CN114781402A - 问诊意图识别方法、装置、电子设备及可读存储介质 - Google Patents

问诊意图识别方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN114781402A
CN114781402A CN202210512463.0A CN202210512463A CN114781402A CN 114781402 A CN114781402 A CN 114781402A CN 202210512463 A CN202210512463 A CN 202210512463A CN 114781402 A CN114781402 A CN 114781402A
Authority
CN
China
Prior art keywords
inquiry
intention
result
symptom
identification
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
CN202210512463.0A
Other languages
English (en)
Inventor
骆加维
黄永清
阮晓雯
陈远旭
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 CN202210512463.0A priority Critical patent/CN114781402A/zh
Publication of CN114781402A publication Critical patent/CN114781402A/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
    • G06F40/30—Semantic analysis
    • G06F40/35—Discourse or dialogue representation
    • 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
    • G06F16/35—Clustering; Classification
    • G06F16/355—Class or cluster creation or modification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及人工智能技术，揭露了一种问诊意图识别方法，包括：获取问诊用户的初始问诊信息，基于初始问诊信息对问诊用户进行意图识别，得到意图识别结果，基于意图识别结果对初始问诊信息进行症状识别，得到症状识别结果并进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果，基于横向扩充结果及纵向扩充结果对问诊用户进行多轮对话，得到标准问诊信息，利用预设的联合交互网络对标准问诊信息及意图识别结果进行联合交互，并输出识别到的问诊意图。此外，本发明还涉及区块链技术，所述初始问诊信息可从区块链的节点中获取。本发明还提出一种问诊意图识别装置、电子设备以及可读存储介质。本发明可以解决用户意图识别不准确的问题。

Description

问诊意图识别方法、装置、电子设备及可读存储介质
技术领域
本发明涉及人工智能技术领域，尤其涉及一种问诊意图识别方法、装置、电子设备及可读存储介质。
背景技术
随着科技的发展，AI技术在健康智能问诊领域得到了许多应用，已经出现了在线问诊平台以及一些针对中医问诊的app，当看病不方便的时候，可以在线上完成问诊。但是现存的中医在线问诊中第一步但极为重要的一步：主诉收集，主诉识别精度却不能达到理想的效果。
在中医在线问诊场景下，主诉收集是指收集用户的一些问诊意图信息，包括症状、症状程度等信息。常用的方法是基于特定规则词收集主诉，利用患者输入的语音或者文本信息，判断输入的信息中是否有中医专家给出的规则症状词，但是由于患者输入的信息中口语化比较明显，而给定的规则词则是比较正式的中医常见症状词，这就导致输入的信息中不能匹配到规则词，同时给定的规则词数量有限，覆盖不全面，这样就导致主诉意图识别率低。此外，不同于线下问诊，线上患者单轮输入的信息量有限，无法采集到有效的主诉信息，也使得采集到的患者的意图和症状不准确。
发明内容
本发明提供一种问诊意图识别方法、装置、电子设备及可读存储介质，其主要目的在于解决用户意图识别不准确的问题。
为实现上述目的，本发明提供的一种问诊意图识别方法，包括：
获取问诊用户的初始问诊信息，基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果；
基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果；
对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果；
基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息；
利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图。
可选地，所述基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果，包括：
利用预设的意图分类模型对所述初始问诊信息进行文本编码，得到问诊编码向量；
利用所述意图分类模型对所述问诊编码向量进行意图分类，并将意图分类的结果作为所述意图识别结果。
可选地，所述基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果，包括：
利用预设的分词算法对意图识别结果为问诊的问诊用户对应的初始问诊信息进行分词处理，得到问诊分词文本；
利用预设的问诊词汇表对所述问诊分词文本进行初筛，得到分词筛选文本；
对所述分词筛选文本中的分词文本进行重要度筛选，并将重要度筛选后的分词文本作为所述症状识别结果。
可选地，所述对所述分词筛选文本中的分词文本进行重要度筛选，并将重要度筛选后的分词文本作为所述症状识别结果，包括：
查找所述分词文本在所述初始问诊信息中的出现频次；
计算所述分词文本在所述初始问诊信息中的反文档频率；
基于所述出现频次及所述反文档频率计算所有分词文本的重要度，并基于所述重要度选取预设个数的分词文本作为所述症状识别结果。
可选地，所述对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果，包括：
获取预设的横向问话模板及纵向问话模板，将所述症状识别结果填充至所述横向问话模板及纵向问话模板中；
将填充后的横向问话模板作为横向扩充结果，以及将填充后的纵向问话模板作为纵向扩充结果。
可选地，所述基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息，包括：
将所述横向扩充结果作为第一轮补充问话，以及将所述纵向扩充结果作为第二轮补充问话；
接收所述问诊用户基于所述第一轮补充问话及所述第二轮补充问话反馈的问诊信息，并重新返回所述获取问诊用户的初始问诊信息的步骤，直至对话次数满足预设的次数阈值时，获取所有补充问话对应的症状信息，作为所述标准问诊信息。
可选地，所述利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图，包括：
利用所述联合交互网络中的文本识别模型对所述标准问诊信息及所述意图识别结果进行文本编码，得到第一轮补充问话对应的横向症状编码向量、第二轮补充问话对应的纵向症状编码向量及所述意图识别结果对应的意图编码向量；
利用所述联合交互网络中的第一交互层对所述横向症状编码向量及所述纵向症状编码向量进行交互，得到第一交互向量；
利用所述联合交互网络中的第二交互层对所述第一交互向量及所述意图编码向量进行交互，得到第二交互向量；
利用所述联合交互网络中的全连接层输出所述第二交互向量的分类结果，并将所述分类结果作为识别到的问诊意图。
为了解决上述问题，本发明还提供一种问诊意图识别装置，所述装置包括：
症状识别模块，用于获取问诊用户的初始问诊信息，基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果，基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果；
识别扩充模块，用于对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果；
多轮问诊模块，用于基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息；
联合交互模块，用于利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图。
为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：
存储器，存储至少一个计算机程序；及
处理器，执行所述存储器中存储的计算机程序以实现上述所述的问诊意图识别方法。
为了解决上述问题，本发明还提供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个计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的问诊意图识别方法。
本发明通过对初始问诊信息进行意图识别，再基于意图识别结果进行症状识别，得到症状识别结果，对症状识别结果进行横向扩充及纵向扩充，可以进一步丰富用户的问诊信息，提高问诊意图识别的准确率。同时基于横向扩充结果及纵向扩充结果对问诊用户进行多轮对话，能够提高对用户症状识别的准确率，并且对标准问诊信息及意图识别结果进行联合交互，使得最后用于识别的意图向量能够包含不同数据间的信息，提高了问诊意图识别的准确率。因此本发明提出的问诊意图识别方法、装置、电子设备及计算机可读存储介质，可以解决用户意图识别不准确的问题。
附图说明
图1为本发明一实施例提供的问诊意图识别方法的流程示意图；
图2为图1中其中一个步骤的详细实施流程示意图；
图3为图1中另一个步骤的详细实施流程示意图；
图4为图1中另一个步骤的详细实施流程示意图；
图5为图1中另一个步骤的详细实施流程示意图；
图6为图1中另一个步骤的详细实施流程示意图
图7为本发明一实施例提供的问诊意图识别装置的功能模块图；
图8为本发明一实施例提供的实现所述问诊意图识别方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种问诊意图识别方法。所述问诊意图识别方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述问诊意图识别方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、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(ContentDelivery 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。
参照图1所示，为本发明一实施例提供的问诊意图识别方法的流程示意图。在本实施例中，所述问诊意图识别方法包括以下步骤S1-S5：
S1、获取问诊用户的初始问诊信息，基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果。
本发明实施例中，所述问诊用户可以为线上中医问诊场景下的用户。所述初始问诊信息为用户的初始输入文本，例如，“最近有点头疼”、“你好，我想看病”等。由于线上问诊用户访问较多，而有些用户没有问诊意图，因此需要进行意图识别来精简数据，保证问诊用户识别的准确性。所述意图识别是通过分类的办法将句子(初始问诊信息)或者我们常说的query分到相应的意图种类，在线上中医问诊场景下，即确定用户是否有问诊意图。
详细地，参照图2所示，所述基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果，包括以下步骤S10-S11：
S10、利用预设的意图分类模型对所述初始问诊信息进行文本编码，得到问诊编码向量；
S11、利用所述意图分类模型对所述问诊编码向量进行意图分类，并将意图分类的结果作为所述意图识别结果。
本发明实施例中，所述预设的意图分类模型可以为卷积神经网络等，例如，所述意图分类模型可以为CNN(Convolutional Neural Networks,卷积神经网络)+softmax、LSTM(Long Short Term，长短期记忆网络)+softmax等，其中，CNN或LSTM用来对初始问诊信息进行文本编码得到向量表示作为查询分类特征，softmax通过对特征进行分类来识别用户搜索查询的意图。例如，意图识别结果中包括：问诊、非问诊及未识别等结果。
S2、基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果。
本发明实施例中，对于意图识别结果为“问诊”的用户，提取初始问诊信息中文本包含的主症或者疾病信息作为症状识别结果。例如，“我有点头疼”中提取“头疼”作为症状识别结果。
具体地，参照图3所示，所述基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果，包括以下步骤S20-S22：
S20、利用预设的分词算法对意图识别结果为问诊的问诊用户对应的初始问诊信息进行分词处理，得到问诊分词文本；
S21、利用预设的问诊词汇表对所述问诊分词文本进行初筛，得到分词筛选文本；
S22、对所述分词筛选文本中的分词文本进行重要度筛选，并将重要度筛选后的分词文本作为所述症状识别结果。
本发明一可选实施例中，所述预设的分词算法可以为现有的任何分词方法，如中科院计算所NLPIR、哈工大的LTP、清华大学THULAC、结巴分词、斯坦福分词器等等。
本发明另一可选实施例中，对于意图识别结果为非问诊及未识别的问诊用户，返回S1。
可选的，所述预设的问诊词汇表可以为医学领域专家整理的常见病症表格。并且，利用TF-IDF算法计算所述分词筛选文本中每个分词的重要度，并按照重要度对分词文本进行排序，选取预设比例的分词文本作为所述症状识别结果。
本发明实施例中，所述对所述分词筛选文本中的分词文本进行重要度筛选，并将重要度筛选后的分词文本作为所述症状识别结果，包括：
查找所述分词文本在所述初始问诊信息中的出现频次；
计算所述分词文本在所述初始问诊信息中的反文档频率；
基于所述出现频次及所述反文档频率计算所有分词文本的重要度，并基于所述重要度选取预设个数的分词文本作为所述症状识别结果。
本发明一可选实施例中，所述基于所述出现频次及所述反文档频率计算所有分词文本的重要度，包括：
利用下述公式计算所述分词文本的重要度Z：
Figure BDA0003639945390000071
其中，TFi为分词文本i的出现频次，N为所述初始问诊信息中所有的句子数，wi为包含分词文本i的句子数。
S3、对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果。
本发明实施例中，所述横向扩充及纵向扩充是指根据症状识别结果对症状的部位、程度、时间等信息进行扩展询问。
详细地，参照图4所示，所述对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果，包括以下步骤S30-S31：
S30、获取预设的横向问话模板及纵向问话模板，将所述症状识别结果填充至所述横向问话模板及纵向问话模板中；
S31、将填充后的横向问话模板作为横向扩充结果，以及将填充后的纵向问话模板作为纵向扩充结果。
本发明一可选实施例中，横向问话模板是根据症状的部位等构建的，纵向问话模板是根据症状的程度、发生时间构建的。例如，症状识别结果为“头疼”，则横向扩充结果为“头疼的部位是哪里？”，纵向扩充结果为：“发生头疼的持续时间为多久？”、“除了头痛之外还有别的症状吗？”等。
本发明实施例中，通过横向扩充及纵向扩充可以获取更多问诊信息，提高对用户问诊识别的准确率。
S4、基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息。
本发明实施例中，由于单轮对话难以获取准确地问诊信息，通过横向扩充结果及纵向扩充结果对问诊用户进行多轮对话，可以得到更加丰富的症状信息信息。
详细地，参照图5所示，所述基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息，包括以下步骤S40-S41：
S40、将所述横向扩充结果作为第一轮补充问话，以及将所述纵向扩充结果作为第二轮补充问话；
S41、接收所述问诊用户基于所述第一轮补充问话及所述第二轮补充问话反馈的问诊信息，并重新返回所述获取问诊用户的初始问诊信息的步骤，直至对话次数满足预设的次数阈值时，获取所有补充问话对应的症状信息，作为所述标准问诊信息。
本发明实施例中，所述标准问诊信息中包括横向扩充及纵向扩充后用户回答的症状，丰富了问诊数据，提高了问诊的准确度。
S5、利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图。
本发明实施例中，由于标准问诊信息中包括用户基于横向扩充及纵向扩充回答的症状信息，和意图识别结果拥有密切的关联，如横向和纵向症状之间的信息密切相关，且又都是先通过意图识别再进行症状识别，所以意图信息跟症状信息也是有相关性的，因此通过联合交互可以提取更加丰富的特征信息。
本发明另一可选实施例中，所述利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互之前，所述方法还包括：获取预构建的文本识别模型，在所述文本识别模型后连接第一交互层、第二交互层及全连接层得到所述预设的联合交互网络。
本发明一可选实施例中，所述联合交互网络是一种复合网络，包括文本识别模型、第一交互层、第二交互层及全连接层等，其中，文本识别模型可以为Bert_base模型，用来对标准问诊信息及意图识别结果进行文本编码，相较于利用RNN和CNN等模型进行文本编码，Bert的优势在于其预训练任务中Mask LM，可以让模型充分利用语句的上下文信息进行encoding，并且在encoder层选择上，使用了更深、具有更好并行性的transformerencoder，这样每个词都可以无视方向和距离，使得每个句子中的每个词都有机会encoding，得到更加富含语义的文本表示；第一交互层及第二交互层可以为两个Attention注意力层，用来融合文本信息；全连接层用来进行用户意图分类，输出识别的主诉问诊意图。
详细地，参照图6所示，所述利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图，包括以下步骤S50-S53：
S50、利用所述联合交互网络中的文本识别模型对所述标准问诊信息及所述意图识别结果进行文本编码，得到第一轮补充问话对应的横向症状编码向量、第二轮补充问话对应的纵向症状编码向量及所述意图识别结果对应的意图编码向量；
S51、利用所述联合交互网络中的第一交互层对所述横向症状编码向量及所述纵向症状编码向量进行交互，得到第一交互向量；
S52、利用所述联合交互网络中的第二交互层对所述第一交互向量及所述意图编码向量进行交互，得到第二交互向量；
S53、利用所述联合交互网络中的全连接层输出所述第二交互向量的分类结果，并将所述分类结果作为识别到的问诊意图。
本发明实施例中，通过两个交互层对问诊信息进行两次联合交互，可以从问诊信息中收集更多的主诉信息，从而提高对用户的主诉意图识别的准确率。例如，用户A的问诊意图为“前额头疼三天，看病”等。
本发明通过对初始问诊信息进行意图识别，再基于意图识别结果进行症状识别，得到症状识别结果，对症状识别结果进行横向扩充及纵向扩充，可以进一步丰富用户的问诊信息，提高问诊意图识别的准确率。同时基于横向扩充结果及纵向扩充结果对问诊用户进行多轮对话，能够提高对用户症状识别的准确率，并且对标准问诊信息及意图识别结果进行联合交互，使得最后用于识别的意图向量能够包含不同数据间的信息，提高了问诊意图识别的准确率。因此本发明提出的问诊意图识别方法，可以解决用户意图识别不准确的问题。
如图7所示，是本发明一实施例提供的问诊意图识别装置的功能模块图。
本发明所述问诊意图识别装置100可以安装于电子设备中。根据实现的功能，所述问诊意图识别装置100可以包括症状识别模块101、识别扩充模块102、多轮问诊模块103及联合交互模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述症状识别模块101，用于获取问诊用户的初始问诊信息，基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果，基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果；
所述识别扩充模块102，用于对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果；
所述多轮问诊模块103，用于基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息；
所述联合交互模块104，用于利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图。
详细地，所述问诊意图识别装置100各模块的具体实施方式如下：
步骤一、获取问诊用户的初始问诊信息，基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果。
本发明实施例中，所述问诊用户可以为线上中医问诊场景下的用户。所述初始问诊信息为用户的初始输入文本，例如，“最近有点头疼”、“你好，我想看病”等。由于线上问诊用户访问较多，而有些用户没有问诊意图，因此需要进行意图识别来精简数据，保证问诊用户识别的准确性。所述意图识别是通过分类的办法将句子(初始问诊信息)或者我们常说的query分到相应的意图种类，在线上中医问诊场景下，即确定用户是否有问诊意图。
详细地，所述基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果，包括：
利用预设的意图分类模型对所述初始问诊信息进行文本编码，得到问诊编码向量；
利用所述意图分类模型对所述问诊编码向量进行意图分类，并将意图分类的结果作为所述意图识别结果。
本发明实施例中，所述预设的意图分类模型可以为卷积神经网络等，例如，所述意图分类模型可以为CNN(Convolutional Neural Networks,卷积神经网络)+softmax、LSTM(Long Short Term，长短期记忆网络)+softmax等，其中，CNN或LSTM用来对初始问诊信息进行文本编码得到向量表示作为查询分类特征，softmax通过对特征进行分类来识别用户搜索查询的意图。例如，意图识别结果中包括：问诊、非问诊及未识别等结果。
步骤二、基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果。
本发明实施例中，对于意图识别结果为“问诊”的用户，提取初始问诊信息中文本包含的主症或者疾病信息作为症状识别结果。例如，“我有点头疼”中提取“头疼”作为症状识别结果。
具体地，所述基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果，包括：
利用预设的分词算法对意图识别结果为问诊的问诊用户对应的初始问诊信息进行分词处理，得到问诊分词文本；
利用预设的问诊词汇表对所述问诊分词文本进行初筛，得到分词筛选文本；
对所述分词筛选文本中的分词文本进行重要度筛选，并将重要度筛选后的分词文本作为所述症状识别结果。
本发明一可选实施例中，所述预设的分词算法可以为现有的任何分词方法，如中科院计算所NLPIR、哈工大的LTP、清华大学THULAC、结巴分词、斯坦福分词器等等。
本发明另一可选实施例中，对于意图识别结果为非问诊及未识别的问诊用户，返回步骤一。
可选的，所述预设的问诊词汇表可以为医学领域专家整理的常见病症表格。并且，利用TF-IDF算法计算所述分词筛选文本中每个分词的重要度，并按照重要度对分词文本进行排序，选取预设比例的分词文本作为所述症状识别结果。
本发明实施例中，所述对所述分词筛选文本中的分词文本进行重要度筛选，并将重要度筛选后的分词文本作为所述症状识别结果，包括：
查找所述分词文本在所述初始问诊信息中的出现频次；
计算所述分词文本在所述初始问诊信息中的反文档频率；
基于所述出现频次及所述反文档频率计算所有分词文本的重要度，并基于所述重要度选取预设个数的分词文本作为所述症状识别结果。
本发明一可选实施例中，所述基于所述出现频次及所述反文档频率计算所有分词文本的重要度，包括：
利用下述公式计算所述分词文本的重要度Z：
Figure BDA0003639945390000121
其中，TFi为分词文本i的出现频次，N为所述初始问诊信息中所有的句子数，wi为包含分词文本i的句子数。
步骤三、对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果。
本发明实施例中，所述横向扩充及纵向扩充是指根据症状识别结果对症状的部位、程度、时间等信息进行扩展询问。
详细地，所述对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果，包括：
获取预设的横向问话模板及纵向问话模板，将所述症状识别结果填充至所述横向问话模板及纵向问话模板中；
将填充后的横向问话模板作为横向扩充结果，以及将填充后的纵向问话模板作为纵向扩充结果。
本发明一可选实施例中，横向问话模板是根据症状的部位等构建的，纵向问话模板是根据症状的程度、发生时间构建的。例如，症状识别结果为“头疼”，则横向扩充结果为“头疼的部位是哪里？”，纵向扩充结果为：“发生头疼的持续时间为多久？”、“除了头痛之外还有别的症状吗？”等。
本发明实施例中，通过横向扩充及纵向扩充可以获取更多问诊信息，提高对用户问诊识别的准确率。
步骤四、基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息。
本发明实施例中，由于单轮对话难以获取准确地问诊信息，通过横向扩充结果及纵向扩充结果对问诊用户进行多轮对话，可以得到更加丰富的症状信息信息。
详细地，所述基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息，包括：
将所述横向扩充结果作为第一轮补充问话，以及将所述纵向扩充结果作为第二轮补充问话；
接收所述问诊用户基于所述第一轮补充问话及所述第二轮补充问话反馈的问诊信息，并重新返回所述获取问诊用户的初始问诊信息的步骤，直至对话次数满足预设的次数阈值时，获取所有补充问话对应的症状信息，作为所述标准问诊信息。
本发明实施例中，所述标准问诊信息中包括横向扩充及纵向扩充后用户回答的症状，丰富了问诊数据，提高了问诊的准确度。
步骤五、利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图。
本发明实施例中，由于标准问诊信息中包括用户基于横向扩充及纵向扩充回答的症状信息，和意图识别结果拥有密切的关联，如横向和纵向症状之间的信息密切相关，且又都是先通过意图识别再进行症状识别，所以意图信息跟症状信息也是有相关性的，因此通过联合交互可以提取更加丰富的特征信息。
本发明另一可选实施例中，所述利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互之前，所述方法还包括：获取预构建的文本识别模型，在所述文本识别模型后连接第一交互层、第二交互层及全连接层得到所述预设的联合交互网络。
本发明一可选实施例中，所述联合交互网络是一种复合网络，包括文本识别模型、第一交互层、第二交互层及全连接层等，其中，文本识别模型可以为Bert_base模型，用来对标准问诊信息及意图识别结果进行文本编码，相较于利用RNN和CNN等模型进行文本编码，Bert的优势在于其预训练任务中Mask LM，可以让模型充分利用语句的上下文信息进行encoding，并且在encoder层选择上，使用了更深、具有更好并行性的transformerencoder，这样每个词都可以无视方向和距离，使得每个句子中的每个词都有机会encoding，得到更加富含语义的文本表示；第一交互层及第二交互层可以为两个Attention注意力层，用来融合文本信息；全连接层用来进行用户意图分类，输出识别的主诉问诊意图。
详细地，所述利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图，包括：
利用所述联合交互网络中的文本识别模型对所述标准问诊信息及所述意图识别结果进行文本编码，得到第一轮补充问话对应的横向症状编码向量、第二轮补充问话对应的纵向症状编码向量及所述意图识别结果对应的意图编码向量；
利用所述联合交互网络中的第一交互层对所述横向症状编码向量及所述纵向症状编码向量进行交互，得到第一交互向量；
利用所述联合交互网络中的第二交互层对所述第一交互向量及所述意图编码向量进行交互，得到第二交互向量；
利用所述联合交互网络中的全连接层输出所述第二交互向量的分类结果，并将所述分类结果作为识别到的问诊意图。
本发明实施例中，通过两个交互层对问诊信息进行两次联合交互，可以从问诊信息中收集更多的主诉信息，从而提高对用户的主诉意图识别的准确率。例如，用户A的问诊意图为“前额头疼三天，看病”等。
本发明通过对初始问诊信息进行意图识别，再基于意图识别结果进行症状识别，得到症状识别结果，对症状识别结果进行横向扩充及纵向扩充，可以进一步丰富用户的问诊信息，提高问诊意图识别的准确率。同时基于横向扩充结果及纵向扩充结果对问诊用户进行多轮对话，能够提高对用户症状识别的准确率，并且对标准问诊信息及意图识别结果进行联合交互，使得最后用于识别的意图向量能够包含不同数据间的信息，提高了问诊意图识别的准确率。因此本发明提出的问诊意图识别方法，可以解决用户意图识别不准确的问题。
如图8所示，是本发明一实施例提供的实现问诊意图识别方法的电子设备的结构示意图。
所述电子设备可以包括处理器10、存储器11、通信接口12和总线13，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如问诊意图识别程序。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备的应用软件及各类数据，例如问诊意图识别程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing Unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如问诊意图识别程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备的各种功能和处理数据。
所述通信接口12用于上述电子设备与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
所述总线13可以是外设部件互连标准(Peripheral Component Interconnect，简称PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，简称EISA)总线等。该总线13可以分为地址总线、数据总线、控制总线等。所述总线13被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图8仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图8示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备与其他电子设备之间建立通信连接。
可选地，该电子设备还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备中的所述存储器11存储的问诊意图识别程序是多个指令的组合，在所述处理器10中运行时，可以实现：
获取问诊用户的初始问诊信息，基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果；
基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果；
对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果；
基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息；
利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图。
具体地，所述处理器10对上述指令的具体实现方法可参考附图对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/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存储介质中。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取问诊用户的初始问诊信息，基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果；
基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果；
对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果；
基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息；
利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，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，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明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。
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。
本发明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。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种问诊意图识别方法，其特征在于，所述方法包括：
获取问诊用户的初始问诊信息，基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果；
基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果；
对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果；
基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息；
利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图。
2.如权利要求1所述的问诊意图识别方法，其特征在于，所述基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果，包括：
利用预设的意图分类模型对所述初始问诊信息进行文本编码，得到问诊编码向量；
利用所述意图分类模型对所述问诊编码向量进行意图分类，并将意图分类的结果作为所述意图识别结果。
3.如权利要求1中所述的问诊意图识别方法，其特征在于，所述基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果，包括：
利用预设的分词算法对意图识别结果为问诊的问诊用户对应的初始问诊信息进行分词处理，得到问诊分词文本；
利用预设的问诊词汇表对所述问诊分词文本进行初筛，得到分词筛选文本；
对所述分词筛选文本中的分词文本进行重要度筛选，并将重要度筛选后的分词文本作为所述症状识别结果。
4.如权利要求3所述的问诊意图识别方法，其特征在于，所述对所述分词筛选文本中的分词文本进行重要度筛选，并将重要度筛选后的分词文本作为所述症状识别结果，包括：
查找所述分词文本在所述初始问诊信息中的出现频次；
计算所述分词文本在所述初始问诊信息中的反文档频率；
基于所述出现频次及所述反文档频率计算所有分词文本的重要度，并基于所述重要度选取预设个数的分词文本作为所述症状识别结果。
5.如权利要求1所述的问诊意图识别方法，其特征在于，所述对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果，包括：
获取预设的横向问话模板及纵向问话模板，将所述症状识别结果填充至所述横向问话模板及纵向问话模板中；
将填充后的横向问话模板作为横向扩充结果，以及将填充后的纵向问话模板作为纵向扩充结果。
6.如权利要求5所述的问诊意图识别方法，其特征在于，所述基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息，包括：
将所述横向扩充结果作为第一轮补充问话，以及将所述纵向扩充结果作为第二轮补充问话；
接收所述问诊用户基于所述第一轮补充问话及所述第二轮补充问话反馈的问诊信息，并重新返回所述获取问诊用户的初始问诊信息的步骤，直至对话次数满足预设的次数阈值时，获取所有补充问话对应的症状信息，作为所述标准问诊信息。
7.如权利要求6所述的问诊意图识别方法，其特征在于，所述利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图，包括：
利用所述联合交互网络中的文本识别模型对所述标准问诊信息及所述意图识别结果进行文本编码，得到第一轮补充问话对应的横向症状编码向量、第二轮补充问话对应的纵向症状编码向量及所述意图识别结果对应的意图编码向量；
利用所述联合交互网络中的第一交互层对所述横向症状编码向量及所述纵向症状编码向量进行交互，得到第一交互向量；
利用所述联合交互网络中的第二交互层对所述第一交互向量及所述意图编码向量进行交互，得到第二交互向量；
利用所述联合交互网络中的全连接层输出所述第二交互向量的分类结果，并将所述分类结果作为识别到的问诊意图。
8.一种问诊意图识别装置，其特征在于，所述装置包括：
症状识别模块，用于获取问诊用户的初始问诊信息，基于所述初始问诊信息对问诊用户进行意图识别，得到意图识别结果，基于所述意图识别结果对所述初始问诊信息进行症状识别，得到症状识别结果；
识别扩充模块，用于对所述症状识别结果进行横向扩充及纵向扩充，得到横向扩充结果及纵向扩充结果；
多轮问诊模块，用于基于所述横向扩充结果及纵向扩充结果对所述问诊用户进行多轮对话，得到标准问诊信息；
联合交互模块，用于利用预设的联合交互网络对所述标准问诊信息及所述意图识别结果进行联合交互，并输出识别到的问诊意图。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的问诊意图识别方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的问诊意图识别方法。
CN202210512463.0A 2022-05-12 2022-05-12 问诊意图识别方法、装置、电子设备及可读存储介质 Pending CN114781402A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210512463.0A CN114781402A (zh) 2022-05-12 2022-05-12 问诊意图识别方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210512463.0A CN114781402A (zh) 2022-05-12 2022-05-12 问诊意图识别方法、装置、电子设备及可读存储介质

Publications (1)

Publication Number Publication Date
CN114781402A true CN114781402A (zh) 2022-07-22

Family

ID=82437486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210512463.0A Pending CN114781402A (zh) 2022-05-12 2022-05-12 问诊意图识别方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114781402A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116721770A (zh) * 2023-08-10 2023-09-08 北京健康有益科技有限公司 基于多轮对话的高血压风险等级评估方法及系统
CN117093679A (zh) * 2023-06-19 2023-11-21 无码科技（杭州）有限公司 一种大语言模型智能问诊对话方法、系统、设备及介质
CN117235241A (zh) * 2023-11-15 2023-12-15 安徽省立医院(中国科学技术大学附属第一医院) 一种面向高血压问诊随访场景人机交互方法
CN117235239A (zh) * 2023-11-13 2023-12-15 智慧眼科技股份有限公司 一种主动式对话大模型构建装置、方法、设备及存储介质

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117093679A (zh) * 2023-06-19 2023-11-21 无码科技（杭州）有限公司 一种大语言模型智能问诊对话方法、系统、设备及介质
CN117093679B (zh) * 2023-06-19 2024-04-02 无码科技（杭州）有限公司 一种大语言模型智能问诊对话方法、系统、设备及介质
CN116721770A (zh) * 2023-08-10 2023-09-08 北京健康有益科技有限公司 基于多轮对话的高血压风险等级评估方法及系统
CN117235239A (zh) * 2023-11-13 2023-12-15 智慧眼科技股份有限公司 一种主动式对话大模型构建装置、方法、设备及存储介质
CN117235241A (zh) * 2023-11-15 2023-12-15 安徽省立医院(中国科学技术大学附属第一医院) 一种面向高血压问诊随访场景人机交互方法

Similar Documents

Publication Publication Date Title
CN114781402A (zh) 问诊意图识别方法、装置、电子设备及可读存储介质
CN112000805A (zh) 基于预训练模型的文本匹配方法、装置、终端及存储介质
CN113821622B (zh) 基于人工智能的答案检索方法、装置、电子设备及介质
CN114822812A (zh) 角色对话模拟方法、装置、设备及存储介质
CN112988963A (zh) 基于多流程节点的用户意图预测方法、装置、设备及介质
CN114387061A (zh) 产品推送方法、装置、电子设备及可读存储介质
CN113706322A (zh) 基于数据分析的服务分发方法、装置、设备及存储介质
CN113378970A (zh) 语句相似性检测方法、装置、电子设备及存储介质
CN113515938A (zh) 语言模型训练方法、装置、设备及计算机可读存储介质
CN113887941A (zh) 业务流程生成方法、装置、电子设备及介质
CN112667878A (zh) 网页的文本内容提取方法、装置、电子设备及存储介质
CN116821373A (zh) 基于图谱的prompt推荐方法、装置、设备及介质
CN110795544B (zh) 内容搜索方法、装置、设备和存储介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN114461777A (zh) 智能问答方法、装置、设备及存储介质
CN114138243A (zh) 基于开发平台的功能调用方法、装置、设备及存储介质
WO2022121152A1 (zh) 智能对话方法、装置、电子设备及存储介质
CN113486659A (zh) 文本匹配方法、装置、计算机设备及存储介质
CN113360654A (zh) 文本分类方法、装置、电子设备及可读存储介质
CN112632264A (zh) 智能问答方法、装置、电子设备及存储介质
CN115510188A (zh) 文本关键词关联方法、装置、设备及存储介质
CN116628162A (zh) 语义问答方法、装置、设备及存储介质
CN115346095A (zh) 视觉问答方法、装置、设备及存储介质
CN114742061A (zh) 文本处理方法、装置、电子设备及存储介质
CN114595321A (zh) 问题标注方法、装置、电子设备及存储介质

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