CN114357963A - 问诊模板生成方法、装置、电子设备及存储介质 - Google Patents

问诊模板生成方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN114357963A
CN114357963A CN202210027245.8A CN202210027245A CN114357963A CN 114357963 A CN114357963 A CN 114357963A CN 202210027245 A CN202210027245 A CN 202210027245A CN 114357963 A CN114357963 A CN 114357963A
Authority
CN
China
Prior art keywords
question
option
inquiry
original
score value
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
Application number
CN202210027245.8A
Other languages
English (en)
Inventor
唐蕊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202210027245.8A priority Critical patent/CN114357963A/zh
Publication of CN114357963A publication Critical patent/CN114357963A/zh
Priority to PCT/CN2022/090755 priority patent/WO2023134087A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本实施例涉及人工智能技术领域，尤其涉及一种问诊模板生成方法、装置、电子设备及存储介质。该方法包括：获取多个原始问诊模板；每一原始问诊模板包括问诊问题数据、问题选项数据和初诊结果数据，问诊问题数据包括多个原始问诊问题，问题选项数据包括多个原始问题选项，每一原始问诊问题至少对应两个原始问题选项；然后对原始问诊模板中的原始问诊问题、原始问题选项和初诊结果数据进行训练处理，得到问题维度分数值和选项维度分数值；再根据问题维度分数值和选项维度分数值对原始问诊模板中的原始问诊问题进行筛选处理，得到目标问诊模板。本申请实施例的技术方案，能够提高患者的问诊体验，增强了在线问诊服务的作用。

Description

问诊模板生成方法、装置、电子设备及存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及一种问诊模板生成方法、装置、电子设备及存储介质。
背景技术
近年来，随着互联网技术的快速发展，传统的医疗领域也逐步进入了互联网时代，越来越多的医疗机构通过互联网提供在线问诊服务。在线问诊服务是指医生以互联网作为媒介和患者进行交流从而实现问诊的过程。
相关技术中，在在线问诊服务中，医生常常用一些问诊模板来实现对患者的问诊服务。然而，现有的问诊模板存在问诊问题数目过多的缺陷，导致患者不愿回答，造成问诊效能低下的后果。
发明内容
本公开实施例的主要目的在于提出一种问诊模板生成方法、装置、电子设备及存储介质，能够提高患者的问诊体验，增强了在线问诊服务的作用。
为实现上述目的，本公开实施例的第一方面提出了一种问诊模板生成方法，包括：
获取多个原始问诊模板；其中，每一所述原始问诊模板包括问诊问题数据、问题选项数据和初诊结果数据，所述问诊问题数据包括多个原始问诊问题，所述问题选项数据包括多个原始问题选项，每一所述原始问诊问题至少对应两个所述原始问题选项；
将所述原始问诊问题和所述初诊结果数据输入到预设的问题学习模型中，通过所述原始问诊问题和所述初诊结果数据对所述问题学习模型中的问题学习模型参数进行调整处理，将调整处理后的问题学习模型参数作为问题维度分数值；其中，所述问题维度分数值用于表征所述原始问诊问题从问题维度在所述原始问诊模板中的重要程度；
将所述初诊结果数据和所述原始问题选项输入到预设的选项学习模型中，通过所述初诊结果数据和所述原始问题选项对所述选项学习模型中的选项学习模型参数进行调整处理，将调整处理后的选项学习模型参数作为选项分数值；其中，所述选项分数值用于表征所述原始问题选项在所述原始问诊问题中的重要程度；
根据预设的映射分类规则对所述选项分数值进行分类匹配处理，得到选项维度分数值；其中，所述映射分类规则用于表征每一所述原始问诊问题和所述原始问题选项的对应关系，所述选项维度分数值用于表征所述原始问诊问题从选项维度在所述原始问诊模板中的重要程度；
根据所述问题维度分数值和所述选项维度分数值对所述原始问诊模板中的原始问诊问题进行筛选处理，得到目标问诊题目；
根据所述目标问诊题目构建得到目标问诊模板。
在一些实施例中，所述问题学习模型包括问题转换模型和问题分类模型；
所述通过所述原始问诊问题和所述初诊结果数据对所述问题学习模型中的问题学习模型参数进行调整处理，将调整处理后的问题学习模型参数作为问题维度分数值，包括：
获取所述原始问诊问题之间的共现关系，得到问题共现关系；
基于所述问题共现关系构建所述原始问诊问题的问题共现对；
通过所述问题共现对对所述问题转换模型进行训练处理，得到训练后的问题转换模型；
通过所述训练后的问题转换模型对每一所述原始问诊问题进行转换处理，得到对应的问诊问题向量；
根据所述问诊问题向量和所述初诊结果数据对所述问题分类模型进行更新处理，并将更新处理后的问题分类模型中的问题分类模型参数作为所述问题维度分数值。
在一些实施例中，所述问题转换模型包括问题编码模型和编码转化模型；
所述通过所述训练后的问题转换模型对每一所述原始问诊问题进行转换处理，得到对应的问诊问题向量，包括：
通过所述问题编码模型对每一所述原始问诊问题进行编码处理，得到对应的问诊问题编码；
通过所述编码转化模型对所述问诊问题编码进行向量转化处理，得到所述问诊问题向量。
在一些实施例中，所述根据所述问诊问题向量和所述初诊结果数据对所述问题分类模型进行更新处理，并将更新处理后的问题分类模型中的问题分类模型参数作为所述问题维度分数值，包括：
根据所述问诊问题向量和所述初诊结果数据对所述问题分类模型进行参数精调；
获取参数精调后问题分类模型中的每一问诊问题向量的权重，得到问题权重值；
对所述问题权重值进行归一化处理，并将归一化处理后的问题权重值作为所述问题维度分数值。
在一些实施例中，所述选项学习模型包括选项转换模型和选项分类模型；
所述通过所述初诊结果数据和所述原始问题选项对所述选项学习模型中的选项学习模型参数进行调整处理，将调整处理后的选项学习模型参数作为选项分数值，包括：
获取所述原始问题选项之间的的共现关系，得到选项共现关系；
基于所述选项共现关系构建所述原始问题选项的选项共现对；
通过所述选项共现对对所述选项转换模型进行训练处理，得到训练后的选项转换模型；
通过所述训练后的选项转换模型对每一所述原始问题选项进行转换处理，得到对应的问题选项向量；
根据所述问题选项向量和所述初诊结果数据对所述选项分类模型进行更新处理，并将更新处理后的选项分类模型中的选项分类模型参数作为所述选项分数值。
在一些实施例中，所述根据所述问题选项向量和所述初诊结果数据对所述选项分类模型进行更新处理，并将更新处理后的选项分类模型中的选项分类模型参数作为所述选项分数值，包括：
根据所述问题选项向量和所述初诊结果数据对所述选项分类模型进行参数精调；
获取参数精调后选项分类模型中每一问题选项向量的权重，得到选项权重值；
对所述选项权重值进行归一化处理，并将归一化处理后的选项权重值作为所述选项分数值。
在一些实施例中，所述根据所述问题维度分数值和所述选项分数值对所述原始问诊模板中的原始问诊问题进行筛选处理，得到目标问诊题目，包括：
获取预设的问诊问题权重和预设的问题选项权重；
获取预设的分数阈值；
根据所述问诊问题权重对所述问题维度分数值进行加权处理，得到问题加权值；
根据所述问题选项权重对所述选项分数值进行加权处理，得到选项加权值；
根据所述问题加权值和所述选项加权值，得到目标分数值；
若所述目标分数值大于或等于所述分数阈值，从所述原始问诊模板中获取与所述目标分数值对应的所述原始问诊问题，得到所述目标问诊题目。
为实现上述目的，本公开实施例的第二方面提出了一种问诊模板生成装置，包括：
获取模块，用于获取多个原始问诊模板；其中，每一所述原始问诊模板包括问诊问题数据、问题选项数据和初诊结果数据，所述问诊问题数据包括多个原始问诊问题，所述问题选项数据包括多个原始问题选项，每一所述原始问诊问题至少对应两个所述原始问题选项；
第一处理模块，用于将所述原始问诊问题和所述初诊结果数据输入到预设的问题学习模型中，通过所述原始问诊问题和所述初诊结果数据对所述问题学习模型中的问题学习模型参数进行调整处理，将调整处理后的问题学习模型参数作为问题维度分数值；其中，所述问题维度分数值用于表征所述原始问诊问题从问题维度在所述原始问诊模板中的重要程度；
第二处理模块，用于将所述初诊结果数据和所述原始问题选项输入到预设的选项学习模型中，通过所述初诊结果数据和所述原始问题选项对所述选项学习模型中的选项学习模型参数进行调整处理，将调整处理后的选项学习模型参数作为选项分数值；其中，所述选项分数值用于表征所述原始问题选项在所述原始问诊问题中的重要程度；
分类匹配模块，用于根据预设的映射分类规则对所述选项分数值进行分类匹配处理，得到选项维度分数值；其中，所述映射分类规则用于表征每一所述原始问诊问题和所述原始问题选项的对应关系，所述选项维度分数值用于表征所述原始问诊问题从选项维度在所述原始问诊模板中的重要程度；
筛选模块，用于根据所述问题维度分数值和所述选项维度分数值对所述原始问诊模板中的原始问诊问题进行筛选处理，得到目标问诊题目；
构建模块，用于根据所述目标问诊题目构建得到目标问诊模板。
为实现上述目的，本公开实施例的第三方面提出了一种电子设备，包括：
至少一个存储器；
至少一个处理器；
至少一个程序；
所述程序被存储在所述存储器中，处理器执行所述至少一个程序以实现：
如第一方面实施例任一项所述的方法。
为实现上述目的，本公开实施例的第四方面提出了一种存储介质，所述存储介质为计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行：
如第一方面实施例任一项所述的方法。
本公开实施例提出的问诊模板生成方法、装置、电子设备及存储介质，通过对原始问诊模板中的原始问诊问题和原始问题选项进行重要性分析，得到用于表征原始问诊问题在原始问诊模板中重要程度的问题维度分数值和用于表征原始问题选项在原始问诊模板中重要程度的选项分数值，然后，根据选项分数值和预设的映射分类规则得到选项维度分数值，再根据问题维度分数值和选项维度分数值对原始问诊模板中的原始问诊问题进行筛选处理，得到目标问诊模板，从而实现了对原始问诊模板的优化，减少了原始问诊模板的原始问诊问题，提升了患者的问诊体验，增强了在线问诊服务的作用，也提高了在线问诊服务的效能，并且在整个目标问诊模板生成过程中，不需要人工参与，解放了人力，提高了效率。
附图说明
图1是本申请实施例提供的问诊模板生成方法的流程图；
图2是图1中步骤S200的具体方法的流程图；
图3是图2中步骤S240的具体方法的流程图；
图4是图2中步骤S250的具体方法的流程图；
图5是图1中步骤S300的具体方法的流程图；
图6是图5中步骤S350的具体方法的流程图；
图7是图1中步骤S500的具体方法的流程图；
图8是本申请实施例提供的问诊模板生成装置的模块框图；
图9是本申请实施例提供的电子设备的硬件结构示意图。
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，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
人工智能(artificial intelligence，AI)：是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学；人工智能是计算机科学的一个分支，人工智能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，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还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。
医疗云(Medical cloud)：医疗云是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上，结合医疗技术，使用“云计算”来创建医疗健康服务云平台，实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合，医疗云提高医疗机构的效率，方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物，医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。
独热编码(One-Hot Encoding)：独热编码又称一位有效码，其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。即，只有一位是1，其余都是零值。独热编码在回归、分类、聚类等机器学习算法中得到广泛使用。在回归、分类、聚类等机器学习算法中，特征之间距离的计算或相似度的计算是非常重要的。而常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。使用独热编码，将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。将离散型特征使用独热编码，会让特征之间的距离计算更加合理。
无监督学习：利用无标签的数据学习数据的分布或数据与数据之间的关系被称为无监督学习。有监督学习和无监督学习的最大区别在于数据是否有标签，无监督学习最常应用的场景是聚类(clustering)和降维(DimensionReduction)。
逻辑回归(Logistic Regression)：逻辑回归是一种广义的线性回归分析模型，常用于数据挖掘、疾病自动诊断、经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。在逻辑回归中，通过logistic回归分析，可以得到自变量的权重，从而可以实现与结果的分类与预测。逻辑回归是一种分类模型，常用于二分类，其本质是：假设数据服从这个分布，然后使用极大似然估计做参数的估计。
神经网络模型(neural network，NN)：神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。神经网络是一种运算模型，由大量的节点(或称“神经元”)和之间相互的联接构成。每个节点代表一种特定的输出函数，称为激励函数、激活函数(activationfunction)。每两个节点间的联接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，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。
本申请实施例提供的问诊模板生成方法可应用于人工智能之中。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、机器人技术、生物识别技术、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。
近年来，随着互联网技术的发展，传统的医疗领域也逐步进入了互联网时代，越来越多的医疗机构通过互联网提供医疗服务。其中，在线问诊服务得到了越来越多的关注。在线问诊是指医生以互联网作为媒介和患者进行交流从而实现问诊的过程。区别于传统的线下问诊，在线问诊服务可以更加方便、快捷的为患者提供优质的医疗服务。为了提升线上医生的问诊效率，一般会由医生基于医学知识和问诊实践经验事先制定好针对不同科室的问诊模版。在问诊模版中由少则十几个多则几十个问诊问题以及问题选项(单选或者多选)组成。问诊模版通常会在医生和患者的对话之前由系统抛出，在患者回答完所有的模版问题后，模版会提供给医生初步的诊断结果，基于模版收集的问题和答案、以及初步诊断结果，医生会给出再多问一些问题或者直接给出诊断结果。然而，现有的问诊模版存在一些不足之处。首先，由医生制定的问诊模版问题数目多，过多的问题数目使得患者的线上问诊体验下降，甚至有些患者由于问题过多而放弃问诊。其次，针对不同的疾病的问诊问题侧重点不同，应用同一套问诊模版在不同疾病上会降低问诊的效能。
基于此，本申请实施例提供了一种问诊模板生成方法、装置、电子设备及存储介质，能够实现对现有模板的优化，减少了现有问诊模板的问诊问题，提升了患者的问诊体验，增强了在线问诊服务的作用，也提高了在线问诊服务的效能。
本公开实施例提供的问诊模板生成方法、装置、电子设备及存储介质，具体通过如下实施例进行说明，首先描述本公开实施例中的问诊模板生成方法。
本申请实施例提供的问诊模板生成方法，涉及人工智能技术领域。本申请实施例提供的问诊模板生成方法可应用于终端中，也可应用于服务器端中，还可以是运行于终端或服务器端中的软件。在一些实施例中，终端可以是智能手机、平板电脑、笔记本电脑、台式计算机或者智能手表等；服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、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；软件可以是实现问诊模板生成方法的应用等，但并不局限于以上形式。
本公开实施例可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费计算机设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
参照图1，第一方面，本申请的一些实施例提供了一种问诊模板生成方法，包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500和步骤S600，应理解本申请实施例的问诊模板生成方法包括但不限于步骤S100至步骤S600，下面对这六个步骤进行详细介绍。
步骤S100：获取多个原始问诊模板；其中，每一原始问诊模板包括问诊问题数据、问题选项数据和初诊结果数据，问诊问题数据包括多个原始问诊问题，问题选项数据包括多个原始问题选项，每一原始问诊问题至少对应两个原始问题选项；
在步骤S100中，原始问诊模板可以是通用问诊模板，也可以是特定问诊模板。特定问诊模板是特定科室使用的问诊模板；通用问诊模板指的是不需要区分科室，所有科室均可使用的问诊模板。原始问诊模板可以通过医疗云服务器获取，也可以通过对接医院的数据库系统进行获取，还可以是其他的一些获取方式。
需要说明的是，对于获取的每一个原始问诊模板，该原始问诊模板都要包括初诊结果数据、问诊问题数据和问题选项数据。问诊问题数据包括多个原始问诊问题，问题选项数据包括多个原始问题选项，原始问诊问题指的是原始问诊模板上的问诊问题，原始问题选项指的是每个问诊问题对应的选项，每个原始问诊问题至少对应两个原始问题选项；初诊结果数据指的是医生根据患者在原始问诊模板上回答的问题所作出的初步诊断结果。
需要说明的是，在本实施例中，多个原始问诊模板指的是同一个类型原始问诊模板获取多个。例如，需要对A类型的原始问诊模板进行优化，则需要获取多个类型为A的原始问诊模板。如果需要对A类型和B类型的原始问诊模板都进行优化，则A类型的原始问诊模板获取多个；B类型的原始问诊模板也要获取多个。如果需要优化两个类型或者多个类型的原始问诊模板，则后续的优化筛选过程、训练处理过程应该需要分开进行。
步骤S200：将原始问诊问题和初诊结果数据输入到预设的问题学习模型中，通过原始问诊问题和初诊结果数据对问题学习模型中的问题学习模型参数进行调整处理，将调整处理后的问题学习模型参数作为问题维度分数值；其中，问题维度分数值用于表征原始问诊问题从问题维度在原始问诊模板中的重要程度；
在步骤S200中，将原始问诊问题和初诊结果数据输入到预设的问题学习模型中进行训练处理。具体为，以初诊结果数据为目标标签(结果)、原始问诊问题为输入，对问题学习模型中的参数进行精调。然后，将调整后的问题学习模型的参数作为问题维度分数值，该问题维度分数值用于表征原始问诊问题在原始问诊模板中重要程度。
步骤S300：将初诊结果数据和原始问题选项输入到预设的选项学习模型中，通过初诊结果数据和原始问题选项对选项学习模型中的选项学习模型参数进行调整处理，将调整处理后的选项学习模型参数作为选项分数值；其中，选项分数值用于表征原始问题选项在原始问诊问题中的重要程度；
与前述的步骤S200类似，在步骤S300中，以初诊结果数据为目标标签(结果)、原始问题选项为输入对选项学习模型中的参数进行精调。然后，将调整后的选项学习模型的参数作为选项分数值，该选项分数值用于表征原始问题选项在原始问诊问题中重要程度。
步骤S400：根据预设的映射分类规则对选项分数值进行分类匹配处理，得到选项维度分数值；其中，映射分类规则用于表征每一原始问诊问题和原始问题选项的对应关系，选项维度分数值用于表征原始问诊问题从选项维度在原始问诊模板中的重要程度；
在步骤S400中，映射分类规则即每一原始问诊问题和原始问题选项的对应关系。例如，原始问诊问题中包含3个选项，那么从选项维度来说，该选项维度分数值为3个选项分数值之和。
步骤S500：根据问题维度分数值和选项维度分数值对原始问诊模板中的原始问诊问题进行筛选处理，得到目标问诊题目；
在步骤S500中，根据前述的步骤得到问题维度分数值和选项维度分数值后，能够大致确定每个原始问诊问题从问题维度在初诊结果数据中所占的百分比，以及每个原始问诊问题从选项维度在初诊结果数据中所占的百分比。因此，可以根据问题维度分数值和选项维度分数值对原始问诊模板中的原始问诊问题进行筛选处理，从而得到目标问诊题目。
具体的筛选过程：可以是将问题维度分数值和选项维度分数值相加，然后得到每一个原始问诊问题对应的目标分数值，再依据相加得到的目标分数值从大到小进行排序，选择排名靠前的原始问诊问题作为目标问诊题目；也可以是问题维度分数值和选项维度分数值相加，然后得到每一个原始问诊问题对应的目标分数值，然后设置一个分数阈值，将超过该分数阈值的目标分数值对应的原始问诊问题作为目标问诊题目。
步骤S600：根据目标问诊题目构建得到目标问诊模板。
在步骤S600中，将得到的所有目标问诊题目和对应的原始问题选项进行组合，得到目标问诊模板。目标问诊模板即为根据原始问诊模板进行优化后得到的模板。
本申请实施例的问诊模板生成方法，通过对原始问诊模板中的原始问诊问题和原始问题选项进行重要性分析，得到用于表征原始问诊问题在原始问诊模板中重要程度的问题维度分数值和用于表征原始问题选项在原始问诊模板中重要程度的选项分数值，然后，根据选项分数值和预设的映射分类规则得到选项维度分数值，再根据问题维度分数值和选项维度分数值对原始问诊模板中的原始问诊问题进行筛选处理，得到目标问诊模板，从而实现了对原始问诊模板的优化，减少了原始问诊模板的原始问诊问题，提升了患者的问诊体验，增强了在线问诊服务的作用，也提高了在线问诊服务的效能，并且在整个目标问诊模板生成过程中，不需要人工参与，解放了人力，提高了效率。
参照图2，在本申请的一些实施例中，问题学习模型包括问题转换模型和问题分类模型。步骤S200包括步骤S210、步骤S220、步骤S230、步骤S240和步骤S250，应理解步骤S200包括但不限于步骤S210至步骤S250，下面结合图2对这五个步骤进行详细介绍。
步骤S210：获取原始问诊问题之间的共现关系，得到问题共现关系；
步骤S220：基于问题共现关系构建原始问诊问题的问题共现对；
具体地，在步骤S210至步骤S220中，问题共现关系即原始问诊问题共同出现的关系，具体以表1为例进行详细说明，其中表1是本申请实施例提供的问题共现关系表。
Figure BDA0003465157670000101
表1
在表1中，编号1、2、3代表该原始问诊模板有3条问诊数据，编号Q1至Q5代表该原始问诊模板设有5个原始问诊问题，每个原始问诊问题中的0表示患者没有回答该问题或者没有该问题，1表示患者回答了该问题，初诊结果数据为医生根据原始问诊问题得到的初步诊断结果。
根据表1中的问题共现关系可以构建问题共现对，例如对于编号1的问诊数据来说，其存在的问题共现对为：(Q1，Q3)，(Q1，Q4)，(Q3，Q1)，(Q3，Q4)，(Q4，Q1)，(Q4，Q3)。
需要说明的是，在本实施例中，为保留数据分布，重复的问题共现对应该保留，问题共现对具有前后顺序。例如，(Q1，Q3)和(Q3，Q1)是不同的问题共现对。
步骤S230：通过问题共现对对问题转换模型进行训练处理，得到训练后的问题转换模型；
步骤S240：通过训练后的问题转换模型对每一原始问诊问题进行转换处理，得到对应的问诊问题向量；
根据前述步骤构造的大量问题共现对，在步骤S230和步骤S240中，将每一问题共现对的前面的问题作为问题转换模型的输入，后面的问题作为问题转换模型的输出，通过无监督学习方式训练问题转换模型。训练完以后，通过问题转换模型将每一原始问诊问题进行转换处理，得到对应的问诊问题向量。
需要说明的是，问题转换模型可以由以下步骤得到：首先构建有多层全连接隐藏层的神经网络，然后通过无监督学习方式对该神经网络进行训练处理，得到问题转换模型；在训练过程中，每一问题共现对的前面的问题作为问题转换模型的输入，后面的问题作为问题转换模型的输出。例如，对于问题共现对(Q1，Q3)，在训练时，Q1为问题转换模型的输入，Q3为问题转换模型的输出。当然，也可以采取其他的方式得到问题转换模型，对于此，本申请不作具体限制。
步骤S250：根据问诊问题向量和初诊结果数据对问题分类模型进行更新处理，并将更新处理后的问题分类模型中的问题分类模型参数作为问题维度分数值。
在步骤S250中，将前述得到的问诊问题向量作为问题分类模型的输入，初诊结果数据作为问题分类模型的输出，对问题分类模型进行更新训练处理，然后，获取更新后的参数，作为问题维度分数值。
需要说明的是，在本实施例中，对于每一条问诊数据来说，出现的原始问诊问题以问诊问题向量表示，对于没有出现的原始问诊问题以零向量表示。
参照图3，在本申请的一些实施例中，问题转换模型包括问题编码模型和编码转化模型。步骤S240包括但不限于步骤S241和步骤242。下面结合图3对这两个步骤进行详细介绍。
步骤S241：通过问题编码模型对每一原始问诊问题进行编码处理，得到对应的问诊问题编码；
在步骤S241中，问题编码模型为独热编码模型，通过独热编码模型对原始问诊问题进行独热编码处理，得到对应的问诊问题编码，从而将每个原始问诊问题都用独热编码表示。
步骤S242：通过编码转化模型对问诊问题编码进行向量转化处理，得到问诊问题向量。
在步骤S242中，编码转化模型可以由以下步骤得到：首先构建有多层全连接隐藏层的神经网络，然后通过无监督学习方式对该神经网络进行训练处理，得到编码转换模型。然后将每一问诊问题编码输入到编码转换模型后，得到对应的问诊问题向量，问诊问题向量用VQ(Qi)表示，i表示第i个。
参照图4，在本申请的一些实施例中，步骤S250包括但不限于步骤S251、步骤S252、步骤S253。下面结合图4对这三个步骤进行详细介绍。
步骤S251：根据问诊问题向量和初诊结果数据为问题分类模型的输出对问题分类模型进行参数精调；
步骤S252：获取参数精调后问题分类模型中的每一问诊问题向量的权重，得到问题权重值；
步骤S253：对问题权重值进行归一化处理，并将归一化处理后的问题权重值作为问题维度分数值。
具体地，在本实施例中，对于每条问诊数据来说，将出现的原始问诊问题用对应的问诊问题向量表示，没有出现的问题由零向量表示，对于每个原始问诊问题都给定一个预设的初始参数w表示权重，那么问题分类模型可以用公式(1)表示，公式(1)具体如下：
TQ＝w0+w1·VQ(Q1)+w2·VQ(Q2)+...+wN·VQ(QN) (1)
在公式(1)中，TQ表示初诊结果数据，初始参数w为问题分类模型的参数。在初诊结果数据已知的情况下，通过大量的问诊数据对每个原始问诊问题的初始参数w进行精调，从而实现对问题分类模型的训练更新。然后获取参数精调后问题分类模型中的每一问诊问题向量的权重，得到问题权重值，即获取每个原始问诊问题对应的参数w，再对获取得到的参数w进行归一化处理，得到对应的问题维度分数值，具体的计算过程如公式(2)所示，公式(2)为：
Figure BDA0003465157670000121
通过公式(2)，得到每一个原始问诊问题对应的问题维度分数值。
参照图5，在本申请的一些实施例中，选项学习模型包括选项转换模型和选项分类模型。步骤S300包括但不限于步骤S310、步骤S320、步骤S330、步骤S340和步骤S350。下面结合图5对这五个步骤进行详细介绍。
步骤S310：获取原始问题选项之间的共现关系，得到选项共现关系；
步骤S320：基于选项共现关系构建原始问题选项的选项共现对；
具体地，在步骤S310至步骤S320中，选项共现关系即原始问题选项共同出现的关系，具体以表2为例进行详细说明，表2是本申请实施例提供的选项共现关系表。
Figure BDA0003465157670000131
表2
在表2中，编号1、2、3代表该原始问诊模板有3条问诊数据，编号Q1至Q5表示该原始问诊模板设有5个原始问诊问题，q1、q2、q3分别表示每个原始问诊问题对应的原始问题选项，每一原始问诊问题都有多个选项，对应于多选或者单选，每个原始问诊问题中的0表示患者没有该选项或者没有选择该选项，1表示患者选择了该选项，初诊结果数据为医生根据原始问诊问题和原始问题选项得到的初步诊断结果。
同理，根据表2中的选项共现关系可以构建多个选项共现对，例如，对于编号1的问诊数据来说，其存在的选项共现对为：(q1,1，q3,1)，(q1,1，q4,1)，(q1,1，q4,3)，(q3,1，q1,1)，(q3,1，q4,1)，(q3,1，q4,3)，(q4,1，q3,1)，(q4,3，q1,1)，(q4,3，q3,1)。
需要说明的是，在本实施例中，为保留数据分布，重复的选项共现对仍然应该保留，选项共现对具有前后的顺序，同一个问题内的原始问题选项不构造选项共现对。例如，(q1,1，q3,1)和(q3,1，q1,1)是不同的选项共现对，不会出现(q4,1，q4,3)形式的选项共现对。
步骤S330：通过选项共现对对选项转换模型进行训练处理，得到训练后的选项转换模型；
步骤S340：通过训练后的选项转换模型对每一原始问题选项进行转换处理，得到对应的问题选项向量；
根据前述步骤构造的大量选项共现对，与前述步骤S230类似，在步骤S330中，将每一选项共现对中前面的原始问题选项作为选项转换模型的输入，后面的原始问题选项作为选项转换模型的输出，通过无监督学习方式对选项转换模型进行训练处理。训练完以后，对每个原始问题选项进行独热编码处理，得到问题选项编码，然后通过训练好的选项转换模型进行转化，得到问题选项向量，用Vq(qi,j)表示。
步骤S350：根据问题选项向量和初诊结果数据对选项分类模型进行更新处理，并将更新处理后的选项分类模型中的选项分类模型参数作为选项分数值。
参照图6，在本申请的一些实施例中，步骤S350包括但不限于步骤S351、步骤S352和步骤S353。下面结合图6对这三个步骤进行详细描述。
步骤S351：根据问题选项向量和初诊结果数据对选项分类模型进行参数精调；
步骤S352：获取参数精调后选项分类模型中每一问题选项向量的权重，得到选项权重值；
步骤S353：对选项权重值进行归一化处理，并将归一化处理后的选项权重值作为选项分数值。
具体地，在本实施例中，对于每条问诊数据来说，将出现的原始问题选项用对应的问题选项向量表示，没有出现的原始问题选项用零向量表示，对于每个原始问题选项都给定一个预设的初始参数wi,j表示权重，那么选项分类模型可以用公式(3)表示，公式(3)具体如下：
Tq＝w0+w1,1·Vq(q1,1)+w1,2·Vq(q1,2)+w1,3·Vq(q1,3)+w2,1·Vq(q2,1)+...+wN,M·Vq(qN,M) (3)
在公式(3)中，Tq表示初诊结果数据，初始参数wi,j为选项分类模型的参数。在初诊结果数据已知的情况下，通过大量的问诊数据对每个原始问题选项的初始参数wi,j进行精调，从而实现对选项分类模型的训练更新。然后获取参数精调后的选项分类模型中的每一问题选项向量的权重，得到选项权重值，即获取每个原始问题选项对应的参数wi,j，再对获取得到的参数wi,j进行归一化处理，得到对应的选项分数值，其计算公式如公式(4)所示：
Figure BDA0003465157670000141
通过公式(4)得到每个原始问题选项对应的选项分数值。
参照图7，在本申请的一些实施例中，步骤S500包括但不限于步骤S510、步骤S520、步骤S530、步骤S540、步骤S550和步骤S560。下面结合图7对这六个步骤进行详细介绍。
步骤S510：获取预设的问诊问题权重和预设的问题选项权重；
步骤S520：获取预设的分数阈值；
步骤S530：根据问诊问题权重对问题维度分数值进行加权处理，得到问题加权值；
步骤S540：根据问题选项权重对选项分数值进行加权处理，得到选项加权值；
步骤S550：根据问题加权值和选项加权值，得到目标分数值；
步骤S560：若目标分数值大于或等于分数阈值，从原始问诊模板中获取与目标分数值对应的原始问诊问题，得到目标问诊题目。
具体地，在本实施例中，问诊问题权重指的是在问题维度上的权重，用wQ表示，问题选项群众指的是在选项维度上的权重，用wq表示。不论是问诊问题权重，还是问题选项权重都为预先设置的。再通过公式(5)得到目标分数值，公式(5)为：
w＝wQ·w′i+wq·w″i (5)
在公式(5)中，w表示目标分数值，w″i表示选项维度分数值。通过公式(5)得到每个原始问诊问题的目标分数值，然后将目标分数值大于或者等于分数阈值的原始问诊问题从原始问诊模板中筛选出来，得到目标问诊题目，作为目标问诊模板中的一部分；而小于分数阈值的目标分数值对应的原始问诊问题说明对初诊结果数据的贡献不大，将其筛选掉，不需要将其纳入到目标问诊模板中。
参照图8，第二方面，本申请的一些实施例还提供了一种问诊模板生成装置，包括获取模块710、第一处理模块720、第二处理模块730、分类匹配模型740、筛选模块750和构建模块760。
获取模块710，用于获取多个原始问诊模板；其中，每一原始问诊模板包括问诊问题数据、问题选项数据和初诊结果数据，问诊问题数据包括多个原始问诊问题，问题选项数据包括多个原始问题选项，每一原始问诊问题至少对应两个原始问题选项。
第一处理模块720，用于将原始问诊问题和初诊结果数据输入到预设的问题学习模型中，通过原始问诊问题和初诊结果数据对问题学习模型中的问题学习模型参数进行调整处理，将调整处理后的问题学习模型参数作为问题维度分数值；其中，问题维度分数值用于表征原始问诊问题从问题维度在原始问诊模板中的重要程度。
第二处理模块730，用于将初诊结果数据和原始问题选项输入到预设的选项学习模型中，通过初诊结果数据和原始问题选项对选项学习模型中的选项学习模型参数进行调整处理，将调整处理后的选项学习模型参数作为选项分数值；其中，选项分数值用于表征原始问题选项在原始问诊问题中的重要程度。
分类匹配模型740，用于根据预设的映射分类规则对选项分数值进行分类匹配处理，得到选项维度分数值；其中，映射分类规则用于表征每一原始问诊问题和原始问题选项的对应关系，选项维度分数值用于表征原始问诊问题从选项维度在原始问诊模板中的重要程度；
筛选模块750，用于根据问题维度分数值和选项维度分数值对原始问诊模板中的原始问诊问题进行筛选处理，得到目标问诊题目。
构建模块760，用于根据目标问诊题目构建得到目标问诊模板。
本申请实施例的问诊模板生成装置，通过对原始问诊模板中的原始问诊问题和原始问题选项进行重要性分析，得到用于表征原始问诊问题在原始问诊模板中重要程度的问题维度分数值和用于表征原始问题选项在原始问诊模板中重要程度的选项分数值，然后，根据选项分数值和预设的映射分类规则得到选项维度分数值，再根据问题维度分数值和选项维度分数值对原始问诊模板中的原始问诊问题进行筛选处理，得到目标问诊模板，从而实现了对原始问诊模板的优化，减少了原始问诊模板的原始问诊问题，提升了患者的问诊体验，增强了在线问诊服务的作用，也提高了在线问诊服务的效能，并且在整个目标问诊模板生成过程中，不需要人工参与，解放了人力，提高了效率。
需要说明的是，本申请实施例的问诊模板生成装置与前述的问诊模板生成方法相对应，具体的筛选过程、训练过程等请参照前述的问诊模板生成方法，在此不再赘述。
本公开实施例还提供了一种电子设备，包括：
至少一个存储器；
至少一个处理器；
至少一个程序；
程序被存储在存储器中，处理器执行至少一个程序以实现本公开实施上述的问诊模板生成方法。该电子设备可以为包括手机、平板电脑、个人数字助理(Personal DigitalAssistant，PDA)、车载电脑等任意智能终端。
下面结合图9对本申请实施例的电子设备进行详细介绍。
如图9，图9示意了另一实施例的电子设备的硬件结构，电子设备包括：
处理器810，可以采用通用的中央处理器(Central Processing Unit，CPU)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本公开实施例所提供的技术方案；
存储器820，可以采用只读存储器(Read Only Memory，ROM)、静态存储设备、动态存储设备或者随机存取存储器(Random Access Memory，RAM)等形式实现。存储器820可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器820中，并由处理器810来调用执行本公开实施例的问诊模板生成方法；
输入/输出接口830，用于实现信息输入及输出；
通信接口840，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信；
总线850，在设备的各个组件(例如处理器810、存储器820、输入/输出接口830和通信接口840)之间传输信息；
其中处理器810、存储器820、输入/输出接口830和通信接口840通过总线850实现彼此之间在设备内部的通信连接。
本公开实施例还提供了一种存储介质，该存储介质是计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令用于使计算机执行上述问诊模板生成方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本公开实施例描述的实施例是为了更加清楚的说明本公开实施例的技术方案，并不构成对于本公开实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本公开实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图中示出的技术方案并不构成对本公开实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中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，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模块来实现本实施例方案的目的。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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。
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。
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介质中。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介质中，包括多指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本公开实施例的优选实施例，并非因此局限本公开实施例的权利范围。本领域技术人员不脱离本公开实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本公开实施例的权利范围之内。

Claims (10)

1.一种问诊模板生成方法，其特征在于，包括：
获取多个原始问诊模板；其中，每一所述原始问诊模板包括问诊问题数据、问题选项数据和初诊结果数据，所述问诊问题数据包括多个原始问诊问题，所述问题选项数据包括多个原始问题选项，每一所述原始问诊问题至少对应两个所述原始问题选项；
将所述原始问诊问题和所述初诊结果数据输入到预设的问题学习模型中，通过所述原始问诊问题和所述初诊结果数据对所述问题学习模型中的问题学习模型参数进行调整处理，将调整处理后的问题学习模型参数作为问题维度分数值；其中，所述问题维度分数值用于表征所述原始问诊问题从问题维度在所述原始问诊模板中的重要程度；
将所述初诊结果数据和所述原始问题选项输入到预设的选项学习模型中，通过所述初诊结果数据和所述原始问题选项对所述选项学习模型中的选项学习模型参数进行调整处理，将调整处理后的选项学习模型参数作为选项分数值；其中，所述选项分数值用于表征所述原始问题选项在所述原始问诊问题中的重要程度；
根据预设的映射分类规则对所述选项分数值进行分类匹配处理，得到选项维度分数值；其中，所述映射分类规则用于表征每一所述原始问诊问题和所述原始问题选项的对应关系，所述选项维度分数值用于表征所述原始问诊问题从选项维度在所述原始问诊模板中的重要程度；
根据所述问题维度分数值和所述选项维度分数值对所述原始问诊模板中的原始问诊问题进行筛选处理，得到目标问诊题目；
根据所述目标问诊题目构建得到目标问诊模板。
2.根据权利要求1所述的方法，其特征在于，所述问题学习模型包括问题转换模型和问题分类模型；
所述通过所述原始问诊问题和所述初诊结果数据对所述问题学习模型中的问题学习模型参数进行调整处理，将调整处理后的问题学习模型参数作为问题维度分数值，包括：
获取所述原始问诊问题之间的共现关系，得到问题共现关系；
基于所述问题共现关系构建所述原始问诊问题的问题共现对；
通过所述问题共现对对所述问题转换模型进行训练处理，得到训练后的问题转换模型；
通过所述训练后的问题转换模型对每一所述原始问诊问题进行转换处理，得到对应的问诊问题向量；
根据所述问诊问题向量和所述初诊结果数据对所述问题分类模型进行更新处理，并将更新处理后的问题分类模型中的问题分类模型参数作为所述问题维度分数值。
3.根据权利要求2所述的方法，其特征在于，所述问题转换模型包括问题编码模型和编码转化模型；
所述通过所述训练后的问题转换模型对每一所述原始问诊问题进行转换处理，得到对应的问诊问题向量，包括：
通过所述问题编码模型对每一所述原始问诊问题进行编码处理，得到对应的问诊问题编码；
通过所述编码转化模型对所述问诊问题编码进行向量转化处理，得到所述问诊问题向量。
4.根据权利要求2所述的方法，其特征在于，所述根据所述问诊问题向量和所述初诊结果数据对所述问题分类模型进行更新处理，并将更新处理后的问题分类模型中的问题分类模型参数作为所述问题维度分数值，包括：
根据所述问诊问题向量和所述初诊结果数据对所述问题分类模型进行参数精调；
获取参数精调后问题分类模型中的每一问诊问题向量的权重，得到问题权重值；
对所述问题权重值进行归一化处理，并将归一化处理后的问题权重值作为所述问题维度分数值。
5.根据权利要求1所述的方法，其特征在于，所述选项学习模型包括选项转换模型和选项分类模型；
所述通过所述初诊结果数据和所述原始问题选项对所述选项学习模型中的选项学习模型参数进行调整处理，将调整处理后的选项学习模型参数作为选项分数值，包括：
获取所述原始问题选项之间的的共现关系，得到选项共现关系；
基于所述选项共现关系构建所述原始问题选项的选项共现对；
通过所述选项共现对对所述选项转换模型进行训练处理，得到训练后的选项转换模型；
通过所述训练后的选项转换模型对每一所述原始问题选项进行转换处理，得到对应的问题选项向量；
根据所述问题选项向量和所述初诊结果数据对所述选项分类模型进行更新处理，并将更新处理后的选项分类模型中的选项分类模型参数作为所述选项分数值。
6.根据权利要求5所述的方法，其特征在于，所述根据所述问题选项向量和所述初诊结果数据对所述选项分类模型进行更新处理，并将更新处理后的选项分类模型中的选项分类模型参数作为所述选项分数值，包括：
根据所述问题选项向量和所述初诊结果数据对所述选项分类模型进行参数精调；
获取参数精调后选项分类模型中每一问题选项向量的权重，得到选项权重值；
对所述选项权重值进行归一化处理，并将归一化处理后的选项权重值作为所述选项分数值。
7.根据权利要求1至6任意一项所述的方法，其特征在于，所述根据所述问题维度分数值和所述选项分数值对所述原始问诊模板中的原始问诊问题进行筛选处理，得到目标问诊题目，包括：
获取预设的问诊问题权重和预设的问题选项权重；
获取预设的分数阈值；
根据所述问诊问题权重对所述问题维度分数值进行加权处理，得到问题加权值；
根据所述问题选项权重对所述选项分数值进行加权处理，得到选项加权值；
根据所述问题加权值和所述选项加权值，得到目标分数值；
若所述目标分数值大于或等于所述分数阈值，从所述原始问诊模板中获取与所述目标分数值对应的所述原始问诊问题，得到所述目标问诊题目。
8.一种问诊模板生成装置，其特征在于，包括：
获取模块，用于获取多个原始问诊模板；其中，每一所述原始问诊模板包括问诊问题数据、问题选项数据和初诊结果数据，所述问诊问题数据包括多个原始问诊问题，所述问题选项数据包括多个原始问题选项，每一所述原始问诊问题至少对应两个所述原始问题选项；
第一处理模块，用于将所述原始问诊问题和所述初诊结果数据输入到预设的问题学习模型中，通过所述原始问诊问题和所述初诊结果数据对所述问题学习模型中的问题学习模型参数进行调整处理，将调整处理后的问题学习模型参数作为问题维度分数值；其中，所述问题维度分数值用于表征所述原始问诊问题从问题维度在所述原始问诊模板中的重要程度；
第二处理模块，用于将所述初诊结果数据和所述原始问题选项输入到预设的选项学习模型中，通过所述初诊结果数据和所述原始问题选项对所述选项学习模型中的选项学习模型参数进行调整处理，将调整处理后的选项学习模型参数作为选项分数值；其中，所述选项分数值用于表征所述原始问题选项在所述原始问诊问题中的重要程度；
分类匹配模块，用于根据预设的映射分类规则对所述选项分数值进行分类匹配处理，得到选项维度分数值；其中，所述映射分类规则用于表征每一所述原始问诊问题和所述原始问题选项的对应关系，所述选项维度分数值用于表征所述原始问诊问题从选项维度在所述原始问诊模板中的重要程度；
筛选模块，用于根据所述问题维度分数值和所述选项维度分数值对所述原始问诊模板中的原始问诊问题进行筛选处理，得到目标问诊题目；
构建模块，用于根据所述目标问诊题目构建得到目标问诊模板。
9.一种电子设备，其特征在于，包括：
至少一个存储器；
至少一个处理器；
至少一个程序；
所述程序被存储在所述存储器中，处理器执行所述至少一个程序以实现：
如权利要求1至7任一项所述的方法。
10.一种存储介质，所述存储介质为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可执行指令，所述计算机可执行指令用于使计算机执行：
如权利要求1至7任一项所述的方法。
CN202210027245.8A 2022-01-11 2022-01-11 问诊模板生成方法、装置、电子设备及存储介质 Pending CN114357963A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210027245.8A CN114357963A (zh) 2022-01-11 2022-01-11 问诊模板生成方法、装置、电子设备及存储介质
PCT/CN2022/090755 WO2023134087A1 (zh) 2022-01-11 2022-04-29 问诊模板生成方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210027245.8A CN114357963A (zh) 2022-01-11 2022-01-11 问诊模板生成方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114357963A true CN114357963A (zh) 2022-04-15

Family

ID=81108377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210027245.8A Pending CN114357963A (zh) 2022-01-11 2022-01-11 问诊模板生成方法、装置、电子设备及存储介质

Country Status (2)

Country Link
CN (1) CN114357963A (zh)
WO (1) WO2023134087A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023134087A1 (zh) * 2022-01-11 2023-07-20 平安科技（深圳）有限公司 问诊模板生成方法、装置、电子设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110209780B (zh) * 2018-08-07 2023-03-10 腾讯科技（深圳）有限公司 一种问题模板生成方法、装置、服务器及存储介质
CN111090983B (zh) * 2018-10-23 2022-04-22 北京好啦科技有限公司 问卷优化方法、装置、计算机设备和存储介质
CN110287103B (zh) * 2019-05-22 2022-05-17 深圳壹账通智能科技有限公司 软件产品测评处理方法、装置、计算机设备及存储介质
US11710070B2 (en) * 2020-04-20 2023-07-25 Microsoft Technology Licensing, Llc Machine learned model framework for screening question generation
CN114357963A (zh) * 2022-01-11 2022-04-15 平安科技（深圳）有限公司 问诊模板生成方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023134087A1 (zh) * 2022-01-11 2023-07-20 平安科技（深圳）有限公司 问诊模板生成方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
WO2023134087A1 (zh) 2023-07-20

Similar Documents

Publication Publication Date Title
US11200982B2 (en) Method for analysing medical treatment data based on deep learning and intelligence analyser thereof
CN107578014B (zh) 信息处理装置及方法
Chen et al. A SA‐ANN‐based modeling method for human cognition mechanism and the PSACO cognition algorithm
CN114386528B (zh) 模型的训练方法和装置、计算机设备、存储介质
US20210406687A1 (en) Method for predicting attribute of target object based on machine learning and related device
CN110737730B (zh) 基于无监督学习的用户分类方法、装置、设备及存储介质
CN111696661A (zh) 患者分群模型构建方法、患者分群方法及相关设备
Biswas et al. Hybrid expert system using case based reasoning and neural network for classification
WO2024067373A1 (zh) 一种数据处理方法及相关装置
CN115238909A (zh) 一种基于联邦学习的数据价值评估方法及其相关设备
CN114357963A (zh) 问诊模板生成方法、装置、电子设备及存储介质
Lv et al. Cognitive robotics on 5G networks
CN114358250A (zh) 数据处理方法、装置、计算机设备、介质及程序产品
CN111814804B (zh) 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置
WO2023231887A1 (zh) 基于张量的持续学习方法和装置
CN110866609B (zh) 解释信息获取方法、装置、服务器和存储介质
CN108038496B (zh) 基于大数据与深度学习的婚恋对象匹配数据处理方法、装置、计算机设备和存储介质
Feng et al. Study on neural network integration method based on morphological associative memory framework
Sunitha et al. Political optimizer-based automated machine learning for skin lesion data
Guo et al. Prediction model of scoliosis progression bases on deep learning
CN114520053A (zh) 一种医疗信息的处理方法、系统、终端和存储介质
CN113643283A (zh) 一种人体衰老状况的检测方法、装置、设备及存储介质
CN112035567A (zh) 一种数据处理方法、装置及计算机可读存储介质
CN114298961A (zh) 图像处理方法、装置、设备及存储介质
US20240169187A1 (en) Systems and Methods for Supplementing Data With Generative Models

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