

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。机器学习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、归纳学习等技术。本申请主要涉及机器学习技术中的人工神经网络，具体来说，终端设备通过人工神经网络自动对采集到的用户状态信息进行问询信息的推荐，从而获取用户的多种状态信息，以及根据用户的状态信息以及问询结果等数据进行目标分类，并可以自动生成电子分类报告或者问询报告，使得目标分类更加智能化，进一步提升了分类的准确率。

随着人工智能技术研究和进步，人工智能技术在多个领域展开研究和应用，例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等。随着技术的发展，人工智能技术将在更多的领域得到应用，并发挥越来越重要的价值。

当本申请应用于智能诊疗、智能问询等场景时，可以较好地解决在伴随状态推荐、目标分类准确度等方面的瓶颈。在智能化医疗诊断中，给定用户主诉，模拟医生问诊的交互系统通常以状态分类为目标对用户展开相关伴随状态的问询互动，并最终通过深度机器学习的模型根据交互内容判断用户目标分类结果。目前，大部分带有诊断功能的应用在与用户互动中无法很好的融入状态鉴别诊断功能，即模拟问诊流程时，重点问询用于最大区分可疑状态等相关问题。此外，在结束问诊汇总信息进行诊断时，即目标分类任务，现有应用更多采用传统的机器学习分类模型进行分类操作。深度机器学习由于其强大的特征编码能力，已被广泛应用于通用领域的不同场景中。然而，由于医疗领域的严肃性，基于深度机器学习模型的模型其概率并无法真实的反应模型在进行目标分类的确定度，降低模型的可信度，从而限制了在互联网医院的应用范围。为引入鉴别诊断功能，本发明采用决策树模型得到决策树，并作为与用户交互问题的一部分依据。为兼顾模型可信度和鉴别诊断功能，本发明提出基于MC-Dropout的贝叶斯神经网络，该网络一方面通过多个非线性层编码输入来增强特征表征，另一方面，对模型参数施加MC-Dropout，为网络增加不确定度，从而在目标分类输出概率的同时，额外输出对应的不确定度，为模型的预测结果增加了可信度的衡量指标。

本申请可以较好地应用于健康状态评估、智能问询场景。健康状态评估流程通常始于用户提供基本信息(也即是用户的主诉状态)，模型得知用户的主诉状态后，开始与用户进行多轮互动，结合用户对问询的回答，展开性的进行相关状态的问询和信息收集，通过整合相关收集信息，便可预测并告知用户的健康状态并提供用药或者检查建议。本发明提出的方法可以无缝嵌入到具备辅助诊断和智能问询应用中。例如AI问询产品主要用于收集用户的状态信息，当用户在线下完成挂号等候问诊时，通过访问AI问询小程序，用户输入主诉状态、性别、年龄、候诊状态等信息后，该产品开始依次问询用户的现状、既往状态、生活习惯、过敏史等不同范围问题，最后汇总所有信息自动生成问询报告推送给诊断人，便于诊断人提前了解用户状态，提高诊断效率。其中，现状涉及主诉状态的多种属性，包括但不限于部位，性状，频率，伴随状态等。本发明提出的方法可以用于伴随状态的推荐协助完成用户信息的收集，以及根据采集到的所有用户信息进行用户状态的分类。

本申请还可以应用于云技术、人工智能、智慧医疗等各种场景，进行伴随状态推荐和目标分类。在云技术领域，本申请可以将智能问询中的用户问询信息、目标分类结果等数据存储于云服务器上，用户问询信息除了用户的状态信息，还可以包括用户个人信息、初/复问询等多种数据，便于针对不同用户进行个性化的问询服务。当需要用户的历史问询信息时，可以在得到用户同意后从云服务器上直接获取；在人工智能领域，在征得用户的同意下，可以对用户问询信息进行相关研究，从而获得更优的目标分类策略，也能基于本申请所提供的技术发展出更多的智能应用服务；在智慧医疗领域，本申请可以帮助诊断人对用户进行"预问诊"，为诊断人提供“预问诊报告”，在诊断人和用户见面之前，诊断人可以事先掌握用户的一些基本信息和情况，辅助诊疗。类似的“预问诊”流程，同样可以复用在用户的复诊场景下。通过提醒用户遵从医嘱和及时复诊，同时提醒诊断人对用户的情况进行回访，根据回访结果及时调整诊疗方案。

本申请将具体通过如下实施例进行说明:

请参阅图1，图1是本申请一个示例性实施例提供的一种数据处理系统的架构示意图。如图1所示，该数据处理系统具体可以包括终端设备101和服务器102，终端设备101与服务器102之间通过网络连接，比如，通过无线网络连接等。基于本申请提出的数据处理方法，可以由终端设备101采集用户的状态信息，由该终端设备101进行问询信息推荐和目标分类操作(该目标操作是基于多轮问询交互采集到的用户状态信息进行的)，并且在处理过程中将采集到的用户状态信息、目标分类结果等数据发送给服务器102，便于服务器102进行后续的管理；也可以由服务器102执行问询信息推荐和目标分类操作，当服务器102执行时，可以由终端设备101采集用户的输入信息，将该信息发送给服务器102进行问询信息推荐和目标分类等操作，服务器将目标分类结果等处理结果返回给终端设备101，再进行后续操作。

具体的，终端设备101可以获取用户的状态信息，其中，状态信息包括了一个或多个初始状态描述数据；终端设备101可以将用户的状态信息发送给服务器102；服务器102根据用户的状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息，其中，第一问询信息包括一个或多个推荐状态描述数据；服务器102将第一问询信息返回给终端设备101，并由终端设备101在用户界面进行第一问询信息的展示；终端设备101获取用户针对第一问询信息的响应操作，并根据该响应操作确定第一问询信息的问询结果(也就是用户选择的结果)；终端设备101将该问询结果发送给服务器102，服务器102根据用户的状态信息以及问询结果确定用户的目标分类结果，并将目标分类结果发送给终端设备101；终端设备101根据接收到的目标分类结果，在用户界面进行目标分类结果的展示。

终端设备101也称为终端(Terminal)、用户设备(user equipment,UE)、接入终端、用户单元、移动设备、用户终端、无线通信设备、用户代理或用户装置。终端设备可以是智能家电、具有无线通信功能的手持设备(例如智能手机、平板电脑)、计算设备(例如个人电脑(personal computer,PC)、车载终端、智能语音交互设备、可穿戴设备或者其他智能装置等，但并不局限于此。

服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、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、内容分发网络(Content Delivery Network,CDN)、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。

可以理解的是，本申请实施例描述的系统的架构示意图是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定。例如，在本申请中，终端设备101除了包括图1中所示的三个设备外，也可以包括三个以上的设备；同样的，服务器102除了包括图1中所示的一个服务器外，也可以由多个服务器(也即是服务器集群)构成。本领域普通技术人员可知，随着系统架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。

请参阅图2，图2是本申请一个示例性实施例提供的一种数据处理方法的流程示意图，以该方法应用于图1中的终端设备(上述终端设备101)为例进行说明，该方法可包括以下步骤：

S201、获取用户的状态信息，状态信息包括一个或多个初始状态描述数据。

具体的，待检测的用户为需要进行目标分类的对象，用户的状态信息为基于用户所提供的原始信息(也即是状态描述信息)而得到的标准状态数据(也即是初始状态描述数据)，上述状态数据可以包含一个或多个初始状态描述数据。该步骤是为了获取进行数据处理操作的原始数据，在后续步骤中，都是基于本步骤获取到的状态信息进行的。

在一实施例中，可以通过终端设备获取用户输入的状态描述信息，进一步基于状态描述信息得到状态信息。

在一实施例中，状态信息可以包括一个或多个初始状态描述数据，例如可以将用户在终端设备输入的一个初始状态描述数据(例如：状态A)作为用户的状态信息；也可以将用户输入的多个初始状态描述数据(例如：状态A、状态B、状态C)作为用户的状态信息。

在一实施例中，状态信息可以包括用户的行为状态数据、心情状态信息和健康状态数据中的一种或多种。

在一实施例中，可以根据用户输入的原始信息确定状态信息。用户的原始输入信息通常是并不标准、较为口语化的，无法直接应用该数据进行分类处理，因此需要将原始信息进行术语标准化处理，得到统一的语法表达结果(也即是用户的状态信息)，便于进行后续分析和处理。例如，当用户输入主诉状态(例如：“鼻子很堵、怕冷”)时，通过术语标准化处理，可以得到处理结果(例如：鼻塞、畏寒)，再利用该数据进行后续处理，可以提高数据分析、分类的准确性。

在一实施例中，请参见图3，在开始问询后，用户可以输出自己的主诉状态，终端设备可以根据用户的输入信息输出问询信息，用户可以通过输入信息、选择推荐状态描述数据等多种方式进行多轮交互。在问询结束后，终端设备可以自动生成问询报告，用于展示交互内容，便于用户查看。如图3中c图所示，c图包括问询报告304、修改功能控件305、确认功能控件306。问询报告304可以包括用户信息(例如：女、20岁)、用户自述(例如：状态A)、问询时间(例如：2021-8-30、08:3)、初/复次问询(例如：初次)、主诉(例如：状态A出现一周)、现状(例如：用户一周前出现状态A，同时出现状态B、状态C、状态D、状态E)、既往状态(例如：既往否认a类，否认b类，否认c类)、其他信息(例如：用户坚持每天锻炼)、分类结果(例如：分类1)等；修改功能控件305用于用户修改问询报告304中的内容；确认功能控件306用于用户确认问询报告304中内容的正确性，在用户触发确认功能控件306并征得用户同意之后，终端设备可以上传问询报告304到用户数据库，便于用户进行下次问询。

在获取用户输入的原始信息后，可以通过如下方法实现状态信息的确定：

(1)、显示用户界面，用户界面包括信息输入区。

具体的，可以设置多种功能选项，用于触发显示用户界面，当接收到用户对该功能选项的触发信号时，显示用户界面。其中，用户界面中包括信息输入区301，信息输入区301可以用于接收用户输入的状态描述信息。如图3中a图所示，在多轮交互后，终端设备展示问询信息(例如：“请问状态A发生多久了”)，用户根据自身实际情况可以在信息输入区301通过手势等操作进行结果的选择，并点击功能控件(例如：“确认”按键)确认操作。如图3中b图所示，用户也可以直接点击终端设备提供的多个选择按键进行结果的选择。需要说明的是，针对终端设备提供的多个选择按键，用户可以进行单选操作(例如选择“状态C”)，也可以进行多选操作(例如选择“状态D、状态E”)，除此之外，用户界面还可以包括会话展示区302，会话展示区302可以用于展示用户输入的状态描述信息，以及后续的问询信息等交互数据，还可以包括用户引导信息用以引导用户执行相关操作等。如图3中a图所示，终端设备可以将问询过程(例如：“此次问询是初次吗”、“是”)展示在会话展示区302中。除此之外，会话展示区302还包括更改功能控件303，该功能控件用于用户对最后一次交互数据进行更改操作，以避免用户因为人为因素导致的信息输入错误，保证了状态信息的准确性。

在一实施例中，用户也可以通过语音、手势等方式触发显示用户界面。

(2)、获取用户通过信息输入区输入的状态描述信息。

(3)、调用术语标准化模型对状态描述信息进行处理，得到用户对应的一个或多个初始状态描述数据。

在一实施例中，在术语标准化模型中储存有标准术语集合以及学习模型，利用学习模型获得状态描述信息与标准术语集合中的每一术语的表达向量，通过计算状态描述信息和每一个标准术语的表达向量的相似度，将相似度高于相似度阈值或相似度排行最高的标准术语作为状态描述信息的术语标准化处理结果(也即是状态信息)。

在一实施例中，可以通过术语标准化模型对状态描述信息进行关键词提取操作(例如确定状态关键词、肯否关键词、语气关键词等)，再通过术语标准化模型对提取的关键词进行分析，结合预先设置的标准术语集合确定状态描述信息对应的初始状态描述数据。

(4)、根据一个或多个初始状态描述数据生成所述用户的状态信息。

S202、基于状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息，其中，第一问询信息包括一个或多个推荐状态描述数据。

具体的，在获取用户的状态信息之后，终端设备可以根据状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息，第一问询信息可以包括一个或多个推荐状态描述数据，用户可以选择一个或多个推荐状态描述数据中与自己状态相符合的推荐状态描述数据。该第一问询信息为终端设备对用户进行第一次问询的信息。该步骤提高了第一问询信息与状态信息关联程度，提高了后续目标分类的准确率。

在一实施例中，当终端设备获取到用户输入的初始状态描述数据(例如：状态A)后，可以输出与用户状态信息相关的问询信息，问询信息可以包括多个推荐状态描述数据(例如：状态B、状态C、状态D、状态E)。

上述步骤S202可以包括以下步骤：

(1)、调用状态分类模型对状态信息进行分类处理，得到用户的第一分类结果。

具体的，调用状态分类模型对状态信息进行分类处理，可以得到该状态信息与多种状态类别标签的匹配概率，根据匹配概率确定状态信息的第一分类结果。该第一分类结果是终端设备对用户的第一次分类的处理结果。

在一实施例中，调用状态分类模型对状态信息进行分类处理时，可以获取用户的目标分类概率以及目标分类的置信度；然后确定第一分类结果或者分类次数是否满足预设条件，若满足预设条件，则将第一分类结果作为用户的目标分类结果。

在一实施例中，上述预设条件可以是目标分类概率大于概率阈值，并且所述置信度大于置信度阈值；预设条件也可以是分类次数大于次数阈值。

(2)、基于第一分类结果、分类决策路径信息以及状态频率分布信息确定第一问询信息。

根据第一分类结果、分类决策路径信息以及状态频率分布信息得到推荐状态集，再根据推荐状态集确定问询信息，使得本申请的问询信息推荐在一定程度兼顾状态分类功能。

该步骤还可以包括以下步骤：

1)、根据第一分类结果查询分类决策路径信息，得到第一数据集合，第一数据集合包括一个或多个候选状态描述数据。

具体的，分类决策路径信息包括了多种分类中每种分类的候选状态描述数据以及候选状态描述数据的出现条件，通过第一分类结果查询分类决策路径信息，可以得到第一数据集合(也就是第一分类结果对应的存在状态的数据集合)。

在一实施例中，如图4所示，分类决策路径信息包含了多种分类结果(例如分类1、分类2、分类3、分类4、分类5、分类6、分类7、分类8、分类9)以及对应分类结果对应的出现状态的条件概率。通过第一分类结果(例如分类3)在状态频率分布信息可以查询到第一分类结果对应的多种状态(例如状态A、状态C、状态D)，将第一分类结果对应的多种状态作为第一数据集合。

在一实施例中，可以通过决策树模型得到分类决策路径，决策树是一个预测模型；他代表的是对象属性与对象值之间的映射关系。决策树包括决策结点、方案枝(由结点引出若干条分支，每条分支代表一个方案)、状态结点(代表不同方案的期望值)、概率枝(由状态节点引出的分支，包括该状态的内容和概率)以及结果结点(每个方案在各状态下取得的收益值或损失值)。

在一实施例中，决策树模型的层数并不是越多越好，层数越多，模型越有可能把数据中的一些无关的细节也纳入学习，导致模型在训练集上的预测结果表现非常好，但是在测试集上却表现不佳，即导致过拟合，因此，可以通过剪枝操作处理决策树算法。剪枝操作可以使用预剪枝操作，通过预先设置生成树的最大深度来限制树的生长，从而使决策树模型能够获得更好地预测效果。具体的来说，预剪枝就是在生成决策树的过程中提前停止树的增长。核心思想是在树中结点进行扩展之前，先计算当前的划分是否能带来模型泛化能力的提升，如果不能，则不再继续生长子树。示例性的，比如指定树的深度(也即是如图4所示的不同状态的层数)最大为5，那么训练出来决策树的高度就是5。预剪枝主要是建立停止规则限制决策树的生长，降低了过拟合的风险，同时也降低了建树的时间。预剪枝对于何时停止决策树的生长有以下几种方法：

①当树到达一定深度的时候，停止树的生长(也即是设定树的深度)。

②当到达当前结点的样本数量小于某个阈值的时候(即表示不需要再继续划分下去)，停止树的生长。

③计算每次分裂对测试集的准确度提升，当小于某个阈值的时候(即表示当前继续划分对准确度的提升效果不大)，不再继续扩展。

2)、根据第一分类结果查询状态频率分布信息，得到第二数据集合，第二数据集合包括一个或多个候选状态描述数据。

具体的，状态频率分布信息包括了多种分类中每种分类的多种状态，多种状态根据出现频率进行排序。通过第一分类结果查询状态频率分布信息，可以得到第二数据集合(也就是第一分类结果对应的存在状态的数据集合)。

状态频率分布信息包括多个分类中每个分类对应的状态描述数据的频率分布，在一实施例中，如图5所示，状态频率分布信息可以由分类和词频-逆文档频率(termfrequency–inverse document frequency，TF-IDF)两个集合组成，分类集合中包含了多种分类结果(例如分类1、分类2、分类3、分类4)，TF-IDF集合中包含了多种分类结果对应的状态。通过第一分类结果(例如分类3)在状态频率分布信息可以查询到第一分类结果对应的多种状态(例如状态C、状态I、状态J、状态F、状态G、状态H、状态D、状态E、状态A、状态B)，将第一分类结果对应的多种状态作为第二数据集合。

在一实施例中，可以计算对给定分类对应的状态在状态数据集中的频率，以及给定状态在状态数据集中的逆文档频率，将两者相乘并降序排列，得到TF-IDF集合。再将给定分类以及TF-IDF进行数据对应，得到状态频率分布信息。状态数据集可以是在获得用户同意后统计的大量用户的状态数据信息，也可以是用于进行模型训练的训练数据等。

3)、通过对第一数据集合和第二数据集合进行融合处理，得到第一问询信息。

在一实施例中，将第一数据集合(例如状态A、状态C、状态D)和第二数据集合(例如状态C、状态I、状态J、状态F、状态G、状态H、状态D、状态E、状态A、状态B)进行交集提取操作，得到共有数据(例如状态A、状态C、状态D)，然后根据状态频率分布信息中该分类对应的TF-IDF集合对共有数据进行排序(例如降序排序)，根据排序后的共有数据(例如状态C、状态D、状态A)确定第一问询信息。

在一实施例中，在对共有数据进行排序后，可以得到第一问询状态集合(也即是一个或多个推荐状态描述数据，例如：状态C、状态A)，根据第一问询状态集合确定第一问询信息。可以设定选择条件(例如概率最高的一个推荐状态描述数据或者top K个推荐状态描述数据)，根据满足条件的推荐状态描述数据生成第一问询信息(例如：“您是否具有状态C”)。

S203、获取用户针对第一问询信息的响应操作，并根据响应操作确定第一问询信息的问询结果。

具体的，当终端设备确定并输出第一问询信息时，用户可以根据自身的实际情况从第一问询信息包括的一个或多个推荐状态描述数据中选择匹配的推荐状态描述数据。当用户针对匹配的推荐状态描述数据进行操作时，终端设备可以获取用户的响应操作(例如：手势操作、触发操作、语音指令等)，并根据用户响应操作确定问询结果。例如，当推荐状态描述数据(例如：状态A、状态C、状态D)中的一部分状态描述数据(例如：状态A、状态C)被选中时，将选中的推荐状态描述数据确定为问询结果。

S204、根据状态信息以及问询结果确定用户的目标分类结果。

具体的，上述步骤S201～S203获取到用户的状态信息和问询结果，即可利用状态分类模型对该状态信息和问询结果进行特征提取处理(也即是该模型通过将状态信息和问询结果映射到低维向并通过多个非线性层增强特征表征能力)，得到特征表示信息。在得到，并对该特征表示信息进行分类处理，从而获取用户的目标分类结果。

上述步骤S204的具体实现方式可以包括以下步骤：

(1)、调用状态分类模型对状态信息以及问询结果进行特征提取处理，得到用户的特征表示信息。

具体的，状态信息包括一个或多个初始状态描述数据，问询结果包括一个或多个推荐状态描述数据，初始状态描述数据和推荐状态描述数据都可以利用状态分类模型进行特征提取操作，得到对应的特征表示信息。其中，用户的特征表示信息具体可以是用于表示对应的用户节点在状态分类模型的网络中的位置以及与其他节点的连接关系的特征向量。

该步骤得到用户的特征表示信息的具体实现方法将在另一实施例中S604详细叙述，在此不再赘述。

(2)、调用状态分类模型对特征表示信息进行分类处理，得到用户的目标分类结果。

具体的，在获取到用户的特征表示信息之后，调用状态分类模型对特征表示信息进行分类处理，可以得到多个目标分类标签及其对应的目标分类概率(也即是用户在多个分类中的概率分布)，终端设备可以将目标分类概率最高对应的类别作为用户的目标分类结果。需要说明得是，该目标分类结果在实际情况下并不能较为准确的表征用户的实际类别。因此，可以对用户进行多次分类，直到目标分类结果满足预设条件时，将该目标分类结果作为用户的分类结果(也即是目标分类结果)。

在一实施例中，得到状态分类模型的方法可以包括以下步骤：

(1)、获取训练数据，训练数据包括多个训练样本以及每个训练样本的分类标签，每个训练样本包括一种或多种样本状态描述数据。

(2)、利用初始神经网络模型对每个训练样本进行处理，得到每个训练样本的预测分类结果。

(3)、根据每个训练样本的预测分类结果以及分类标签对所述初始神经网络模型的模型参数进行调整，得到状态分类模型。

在问询信息推荐方面，常用状态推荐通常以问卷等模版形式，每个状态有与其对应的问卷模版。随着状态数量增多，基于状态的问询变得多样化，不可避免的带来问卷维护成本的增高。采用本发明提出的方法，通过在数据集中训练，即可得到多个推荐状态描述数据，极大减轻现有问卷维护成本。在目标分类方面，利用基于舍弃(dropout)方法的贝叶斯深度网络，即可兼顾神经网络强大的特征学习能力，同时又可在输出目标分类概率的同时给出模型的不确定度，使得目标分类功能在一定程度上更加可信，为模型的去黑盒化提供了重要的方法，使得模型具备更好的应用性。

本申请实施例在获取用户的状态信息后，根据分类决策路径信息以及状态频率分布信息确定推荐问询信息，使得问询信息推荐更加智能化。在分类时，由终端设备自动进行目标用户的分类操作，不需要人工参与，可以提高分类效率，自动识别不受主观因素影响，可以提高目标分类的准确率。利用状态分类模型对状态信息进行处理，得到第一分类结果，再结合第一分类结果、问询结果等进行目标分类，进一步提高了目标分类的准确率。结合停止分类的预设条件，进一步提高分类效率。

请参阅图6，图6是本申请另一个示例性实施例提供的一种数据处理方法的流程示意图，以该方法应用于图1中的终端设备为例进行说明，该方法可包括以下步骤：

S601、获取用户的状态信息，状态信息包括一个或多个初始状态描述数据。

S602、基于状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息，其中，第一问询信息包括一个或多个推荐状态描述数据。

S603、获取用户针对第一问询信息的响应操作，并根据响应操作确定第一问询信息的问询结果。

本实施例提出的方法主要针对状态推荐和预测。根据分类决策路径信息以及状态频率分布信息相结合推荐状态，即可满足以状态分类为导向的推荐，同时在一定程度上融入分类功能。用户与终端设备的交互过程不断重复直到目标分类概率和置信度满足预设条件(例如：目标分类概率预设条件为0.8、置信度预设条件为0.9)或者超过最大对话论述(例如10轮)，交互过程终止，然后输出目标分类结果。如图7所示，图7是本申请一个示例性实施例提供的一种状态分类的流程示意图。首先获取用户的状态描述信息，利用术语标准化模型对状态描述信息进行标准化处理，得到状态信息；然后利用分类模型对状态信息进行分类处理(也即是图中：状态分类)，得到第一分类结果；判断该第一分类结果下的概率和置信度是否满足预设条件；当不满足预设条件时，根据第一分类结果、状态信息、分类决策路径信息以及状态频率分布信息确定候选状态描述数据，将候选状态描述数据中前K(即TOP K，例如K为1)项作为推荐状态输出，当然，K的取值也可以为大于或等于2的数值，例如K＝3。根据用户的交互情况(回答是/否，或者输入状态描述信息等)以及第一次分类的数据，调用状态分类模型再次进行目标分类，得到第二分类结果；再次判断该第二分类结果下的概率和置信度是否满足一定条件(即概率大于概率阈值P，且置信度大于置信度阈值U)；若不满足，重复执行上述步骤，直到满足概率和置信度满足上述条件或者对话次数达到次数阈值N，输出目标分类结果。

其中，步骤S601～S603的具体实施方式参见前述实施例中步骤S200～S203的相关描述，此处不再赘述。

S604、调用状态分类模型对状态信息以及问询结果进行特征提取处理，得到用户的特征表示信息。

在一实施例中，如图8所示，图8是本申请一个示例性实施例提供的一种状态分类模型的处理流程图。本申请提出的状态分类模型由表征层、蒙特卡洛层、分类器3部分组成。首先将用户具有的标准化状态(也即是状态信息，例如状态A、状态B)作为状态分类模型的输入，经过状态分类模型的表征层、蒙特卡洛层(包括多个非线性层)、分类器，可以得到多种分类标签(例如：分类1、分类2、分类3)及其对应的概率(例如：分类1对应的概率为0.9、分类2对应的概率为0.6、分类3对应的概率为0.02)和置信度(例如：分类1对应的置信度为0.92、分类2对应的置信度为0.86、分类3对应的置信度为0.93)。

在基于机器学习的分类模型中，如果模型的参数太多，而训练样本又太少，训练出来的模型很容易产生过拟合的现象。在训练神经网络的时候经常会遇到过拟合的问题，过拟合具体表现在：模型在训练数据上损失函数较小，预测准确率较高；但是在测试数据上损失函数比较大，预测准确率较低。过拟合是很多机器学习的通病。如果模型过拟合，那么得到的模型几乎不能用。为了解决过拟合问题，一般会采用模型集成的方法，即训练多个模型进行组合。此时，训练模型费时就成为一个很大的问题，不仅训练多个模型费时，测试多个模型也是很费时。dropout的原理是我们在前向传播的时候，让某个神经元的激活值以一定的概率(例如P)停止工作，这样可以使模型泛化性更强，因为它不会太依赖某些局部的特征。在本申请提出的状态分类模型中，合理的利用舍弃(dropout)方法，可以有效的缓解过拟合的发生，具有集成学习的效果，在一定程度上达到正则化的效果。

本申请提出的状态分类模型通过将用户的主诉状态映射到低维向并通过多个非线性层增强特征表征能力，因此具备良好的表征学习能力。此外，通过对模型参数施加蒙特卡洛舍弃(Monte-Carlo Dropout，MC-Dropout)，使得模型参数服从概率分布，而不再是固定的参数值。示例性的，状态分类模型的网络模型包括100个神经元，可以将其分为50个神经元组合(可以通过舍弃第一个神经元，将剩余99个神经元作为第一个神经元组合；可以舍弃第二个神经元，将剩余99个神经元作为第二个神经元组合，以此类推，得到50组神经元组合；也可以采用随机舍弃的方法，最终得到到50组神经元组合)，从而达到模型参数概率分布的目的。模型在训练阶段MC-dropout为打开状态，在测试阶段依旧保持打开状态。给定用户主诉症状，通过执行多次计算，每次模型参数不同，从而得到多个不同的输出，对其求均值和方差来衡量模型的最终预测概率和不确定度。因此，为模型进行目标分类的同时提供了相对应的可信度。为融入状态分类功能，本申请利用决策树模型显式学习得出用于状态分类的分类决策路径信息，通过将分类决策路径信息和基于TF-IDF的计算得到的状态频率分布信息进行融合，从而使得状态推荐在一定程度兼顾状态分类功能。

状态分类模型的蒙特卡洛层将舍弃(dropout)处理解释为高斯过程的贝叶斯近似，使得状态分类模型在输出目标分类概率的同时输出置信度，该置信度能够反映了模型的不确定度，用以对模型优化提供参考。dropout常规使用方式是在训练阶段，为防止过拟合，对模型参数进行dropout。在模型测试阶段，模型关闭dropout。而蒙特卡洛dropout(MC-Dropout)则强调，模型在测试阶段依旧对模型参数进行dropout，即模型训练和测试阶段均对参数进行dropout。

状态分类模型的分类器用于将状态分类任务转换为多标签分类问题。在一个示例性的分类器中，分类器可以由线性层，dropout层，sigmoid层(一种激活层)组成。

上述步骤S604的第一种具体实现方式可以包括以下步骤：

a1、调用状态分类模型的表征层对状态信息包括的每个初始状态描述数据进行特征提取处理，得到每个初始状态描述数据的特征向量。

a2、调用状态分类模型的表征层对问询结果包括的每个推荐状态描述数据进行特征提取处理，得到每个推荐状态描述数据的特征向量。

a3、调用状态分类模型的表征层对每个初始状态描述数据的特征向量和每个推荐状态描述数据的特征向量进行融合处理，得到用户的特征表示信息。

在通过上述方法得到的特征表示信息后，可以利用状态分类模型对该特征表示信息进行分类处理，得到目标分类结果。

上述方法基于初始状态描述数据和推荐状态描述数据，得到用户的特征表示信息。除此之外，还可以充分利用初始状态描述数据和推荐状态描述数据对应的状态限定信息，以获取到多维度的特征表示信息，在后续利用多维度的特征表示信息进行目标分类，可以提高分类的准确率。

在一实施例中，对于用户而言，每一个状态描述数据(包括上述的初始状态描述数据、推荐状态描述数据)可以对应一个状态限定信息，上述状态限定信息用于指示状态是否存在，具体是指该用户是否具有与该状态描述数据对应的状态，则上述的状态信息还可以包括每个初始状态描述数据的状态限定信息，也即是状态信息具体包括一个或多个初始状态描述数据以及每个初始状态描述数据的状态限定信息；问询结果具体包括一个或多个推荐状态描述数据中的每个推荐状态描述数据以及每个推荐状态描述数据的状态限定信息。

在此基础上，步骤S603还可以通过如下步骤实现：

b1、获取用户针对第一问询信息的响应操作。

b2、根据响应操作确定用户选择的推荐状态描述数据；

b3、根据用户选择的推荐状态描述数据以及未选择的推荐状态描述数据确定问询结果。

在终端设备获取用户的状态描述数据(包括上述的初始状态描述数据、推荐状态描述数据)时，通常可以得到用户选择的状态描述数据和用户未选择的状态描述数据。用户选择的状态描述数据可以用于判断用户的目标分类结果，同时，也可以利用用户未选择的状态描述数据辅助判断用户的目标分类结果(例如：通过用户未选择的状态描述数据对分类决策路径信息进行限制等)，从而提高数据的利用率，提升目标分类的准确性。

在一实施例中，用户的状态信息多种多样，状态限定信息应该包括多个维度，用于辅助判断用户的目标分类结果。示例性的，用户的状态信息可以是心情状态数据，那么，状态限定信息既可以用于指示该状态是否存在(也即是肯否关键词)，还可以用于指示语气状态(也即是语气关键词)。通过术语标准化模型对状态描述信息进行关键词(例如上述提到的肯否关键词、语气关键词等)提取操作，再通过术语标准化模型对提取的关键词进行分析，结合预先设置的标准术语集合确定状态描述信息对应的初始状态描述数据。

在此基础上，上述步骤S604的第二种具体实现方式可以包括以下步骤：

c1、调用状态分类模型的表征层对状态信息包括的每个初始状态描述数据和状态限定信息进行特征提取处理，得到每个初始状态描述数据的特征向量。

c2、调用状态分类模型的表征层对问询结果包括的每个推荐状态描述数据和状态限定信息进行特征提取处理，得到每个推荐状态描述数据的特征向量。

c3、调用状态分类模型的表征层对每个初始状态描述数据的特征向量和每个推荐状态描述数据的特征向量进行融合处理，得到用户的特征表示信息。

与步骤S604的第一种具体实现方式相比，第二种具体实现方式所提取的状态描述数据的特征向量包括两个维度，一个是状态描述信息，另一个状态限定信息。再对状态描述信息和状态限定信息进行融合，得到多维度的特征表示信息。

在一实施例中，步骤c1中得到每个初始状态描述数据的特征向量的具体实现方式可以包括：

状态分类模型的表征层用于将状态描述数据映射成低维向量S_状态，便于后续进行向量运算和处理。该状态分类模型的输入是标准化症状(包括初始状态描述数据、推荐状态描述数据等)。在一实施例中，表征层针对每一个状态描述数据对应的状态限定信息，可以用one-hot向量表示低维向量S_限定，通过状态描述数据与状态限定信息得到最终的状态表征。示例性的，当推荐状态描述数据为“状态A、状态C、状态D”时，其中“状态A、状态C”被选中时，问询结果可以表示为“是-状态A、是-状态C、否-状态D”。是、否两类数据信息可以分别用向量[01,10]表示，状态A、状态C、状态D三类数据信息可以分别用向量[100,010,001]表示，那么给定复合数据信息(例如：是-状态C)则可以用该one-hot向量表示(例如：[01010])。

对于用户主诉包含多个状态情况，采用如下公式：

其中M为用户状态信息中初始状态描述数据的数量，S_限定取值为0(代表：否，也即是不存在)或1(代表：是，也即是存在)。通过上述公式可以计算得到最终的状态表示。

同样的，步骤c2c中得到每个推荐状态描述数据的特征向量的具体实现方式可以参照上述c1的方法实现，在此不再赘述。

S605、调用状态分类模型对特征表示信息进行分类处理，得到用户的第二分类结果，并获取分类次数，第二分类结果包括用户的目标分类概率以及目标分类的置信度。

具体的，当第一分类结果并不满足要求时，可以基于状态信息和问询结果对用户继续进行分类，得到第二分类结果。在继续分类的过程中，可以获取分类次数，分类次数可以作为分类停止的条件判断依据。第二分类结果包括的目标分类概率和目标分类的置信度也可以作为分类停止的条件判断依据。

上述步骤S605具体可以通过以下步骤实现：

(1)、调用状态分类模型中的多个神经元组合分别对特征表示信息进行分类处理，得到多个预测结果，多个预测结果中的每个预测结果包括用户在多个分类中的概率分布。

具体的，状态分类模型的网络模型中包括了多个非线性层，而多个非线性层中的每个非线性层又包含了多个神经元，可以通过选择网络模型中的一部分神经元作为一个神经元组合。示例性的，状态分类模型的网络模型包括100个神经元，若要将其分为50个神经元组合，可以舍弃第一个神经元，将剩余99个神经元作为第一个神经元组合；可以舍弃第二个神经元，将剩余99个神经元作为第二个神经元组合，以此类推，得到50组神经元组合。需要说明的是，上述舍弃神经元的方法也可以采用随机舍弃的方法，本申请在此不做限制。

多个预测结果中的每个预测结果可以是通过其中一个神经元组合产生的特征表示信息在多个分类中的概率分布，这样就可以获取每个特征表示信息在多个分类中经过不同神经元组合得到的多个概率分项。利用不同分类的概率分项可以得到每个分类的概率均值等，作为目标分类概率和置信度计算的数据基础。

在一实施例中，可以通过对模型参数进行dropout处理，使得状态分类模型能够具备产生多个神经元组合的条件。在进行目标分类时，随机进行K(例如K＝50)次dropout，得到K个神经元组合(即样本喂给状态分类模型K次得到K个输出结果)。而K个输出结果再进行集成并对其概率进行均值和方差计算，方差作为模型的置信度，概率均值最大值对应的疾病标签作为模型最终输出结果(也即是目标分类)。每一个样本模型进行K次前向计算预测结果，是因为在贝叶斯网络中网络模型的参数服从特定的概率分布而非固定的数值。模型在预测结果时，应当对模型的参数分布进行积分，由于神经网络模型通常参数量很大，在实数域内对其进行积分极度困难。而MC-Dropout相当于从模型参数的变分分布当中随机采样，简化了积分操作，使得模型实现更加容易。

在一实施例中，本申请除了可以使用MC-Dropout之外，还可以使用变分Dropout，高斯分布等方法替代，也能达到产生不同神经元组合的目的，在本申请的实际使用过程中，应该按照预测结果选择合适的参数分布方法。

在一实施例中，可以引入了模型在数据集上的不确定度，该不确定度反应数据对模型性能的影响，对于数据集选取和模型优化提供参考，提高了模型鲁棒性和精度。示例性的，可以通过对经过表征层处理后的特征向量随机施加噪声，也可以在模型的表征层、输出层对数据施加高斯分布等，以达到引入数据集上的不确定度的目的。

(2)、根据多个预测结果确定用户的第二分类结果。

通过多个预测结果确定用户的第二分类结果具体可以通过以下步骤实现：

1)、根据多个预测结果确定多个分类中每个分类的概率均值。

2)、获取多个分类中对应的概率均值最大的目标分类，并将目标分类的概率均值作为目标分类概率。

3)、根据目标分类的概率均值以及多个预测结果确定目标分类对应的概率方差，并将概率方差作为目标分类的置信度。

具体的，本步骤将多个分类中概率均值最大的目标分类作为处理对象，对该分类中通过不同神经元组合得到的多个概率分项进行方差计算，方差计算公式如下：

其中，D为方差，n为分项概率的数量，xⁱ为分项概率，x为概率均值。

根据上述公式，可以得到概率方差，将概率方差作为目标分类的置信度。

在一实施例中，假设多个分类包括三个分类，例如分类1、分类2、分类3；K＝3，则对应得到三个预测结果，例如预测结果1、预测结果2、预测结果3，每个预测结果包括用户分别在三个分类上的概率，例如预测结果1包括分类1-0.85、分类2-0.55、分类3-0.01，预测结果2包括分类1-0.9、分类2-0.6、分类3-0.02，预测结果3包括分类1-0.95、分类2-0.65、分类3-0.03。根据上述三个预测结果，可以得到用户在分类1的预测概率为0.85、0.9、0.95；分类2的预测概率为0.55、0.6、0.65；分类3的预测概率为0.01、0.02、0.03。可以根据该预测结果确定多个分类中每个分类的概率均值，例如通过将分类1的三个预测概率相加，并取平均值，得到分类1的概率均值为0.9(计算过程为(0.85+0.9+0.95)/3＝0.9)；同样的，通过上述方法得到分类2的概率均值为0.6，分类3的概率均值为0.02。通过比较分类1、分类2、分类3的概率均值，分类1的概率均值为最大值，然后将分类1作为目标分类，并将目标分类的概率均值作为目标分类概率，例如分类1对应的目标分类概率0.9。再根据目标分类的概率均值以及多个预测结果确定目标分类对应的概率方差，这里分类1的概率均值最大，为0.9，分类1的预测概率为0.85、0.9、0.95，利用上述公式(2)对0.85、0.9、0.95进行方差计算，得到分类1对应的概率方差为0.04082，并把0.04082作为分类1的置信度。

S606、确定第二分类结果或者分类次数是否满足预设条件。

在一实施例中，第二分类结果包括用户的目标分类概率以及目标分类的置信度。上述预设条件可以是目标分类概率大于概率阈值，并且所述置信度大于置信度阈值；预设条件也可以是分类次数大于次数阈值。

S607、若满足预设条件，则将第二分类结果作为用户的目标分类结果，预设条件包括目标分类概率大于概率阈值，并且置信度大于置信度阈值；或者，预设条件包括分类次数大于次数阈值。

在一实施例中，重复上述实施例所提供的目标分类的方法，当目标分类概率大于概率阈值(例如0.8)，并且置信度大于置信度阈值(例如0.9)时，交互过程终止；或者分类次数超过次数阈值(例如10)，交互过程终止。然后将该分类结果作为用户最终的目标分类结果。

S608、若不满足预设条件，则基于第二分类结果、分类决策路径信息以及状态频率分布信息确定第二问询信息；基于用户针对第二问询信息的响应操作对问询结果进行更新，得到更新后的问询结果；根据状态信息以及更新后的问询结果确定用户的目标分类结果。

具体的，当不满足预设条件时，可以根据上述实施例所提供的步骤S202～S202，以及步骤S604～S607的方法，对用户进行再次问询，得到该次问询的结果，并将该结果与该次问询之前的问询结果结合，作为一个问询结果集合(也即是得到更新后的问询结果)，再根据状态信息以及更新后的问询结果确定用户在本次问询后的目标分类结果(基于上述步骤S604～S605的方法)，直到满足上述预设条件，停止问询，并输出目标分类结果。

本申请实施例通过状态分类模型获取状态信息和问询结果的特征信息，并通过对模型进行参数分布操作，使得模型在输出状态信息预测概率的同时能够得到模型置信度，并且还引入了模型在数据集上的不确定度，通过在模型表征层、输出层施加干扰，从而反应数据对模型性能的影响，对于数据集选取和模型优化提供参考，提高了模型鲁棒性和精度。本方法可以获取用户个性化的原始输入信息，也可以获取用户的多个状态描述数据，提高了适用性和智能化。在获取用户的状态描述数据的同时获取其状态限定信息，融合处理得到多维度的特征表示信息，并基于多维度的特征表示信息进行目标分类，进一步提高了目标分类的准确性。

请参阅图9，图9是本申请实施例提供的一种数据处理装置的示意框图。其中，数据处理装置具体可以包括：

获取模块901，用于获取用户的状态信息，上述状态信息包括一个或多个初始状态描述数据；

处理模块902，用于基于上述状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息，其中，上述第一问询信息包括一个或多个推荐状态描述数据；

上述处理模块902，还用于获取上述用户针对上述第一问询信息的响应操作，并根据上述响应操作确定上述第一问询信息的问询结果；

分类模块903，用于根据上述状态信息以及上述问询结果确定上述用户的目标分类结果。

可选的，上述处理模块902在用于基于上述状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息时，具体用于：

调用状态分类模型对上述状态信息进行分类处理，得到上述用户的第一分类结果；

基于上述第一分类结果、分类决策路径信息以及状态频率分布信息确定第一问询信息。

可选的，上述处理模块902在用于基于上述第一分类结果、分类决策路径信息以及状态频率分布信息确定第一问询信息时，具体用于：

根据上述第一分类结果查询分类决策路径信息，得到第一数据集合，上述第一数据集合包括一个或多个候选状态描述数据；

根据上述第一分类结果查询状态频率分布信息，得到第二数据集合，上述第二数据集合包括一个或多个候选状态描述数据；

通过对上述第一数据集合和上述第二数据集合进行融合处理，得到第一问询信息。

可选的，上述分类模块903在用于根据上述状态信息以及上述问询结果确定上述用户的目标分类结果时，具体用于：

调用状态分类模型对上述状态信息以及上述问询结果进行特征提取处理，得到上述用户的特征表示信息；

调用上述状态分类模型对上述特征表示信息进行分类处理，得到上述用户的目标分类结果。

可选的，上述分类模块903在用于调用状态分类模型对上述状态信息以及上述问询结果进行特征提取处理，得到上述用户的特征表示信息时，具体用于：

调用状态分类模型的表征层对上述状态信息包括的每个初始状态描述数据进行特征提取处理，得到上述每个初始状态描述数据的特征向量；

调用上述状态分类模型的表征层对上述问询结果包括的每个推荐状态描述数据进行特征提取处理，得到上述每个推荐状态描述数据的特征向量；

调用上述状态分类模型的表征层对上述每个初始状态描述数据的特征向量和上述每个推荐状态描述数据的特征向量进行融合处理，得到上述用户的特征表示信息。

可选的，上述分类模块903在用于调用上述状态分类模型对上述特征表示信息进行分类处理，得到上述用户的目标分类结果时，具体用于：

调用上述状态分类模型对上述特征表示信息进行分类处理，得到上述用户的第二分类结果，并获取分类次数，上述第二分类结果包括上述用户的目标分类概率以及上述目标分类的置信度；

确定上述第二分类结果或者上述分类次数是否满足预设条件；

若满足上述预设条件，则将上述第二分类结果作为上述用户的目标分类结果，上述预设条件包括上述目标分类概率大于概率阈值，并且上述置信度大于置信度阈值；或者，上述预设条件包括上述分类次数大于次数阈值。

可选的，上述分类模块903还用于：

若不满足上述预设条件，则基于上述第二分类结果、分类决策路径信息以及状态频率分布信息确定第二问询信息；

基于上述用户针对上述第二问询信息的响应操作对上述问询结果进行更新，得到更新后的问询结果；

根据上述状态信息以及上述更新后的问询结果确定上述用户的目标分类结果。

可选的，上述分类模块903在用于调用上述状态分类模型对上述特征表示信息进行分类处理，得到上述用户的第二分类结果时，具体用于：

调用上述状态分类模型中的多个神经元组合分别对上述特征表示信息进行分类处理，得到多个预测结果，上述多个预测结果中的每个预测结果包括上述用户在多个分类中的概率分布；

根据上述多个预测结果确定上述用户的第二分类结果。

可选的，上述分类模块903在用于根据上述多个预测结果确定上述用户的第二分类结果时，具体用于：

根据上述多个预测结果确定上述多个分类中每个分类的概率均值；

获取上述多个分类中对应的概率均值最大的目标分类，并将上述目标分类的概率均值作为目标分类概率；

根据上述目标分类的概率均值以及上述多个预测结果确定上述目标分类对应的概率方差，并将上述概率方差作为上述目标分类的置信度。

可选的，上述状态信息还包括每个初始状态描述数据的状态限定信息，上述问询结果包括上述一个或多个推荐状态描述数据中的每个推荐状态描述数据以及上述每个推荐状态描述数据的状态限定信息，上述状态限定信息用于指示状态是否存在；

上述分类模块903在用于调用上述状态分类模型对上述状态信息以及上述问询结果进行特征提取处理，得到上述用户的特征表示信息时，具体用于：

调用上述状态分类模型的表征层对上述状态信息包括的每个初始状态描述和状态限定信息数据进行特征提取处理，得到上述每个初始状态描述数据的特征向量；

调用上述状态分类模型的表征层对上述问询结果包括的每个推荐状态描述数据和状态限定信息进行特征提取处理，得到上述每个推荐状态描述数据的特征向量；

调用上述状态分类模型的表征层对上述每个初始状态描述数据的特征向量和上述每个推荐状态描述数据的特征向量进行融合处理，得到上述用户的特征表示信息。

可选的，上述分类模块903还用于：

获取训练数据，上述训练数据包括多个训练样本以及每个训练样本的分类标签，上述每个训练样本包括一种或多种样本状态描述数据；

利用初始神经网络模型对上述每个训练样本进行处理，得到上述每个训练样本的预测分类结果；

根据上述每个训练样本的预测分类结果以及分类标签对上述初始神经网络模型的模型参数进行调整，得到状态分类模型。

需要说明的是，本申请实施例的数据处理装置的各功能模块的功能可根据上述方法实施例中的方法具体实现，其具体实现过程可以参照上述方法实施例的相关描述，此处不再赘述。

请参阅图10，图10是本申请一实施例提供的一种计算机设备的示意框图。如图所示的本实施例中的智能终端可以包括：处理器1001、存储装置1002以及网络接口1003。上述处理器1001、存储装置1002以及网络接口1003之间可以进行数据交互。

上述存储装置1002可以包括易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储装置1002也可以包括非易失性存储器(non-volatile memory)，例如快闪存储器(flash memory)，固态硬盘(solid-state drive，SSD)等；上述存储装置1002还可以包括上述种类的存储器的组合。

上述处理器1001可以是中央处理器(central processing unit，CPU)。在一个实施例中，上述处理器1001还可以是图形处理器(Graphics Processing Unit，GPU)。上述处理器1001也可以是由CPU和GPU的组合。在一个实施例中，上述存储装置1002用于存储程序指令，上述处理器1001可以调用上述程序指令，执行如下操作：

获取用户的状态信息，上述状态信息包括一个或多个初始状态描述数据；

基于上述状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息，其中，上述第一问询信息包括一个或多个推荐状态描述数据；

获取上述用户针对上述第一问询信息的响应操作，并根据上述响应操作确定上述第一问询信息的问询结果；

根据上述状态信息以及上述问询结果确定上述用户的目标分类结果。

可选的，上述处理器1001在用于基于上述状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息时，具体用于：

调用状态分类模型对上述状态信息进行分类处理，得到上述用户的第一分类结果；

基于上述第一分类结果、分类决策路径信息以及状态频率分布信息确定第一问询信息。

可选的，上述处理器1001在用于基于上述第一分类结果、分类决策路径信息以及状态频率分布信息确定第一问询信息时，具体用于：

根据上述第一分类结果查询分类决策路径信息，得到第一数据集合，上述第一数据集合包括一个或多个候选状态描述数据；

根据上述第一分类结果查询状态频率分布信息，得到第二数据集合，上述第二数据集合包括一个或多个候选状态描述数据；

通过对上述第一数据集合和上述第二数据集合进行融合处理，得到第一问询信息。

可选的，上述处理器1001在用于根据上述状态信息以及上述问询结果确定上述用户的目标分类结果时，具体用于：

调用状态分类模型对上述状态信息以及上述问询结果进行特征提取处理，得到上述用户的特征表示信息；

调用上述状态分类模型对上述特征表示信息进行分类处理，得到上述用户的目标分类结果。

可选的，上述处理器1001在用于调用状态分类模型对上述状态信息以及上述问询结果进行特征提取处理，得到上述用户的特征表示信息时，具体用于：

调用状态分类模型的表征层对上述状态信息包括的每个初始状态描述数据进行特征提取处理，得到上述每个初始状态描述数据的特征向量；

调用上述状态分类模型的表征层对上述问询结果包括的每个推荐状态描述数据进行特征提取处理，得到上述每个推荐状态描述数据的特征向量；

调用上述状态分类模型的表征层对上述每个初始状态描述数据的特征向量和上述每个推荐状态描述数据的特征向量进行融合处理，得到上述用户的特征表示信息。

可选的，上述处理器1001在用于调用上述状态分类模型对上述特征表示信息进行分类处理，得到上述用户的目标分类结果时，具体用于：

调用上述状态分类模型对上述特征表示信息进行分类处理，得到上述用户的第二分类结果，并获取分类次数，上述第二分类结果包括上述用户的目标分类概率以及上述目标分类的置信度；

确定上述第二分类结果或者上述分类次数是否满足预设条件；

若满足上述预设条件，则将上述第二分类结果作为上述用户的目标分类结果，上述预设条件包括上述目标分类概率大于概率阈值，并且上述置信度大于置信度阈值；或者，上述预设条件包括上述分类次数大于次数阈值。

可选的，上述处理器1001还用于：

若不满足上述预设条件，则基于上述第二分类结果、分类决策路径信息以及状态频率分布信息确定第二问询信息；

基于上述用户针对上述第二问询信息的响应操作对上述问询结果进行更新，得到更新后的问询结果；

根据上述状态信息以及上述更新后的问询结果确定上述用户的目标分类结果。

可选的，上述处理器1001在用于调用上述状态分类模型对上述特征表示信息进行分类处理，得到上述用户的第二分类结果时，具体用于：

调用上述状态分类模型中的多个神经元组合分别对上述特征表示信息进行分类处理，得到多个预测结果，上述多个预测结果中的每个预测结果包括上述用户在多个分类中的概率分布；

根据上述多个预测结果确定上述用户的第二分类结果。

可选的，上述处理器1001在用于根据上述多个预测结果确定上述用户的第二分类结果时，具体用于：

根据上述多个预测结果确定上述多个分类中每个分类的概率均值；

获取上述多个分类中对应的概率均值最大的目标分类，并将上述目标分类的概率均值作为目标分类概率；

根据上述目标分类的概率均值以及上述多个预测结果确定上述目标分类对应的概率方差，并将上述概率方差作为上述目标分类的置信度。

可选的，上述状态信息还包括每个初始状态描述数据的状态限定信息，上述问询结果包括上述一个或多个推荐状态描述数据中的每个推荐状态描述数据以及上述每个推荐状态描述数据的状态限定信息，上述状态限定信息用于指示状态是否存在；

上述处理器1001在用于调用上述状态分类模型对上述状态信息以及上述问询结果进行特征提取处理，得到上述用户的特征表示信息时，具体用于：

调用上述状态分类模型的表征层对上述状态信息包括的每个初始状态描述和状态限定信息数据进行特征提取处理，得到上述每个初始状态描述数据的特征向量；

调用上述状态分类模型的表征层对上述问询结果包括的每个推荐状态描述数据和状态限定信息进行特征提取处理，得到上述每个推荐状态描述数据的特征向量；

调用上述状态分类模型的表征层对上述每个初始状态描述数据的特征向量和上述每个推荐状态描述数据的特征向量进行融合处理，得到上述用户的特征表示信息。

可选的，上述处理器1001还用于：

获取训练数据，上述训练数据包括多个训练样本以及每个训练样本的分类标签，上述每个训练样本包括一种或多种样本状态描述数据；

利用初始神经网络模型对上述每个训练样本进行处理，得到上述每个训练样本的预测分类结果；

根据上述每个训练样本的预测分类结果以及分类标签对上述初始神经网络模型的模型参数进行调整，得到状态分类模型。

具体实现中，本申请实施例中所描述的处理器1001、存储装置1002以及网络接口1003可执行本申请实施例图2或图6提供的数据处理方法的相关实施例中所描述的实现方式，也可执行本申请实施例图9提供的数据处理装置的相关实施例中所描述的实现方式，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的方法、装置和系统，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的；例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式；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，机械或其它的形式。

此外，这里需要指出的是：本申请实施例还提供了一种计算机可读存储介质，且计算机可读存储介质中存储有前文提及的数据处理装置所执行的计算机程序，且该计算机程序包括程序指令，当处理器执行上述程序指令时，能够执行前文图2、图6所对应实施例中的方法，因此，这里将不再进行赘述。另外，对采用相同方法的有益效果描述，也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节，请参照本申请方法实施例的描述。作为示例，程序指令可以被部署在一个计算机设备上，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可以组成区块链系统。

根据本申请的一个方面，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指令，该计算机指令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指令，处理器执行该计算机指令，使得该计算机设备可以执行前文图2、图6所对应实施例中的方法，因此，这里将不再进行赘述。

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，上述程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，上述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所揭露的仅为本申请的部分实施例而已，当然不能以此来限定本申请之权利范围，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流程，并依本申请权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (10)

1.一种数据处理方法，其特征在于，所述方法包括：

获取用户的状态信息，所述状态信息包括一个或多个初始状态描述数据；

基于所述状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息，其中，所述第一问询信息包括一个或多个推荐状态描述数据；

获取所述用户针对所述第一问询信息的响应操作，并根据所述响应操作确定所述第一问询信息的问询结果；

根据所述状态信息以及所述问询结果确定所述用户的目标分类结果。

2.根据权利要求1所述的方法，其特征在于，所述基于所述状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息，包括：

调用状态分类模型对所述状态信息进行分类处理，得到所述用户的第一分类结果；

基于所述第一分类结果、分类决策路径信息以及状态频率分布信息确定第一问询信息。

3.根据权利要求2所述的方法，其特征在于，所述基于所述第一分类结果、分类决策路径信息以及状态频率分布信息确定第一问询信息，包括：

根据所述第一分类结果查询分类决策路径信息，得到第一数据集合，所述第一数据集合包括一个或多个候选状态描述数据；

根据所述第一分类结果查询状态频率分布信息，得到第二数据集合，所述第二数据集合包括一个或多个候选状态描述数据；

通过对所述第一数据集合和所述第二数据集合进行融合处理，得到第一问询信息。

4.根据权利要求1所述的方法，其特征在于，所述根据所述状态信息以及所述问询结果确定所述用户的目标分类结果，包括：

调用状态分类模型对所述状态信息以及所述问询结果进行特征提取处理，得到所述用户的特征表示信息；

调用所述状态分类模型对所述特征表示信息进行分类处理，得到所述用户的目标分类结果。

5.根据权利要求4所述的方法，其特征在于，所述调用所述状态分类模型对所述特征表示信息进行分类处理，得到所述用户的目标分类结果，包括：

调用所述状态分类模型对所述特征表示信息进行分类处理，得到所述用户的第二分类结果，并获取分类次数，所述第二分类结果包括所述用户的目标分类概率以及所述目标分类的置信度；

确定所述第二分类结果或者所述分类次数是否满足预设条件；

若满足所述预设条件，则将所述第二分类结果作为所述用户的目标分类结果，所述预设条件包括所述目标分类概率大于概率阈值，并且所述置信度大于置信度阈值；或者，所述预设条件包括所述分类次数大于次数阈值。

6.根据权利要求5所述的方法，其特征在于，所述调用所述状态分类模型对所述特征表示信息进行分类处理，得到所述用户的第二分类结果，包括：

调用所述状态分类模型中的多个神经元组合分别对所述特征表示信息进行分类处理，得到多个预测结果，所述多个预测结果中的每个预测结果包括所述用户在多个分类中的概率分布；

根据所述多个预测结果确定所述用户的第二分类结果。

7.根据权利要求6所述的方法，其特征在于，所述根据所述多个预测结果确定所述用户的第二分类结果，包括：

根据所述多个预测结果确定所述多个分类中每个分类的概率均值；

获取所述多个分类中对应的概率均值最大的目标分类，并将所述目标分类的概率均值作为目标分类概率；

根据所述目标分类的概率均值以及所述多个预测结果确定所述目标分类对应的概率方差，并将所述概率方差作为所述目标分类的置信度。

8.根据权利要求4所述的方法，其特征在于，所述状态信息还包括每个初始状态描述数据的状态限定信息，所述问询结果包括所述一个或多个推荐状态描述数据中的每个推荐状态描述数据以及所述每个推荐状态描述数据的状态限定信息，所述状态限定信息用于指示状态是否存在，所述调用所述状态分类模型对所述状态信息以及所述问询结果进行特征提取处理，得到所述用户的特征表示信息，包括：

调用所述状态分类模型的表征层对所述状态信息包括的每个初始状态描述数据和状态限定信息进行特征提取处理，得到所述每个初始状态描述数据的特征向量；

调用所述状态分类模型的表征层对所述问询结果包括的每个推荐状态描述数据和状态限定信息进行特征提取处理，得到所述每个推荐状态描述数据的特征向量；

调用所述状态分类模型的表征层对所述每个初始状态描述数据的特征向量和所述每个推荐状态描述数据的特征向量进行融合处理，得到所述用户的特征表示信息。

9.一种数据处理装置，其特征在于，所述装置包括：

获取模块，用于获取用户的状态信息，所述状态信息包括一个或多个初始状态描述数据；

处理模块，用于基于所述状态信息、分类决策路径信息以及状态频率分布信息确定第一问询信息，其中，所述第一问询信息包括一个或多个推荐状态描述数据；

所述处理模块，还用于获取所述用户针对所述第一问询信息的响应操作，并根据所述响应操作确定所述第一问询信息的问询结果；

分类模块，用于根据所述状态信息以及所述问询结果确定所述用户的目标分类结果。

10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行，用以执行如权利要求1～8中任一项所述的数据处理方法。

Images