CN114861080A - 一种问答语料推荐方法、装置、计算机设备及存储介质 - Google Patents

一种问答语料推荐方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN114861080A
CN114861080A CN202210517295.4A CN202210517295A CN114861080A CN 114861080 A CN114861080 A CN 114861080A CN 202210517295 A CN202210517295 A CN 202210517295A CN 114861080 A CN114861080 A CN 114861080A
Authority
CN
China
Prior art keywords
symptom
corpus
case
current
professional
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
CN202210517295.4A
Other languages
English (en)
Inventor
吴信朝
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 CN202210517295.4A priority Critical patent/CN114861080A/zh
Publication of CN114861080A publication Critical patent/CN114861080A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9536—Search customisation based on social or collaborative filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Epidemiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种问答语料推荐方法、装置、计算机设备及存储介质，属于人工智能技术领域。本申请通过对历史病例数据和专业症状语料进行映射匹配，以构建专业症状语料库，然后获取当前病例数据，并计算当前病例数据和历史病例数据的相似度，得到病例相似度，基于病例特征相似度确定当前病患对应的病例匹配病患，获取与病例匹配病患的历史病例数据相匹配的目标专业症状语料，基于协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料，将待推送症状语料推送给当前病患。此外，本申请还涉及区块链技术领域，病例数据可以存储在区块链网络的节点上。本申请通过将协同过滤算法引入到问诊场景的语料推荐上，促进了问诊的效率。

Description

一种问答语料推荐方法、装置、计算机设备及存储介质
技术领域
本申请属于人工智能技术领域，具体涉及一种问答语料推荐方法、装置、计算机设备及存储介质。
背景技术
智能问答系统是将积累的无序语料信息，进行有序和科学的整理，并建立基于知识的分类模型，这些分类模型可以指导新增加的语料咨询和服务信息，节约人力资源，提高信息处理的自动性，降低网站运行成本，基于对网站多年积累的关于政府和企业的基本情况常见问题及其解答，整理为规范的问答库形式，以支撑各种形式问题的智能问答，方便了用户，提高了办事效率，提升了企业形象。
但是，目前市面上的问答系统大多是基于关键词提取的方式实现，但这种方式仅仅是基于对用户当前语音分析，提取其中的关键词，再根据提取的关键词进行问答语料推荐，但这种方式没有结合用户更多的用户信息，使得语料推荐效果不佳，影响用户使用体验。
发明内容
本申请实施例的目的在于提出一种问答语料推荐方法、装置、计算机设备及存储介质，以解决现有问答语料推荐方式没有结合用户更多的用户信息，使得语料推荐效果不佳，影响用户使用体验的技术问题。
为了解决上述技术问题，本申请实施例提供一种问答语料推荐方法，采用了如下所述的技术方案：
一种问答语料推荐方法，包括：
从预设的病例库中获取历史病例数据，以及从预设的语料库中获取专业症状语料；
对历史病例数据和专业症状语料进行映射匹配，以构建专业症状语料库；
获取当前病患的病例数据，得到当前病例数据；
计算当前病例数据和历史病例数据的相似度，得到病例相似度；
基于病例特征相似度确定当前病患对应的病例匹配病患；
从专业症状语料库中获取与病例匹配病患的历史病例数据相匹配的目标专业症状语料；
基于协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料；
将待推送症状语料推送给当前病患。
进一步地，对历史病例数据和专业症状语料进行映射匹配，以构建专业症状语料库的步骤，具体包括：
提取历史病例数据中的症状特征，得到历史症状特征；
根据历史症状特征，在语料库中对历史病例数据和专业症状语料进行映射匹配，得到专业症状语料库。
进一步地，计算当前病例数据和历史病例数据的相似度，得到病例相似度的步骤，具体包括：
提取当前病例数据中的症状特征，得到当前症状特征；
对当前病例特征进行向量转化，得到当前病例特征向量，以及对历史病例特征进行向量转化，得到历史病例特征向量；
计算当前病例特征向量和历史病例特征向量的余弦相似度，得到病例相似度。
进一步地，对当前病例特征进行向量转化，得到当前病例特征向量，以及对历史病例特征进行向量转化，得到历史病例特征向量的步骤，具体包括：
根据当前病例特征对预设的病例特征表进行赋值，得到当前症状特征表；
解析当前症状特征表，得到当前病例特征向量；
根据历史病例特征对预设的病例特征表进行赋值，得到历史症状特征表；
解析历史症状特征表，得到历史病例特征向量。
进一步地，在从专业症状语料库中获取与病例匹配病患的历史病例数据相匹配的目标专业症状语料的步骤，具体包括：
获取病例匹配病患的历史病例数据，以及获取当前病患的历史病例数据；
根据当前病患的历史病例数据对病例匹配病患的历史病例数据进行数据去重操作，得到去重病例数据；
从专业症状语料库中确定去重病例数据对应的专业症状语料，得到目标专业症状语料。
进一步地，基于协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料的步骤，具体包括：
基于协同过滤算法，计算去重病例数据中的症状特征与当前症状特征的相似度，得到症状相似度分值；
对症状相似度分值进行排序，并根据相似度分值排序结果确定待推送的目标症状；
从目标专业症状语料中确定目标症状的专业症状语料，得到待推送症状语料。
进一步地，通过以下公式计算去重病例数据中的症状特征与当前症状特征的相似度，得到症状相似度分值：
Score(q)＝∑cos(pi,q)*Score(pi)
式中，Score(q)为症状相似度分值，q为去重病例数据中的症状，pi为当前病例数据中的任意一个症状，cos(pi,q)为症状q和症状pi的相似度，Score(pi)为症状pi在当前病例数据中的症状分值。
为了解决上述技术问题，本申请实施例还提供一种问答语料推荐装置，采用了如下所述的技术方案：
一种问答语料推荐装置，包括：
历史数据获取模块，用于从预设的病例库中获取历史病例数据，以及从预设的语料库中获取专业症状语料；
语料库构建模块，用于对历史病例数据和专业症状语料进行映射匹配，以构建专业症状语料库；
当前数据获取模块，用于获取当前病患的病例数据，得到当前病例数据；
病例相似度计算模块，用于计算当前病例数据和历史病例数据的相似度，得到病例相似度；
病患匹配模块，用于基于病例特征相似度确定当前病患对应的病例匹配病患；
语料匹配模块，用于从专业症状语料库中获取与病例匹配病患的历史病例数据相匹配的目标专业症状语料；
语料筛选模块，用于基于协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料；
语料推送模块，用于将待推送症状语料推送给当前病患。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
一种计算机设备，包括存储器和处理器，存储器中存储有计算机可读指令，处理器执行计算机可读指令时实现如上述的问答语料推荐方法的步骤。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下的技术方案：
一种计算机可读存储介质，计算机可读存储介质上存储有计算机可读指令，计算机可读指令被处理器执行时实现如上述的问答语料推荐方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请公开了一种问答语料推荐方法、装置、计算机设备及存储介质，属于人工智能技术领域。本申请通过对历史病例数据和专业症状语料进行映射匹配，以构建专业症状语料库，然后获取当前病例数据，并计算当前病例数据和历史病例数据的相似度，得到病例相似度，基于病例特征相似度确定当前病患对应的病例匹配病患，获取与病例匹配病患的历史病例数据相匹配的目标专业症状语料，基于协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料，将待推送症状语料推送给当前病患。本申请通过将协同过滤算法引入到问诊场景的语料推荐上，先通过相似度计算出与当前病患就有相似病症的匹配病患，然后获取匹配病患的历史病例数据对应的专业症状语料，并推送给当前病患，准确引导患者口述标准症状信息，有效缩短问诊时间，促进了问诊的效率。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本申请可以应用于其中的示例性系统架构图；
图2示出了根据本申请的问答语料推荐方法的一个实施例的流程图；
图3示出了根据本申请的问答语料推荐装置的一个实施例的结构示意图；
图4示出了根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
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；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的问答语料推荐方法一般由服务器执行，相应地，问答语料推荐装置一般设置于服务器中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的问答语料推荐的方法的一个实施例的流程图。所述的问答语料推荐方法，包括以下步骤：
S201，从预设的病例库中获取历史病例数据，以及从预设的语料库中获取专业症状语料。
S202，对历史病例数据和专业症状语料进行映射匹配，以构建专业症状语料库。
具体的，服务器在进行语料推荐之前，需要先构建专业症状语料库，首先服务器从预设的病例库中获取预先收集的历史病例数据，其中，历史病例数据可以从已授权的医院的数据库中爬取，历史病例数据上记载着历史病患的症状和身体参数。同时服务器从预设的语料库中获取专业症状语料，并对历史病例数据和专业症状语料进行映射匹配，以构建专业症状语料库。
进一步地，对历史病例数据和专业症状语料进行映射匹配，以构建专业症状语料库的步骤，具体包括：
提取历史病例数据中的症状特征，得到历史症状特征；
根据历史症状特征，在语料库中对历史病例数据和专业症状语料进行映射匹配，得到专业症状语料库。
具体的，服务器从预设的语料库中获取专业症状语料，并通过提取历史病例数据中的症状特征，得到历史症状特征，并根据历史症状特征，在语料库中对历史病例数据和专业症状语料进行映射匹配，得到专业症状语料库。
在上述实施例中，本申请通过构建专业的症状语料库，方便后续病患在需要进行语料推荐时，为病患生成相关的专业症状语料，以便准确引导患者口述标准症状信息，有效缩短问诊时间，促进了问诊的效率。
S203，获取当前病患的病例数据，得到当前病例数据。
具体的，当接收到语料推荐指令后，服务器从用户客户端获取获取当前病患的病例数据，得到当前病例数据，其中，当前病例数据记录着当前病患的症状和身体参数。
在本实施例中，问答语料推荐方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式接收到语料推荐指令。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
S204，计算当前病例数据和历史病例数据的相似度，得到病例相似度。
具体的，服务器在获取当前病患的病例数据，通过计算当前病例数据和历史病例数据的相似度，得到病例相似度。
进一步地，计算当前病例数据和历史病例数据的相似度，得到病例相似度的步骤，具体包括：
提取当前病例数据中的症状特征，得到当前症状特征；
对当前病例特征进行向量转化，得到当前病例特征向量，以及对历史病例特征进行向量转化，得到历史病例特征向量；
计算当前病例特征向量和历史病例特征向量的余弦相似度，得到病例相似度。
具体的，服务器通过提取历史病例数据中的历史症状特征和提取当前病例数据中的当前症状特征，并对历史症状特征和当前病例特征进行向量转化，得到历史病例特征向量和当前病例特征向量，最后通过计算当前病例特征向量和历史病例特征向量的余弦相似度，得到病例相似度。
在本申请具体的实施例中，通过计算当前病例特征向量和历史病例特征向量的余弦相似度，得到病例相似度，余弦相似度的计算公式如下：
Figure BDA0003640204090000081
式中，x为当前特征向量，y为历史特征向量，xi为当前特征向量中的第i个矢量数据，yi为历史特征向量中的第i个矢量数据，l(x，y)为病例相似度。
在上述实施例中，本申请通过对当前病例数据和历史病例数据进行特征提取和特征向量转化，并通过余弦相似度计算当前病例特征向量和历史病例特征向量的病例相似度，以便于确定与当前病患匹配的病患。
进一步地，对当前病例特征进行向量转化，得到当前病例特征向量，以及对历史病例特征进行向量转化，得到历史病例特征向量的步骤，具体包括：
根据当前病例特征对预设的病例特征表进行赋值，得到当前症状特征表；
解析当前症状特征表，得到当前病例特征向量；
根据历史病例特征对预设的病例特征表进行赋值，得到历史症状特征表；
解析历史症状特征表，得到历史病例特征向量。
具体的，本申请通过预设的病例特征表来实现病例特征向量的转化，一种具体的病例特征表如下表所示：
表1病例特征表
症状 咳嗽 鼻涕黄 有痰 咽痒 怕冷 发烧 ……
赋值 1 1 0 1 0 1 ……
其中，症状个数可以根据不同的医学科室选取，例如，某个病例特征表总共统计8个症状。在本申请一种具体的实施例中，病患张三的病例数据上显示的症状包括“咳嗽”、“鼻涕黄”、“咽痒”和“发烧”，则根据症状在预设的病例特征表进行赋值，通过解析症状特征表，得到病例特征向量为(1,1,0,1，0,1,0,0)。
在上述实施例中，通过预设的病例特征表进行症状统计，可以生成病例特征向量。
S205，基于病例特征相似度确定当前病患对应的病例匹配病患。
具体的，服务器基于病例特征相似度确定当前病患对应的病例匹配病患，其中，服务器将与当前病例数据相似度最大的历史病例数据对应的历史病患作为病例匹配病患，将历史病患曾经使用的专业症状语料推送给当前病患，以准确引导患者口述标准症状信息，有效缩短问诊时间，促进了问诊的效率。
S206，从专业症状语料库中获取与病例匹配病患的历史病例数据相匹配的目标专业症状语料。
具体的，在确定病例匹配病患后，服务器从专业症状语料库中获取与病例匹配病患的历史病例数据相匹配的目标专业症状语料，其中，目标专业症状语料为服务器曾经推送给病例匹配病患的专业症状语料。
进一步地，在从专业症状语料库中获取与病例匹配病患的历史病例数据相匹配的目标专业症状语料的步骤，具体包括：
获取病例匹配病患的历史病例数据，以及获取当前病患的历史病例数据；
根据当前病患的历史病例数据对病例匹配病患的历史病例数据进行数据去重操作，得到去重病例数据；
从专业症状语料库中确定去重病例数据对应的专业症状语料，得到目标专业症状语料。
具体的，在进行专业症状语料推送之前，服务器还会对已经为当前病患推送过的专业症状语料进行去重操作，通过获取病例匹配病患的历史病例数据，以及获取当前病患的历史病例数据，根据当前病患的历史病例数据对病例匹配病患的历史病例数据进行数据去重操作，得到去重病例数据，从专业症状语料库中确定去重病例数据对应的专业症状语料，得到目标专业症状语料，通过数据去重操作减少服务器开销。
S207，基于协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料。
其中，协同过滤简单来说是利用某兴趣相投、拥有共同经验之群体的喜好来推荐用户感兴趣的信息，个人通过合作的机制给予信息相当程度的回应(如评分等)并记录下来以达到过滤的目的进而帮助别人筛选信息，回应不一定局限于特别感兴趣的，特别不感兴趣信息的纪录也相当重要，协同过滤又可分为评比(rating)或者群体过滤(socialfiltering)协同过滤以其出色的速度和健壮性，在全球互联网领域炙手可热。
具体的，本申请通过将协同过滤算法引入到问诊场景的语料推荐上，通过协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料，以准确引导患者口述标准症状信息，有效缩短问诊时间，促进了问诊的效率。
进一步地，基于协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料的步骤，具体包括：
基于协同过滤算法，计算去重病例数据中的症状特征与当前症状特征的相似度，得到症状相似度分值；
对症状相似度分值进行排序，并根据相似度分值排序结果确定待推送的目标症状；
从目标专业症状语料中确定目标症状的专业症状语料，得到待推送症状语料。
具体的，服务器通过计算当前病例数据中各个症状与匹配的历史病例数据中各个症状的相似度，得到症状相似度分值，然后通过对症状相似度分值进行排序，并确定与当前症状的相似度分值排序前三的症状确定为待推送的目标症状，即当前病患最有可能存在的症状，并从目标专业症状语料中确定目标症状的专业症状语料，得到待推送症状语料。
进一步地，通过以下公式计算去重病例数据中的症状特征与当前症状特征的相似度，得到症状相似度分值：
Score(q)＝∑cos(pi,q)*Score(pi)
式中，Score(q)为症状相似度分值，q为去重病例数据中的症状，pi为当前病例数据中的任意一个症状，cos(pi,q)为症状q和症状pi的相似度，Score(pi)为症状pi在当前病例数据中的症状分值，Score(pi)也可以通过上述公式计算得到，例如：
Score(pi)＝∑cos(pi',pi)*Score(pi')
式中，pi'为前病例数据中除了pi以外的任意一个症状。
在上述实施例中，本申请通过协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料，以准确引导患者口述标准症状信息，有效缩短问诊时间，促进了问诊的效率。
S208，将待推送症状语料推送给当前病患。
具体的，服务器在确定待推送症状语料后，将待推送症状语料发送至当前病患的用户终端，准确引导患者口述标准症状信息。
在上述实施例中，本申请通过将协同过滤算法引入到问诊场景的语料推荐上，先通过相似度计算出与当前病患就有相似病症的匹配病患，然后获取匹配病患的历史病例数据对应的专业症状语料，并推送给当前病患，准确引导患者口述标准症状信息，有效缩短问诊时间，促进了问诊的效率。
需要强调的是，为进一步保证上述病例数据的私密和安全性，上述病例数据还可以存储于一区块链的节点中。
本申请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。
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，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种问答语料推荐装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的问答语料推荐装置包括：
历史数据获取模块301，用于从预设的病例库中获取历史病例数据，以及从预设的语料库中获取专业症状语料；
语料库构建模块302，用于对历史病例数据和专业症状语料进行映射匹配，以构建专业症状语料库；
当前数据获取模块303，用于获取当前病患的病例数据，得到当前病例数据；
病例相似度计算模块304，用于计算当前病例数据和历史病例数据的相似度，得到病例相似度；
病患匹配模块305，用于基于病例特征相似度确定当前病患对应的病例匹配病患；
语料匹配模块306，用于从专业症状语料库中获取与病例匹配病患的历史病例数据相匹配的目标专业症状语料；
语料筛选模块307，用于基于协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料；
语料推送模块308，用于将待推送症状语料推送给当前病患。
进一步地，语料库构建模块302具体包括：
第一特征提取单元，用于提取历史病例数据中的症状特征，得到历史症状特征；
语料库构建单元，用于根据历史症状特征，在语料库中对历史病例数据和专业症状语料进行映射匹配，得到专业症状语料库。
进一步地，病例相似度计算模块304具体包括：
第二特征提取单元，用于提取当前病例数据中的症状特征，得到当前症状特征；
向量转化单元，用于对当前病例特征进行向量转化，得到当前病例特征向量，以及对历史病例特征进行向量转化，得到历史病例特征向量；
病例相似度计算单元，用于计算当前病例特征向量和历史病例特征向量的余弦相似度，得到病例相似度。
进一步地，向量转化单元具体包括：
第一赋值子单元，用于根据当前病例特征对预设的病例特征表进行赋值，得到当前症状特征表；
第一解析子单元，用于解析当前症状特征表，得到当前病例特征向量；
第二赋值子单元，用于根据历史病例特征对预设的病例特征表进行赋值，得到历史症状特征表；
第二解析子单元，用于解析历史症状特征表，得到历史病例特征向量。
进一步地，语料匹配模块306具体包括：
病例获取单元，用于获取病例匹配病患的历史病例数据，以及获取当前病患的历史病例数据；
数据去重单元，用于根据当前病患的历史病例数据对病例匹配病患的历史病例数据进行数据去重操作，得到去重病例数据；
语料匹配单元，用于从专业症状语料库中确定去重病例数据对应的专业症状语料，得到目标专业症状语料。
进一步地，语料筛选模块307具体包括：
相似度分值计算单元，用于基于协同过滤算法，计算去重病例数据中的症状特征与当前症状特征的相似度，得到症状相似度分值；
分值排序单元，用于对症状相似度分值进行排序，并根据相似度分值排序结果确定待推送的目标症状；
语料筛选单元，用于从目标专业症状语料中确定目标症状的专业症状语料，得到待推送症状语料。
进一步地，通过以下公式计算去重病例数据中的症状特征与当前症状特征的相似度，得到症状相似度分值：
Score(q)＝∑cos(pi,q)*Score(pi)
式中，Score(q)为症状相似度分值，q为去重病例数据中的症状，pi为当前病例数据中的任意一个症状，cos(pi,q)为症状q和症状pi的相似度，Score(pi)为症状pi在当前病例数据中的症状分值。
在上述实施例中，本申请公开了一种问答语料推荐装置，属于人工智能技术领域。本申请通过对历史病例数据和专业症状语料进行映射匹配，以构建专业症状语料库，然后获取当前病例数据，并计算当前病例数据和历史病例数据的相似度，得到病例相似度，基于病例特征相似度确定当前病患对应的病例匹配病患，获取与病例匹配病患的历史病例数据相匹配的目标专业症状语料，基于协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料，将待推送症状语料推送给当前病患。本申请通过将协同过滤算法引入到问诊场景的语料推荐上，先通过相似度计算出与当前病患就有相似病症的匹配病患，然后获取匹配病患的历史病例数据对应的专业症状语料，并推送给当前病患，准确引导患者口述标准症状信息，有效缩短问诊时间，促进了问诊的效率。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如问答语料推荐方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述问答语料推荐方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
本申请公开了一种计算机设备，属于人工智能技术领域。本申请通过对历史病例数据和专业症状语料进行映射匹配，以构建专业症状语料库，然后获取当前病例数据，并计算当前病例数据和历史病例数据的相似度，得到病例相似度，基于病例特征相似度确定当前病患对应的病例匹配病患，获取与病例匹配病患的历史病例数据相匹配的目标专业症状语料，基于协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料，将待推送症状语料推送给当前病患。本申请通过将协同过滤算法引入到问诊场景的语料推荐上，先通过相似度计算出与当前病患就有相似病症的匹配病患，然后获取匹配病患的历史病例数据对应的专业症状语料，并推送给当前病患，准确引导患者口述标准症状信息，有效缩短问诊时间，促进了问诊的效率。
本申请还提供了另一种实施方式，即提供一种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读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的问答语料推荐方法的步骤。
本申请公开了一种存储介质，属于人工智能技术领域。本申请通过对历史病例数据和专业症状语料进行映射匹配，以构建专业症状语料库，然后获取当前病例数据，并计算当前病例数据和历史病例数据的相似度，得到病例相似度，基于病例特征相似度确定当前病患对应的病例匹配病患，获取与病例匹配病患的历史病例数据相匹配的目标专业症状语料，基于协同过滤算法对目标专业症状语料进行筛选，得到待推送症状语料，将待推送症状语料推送给当前病患。本申请通过将协同过滤算法引入到问诊场景的语料推荐上，先通过相似度计算出与当前病患就有相似病症的匹配病患，然后获取匹配病患的历史病例数据对应的专业症状语料，并推送给当前病患，准确引导患者口述标准症状信息，有效缩短问诊时间，促进了问诊的效率。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上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，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种问答语料推荐方法，其特征在于，包括：
从预设的病例库中获取历史病例数据，以及从预设的语料库中获取专业症状语料；
对所述历史病例数据和所述专业症状语料进行映射匹配，以构建专业症状语料库；
获取当前病患的病例数据，得到当前病例数据；
计算所述当前病例数据和所述历史病例数据的相似度，得到病例相似度；
基于所述病例特征相似度确定所述当前病患对应的病例匹配病患；
从所述专业症状语料库中获取与所述病例匹配病患的历史病例数据相匹配的目标专业症状语料；
基于协同过滤算法对所述目标专业症状语料进行筛选，得到待推送症状语料；
将所述待推送症状语料推送给所述当前病患。
2.如权利要求1所述的问答语料推荐方法，其特征在于，所述对所述历史病例数据和所述专业症状语料进行映射匹配，以构建专业症状语料库包括：
提取所述历史病例数据中的症状特征，得到历史症状特征；
根据所述历史症状特征，在所述语料库中对所述历史病例数据和所述专业症状语料进行映射匹配，得到所述专业症状语料库。
3.如权利要求2所述的问答语料推荐方法，其特征在于，所述计算所述当前病例数据和所述历史病例数据的相似度，得到病例相似度包括：
提取所述当前病例数据中的症状特征，得到当前症状特征；
对所述当前病例特征进行向量转化，得到当前病例特征向量，以及对所述历史病例特征进行向量转化，得到历史病例特征向量；
计算所述当前病例特征向量和所述历史病例特征向量的余弦相似度，得到所述病例相似度。
4.如权利要求3所述的问答语料推荐方法，其特征在于，所述对所述当前病例特征进行向量转化，得到当前病例特征向量，以及对所述历史病例特征进行向量转化，得到历史病例特征向量包括：
根据所述当前病例特征对预设的病例特征表进行赋值，得到当前症状特征表；
解析所述当前症状特征表，得到所述当前病例特征向量；
根据所述历史病例特征对预设的病例特征表进行赋值，得到历史症状特征表；
解析所述历史症状特征表，得到所述历史病例特征向量。
5.如权利要求2所述的问答语料推荐方法，其特征在于，在所述从所述专业症状语料库中获取与所述病例匹配病患的历史病例数据相匹配的目标专业症状语料包括：
获取所述病例匹配病患的历史病例数据，以及获取所述当前病患的历史病例数据；
根据所述当前病患的历史病例数据对所述病例匹配病患的历史病例数据进行数据去重操作，得到去重病例数据；
从所述专业症状语料库中确定所述去重病例数据对应的专业症状语料，得到目标专业症状语料。
6.如权利要求5所述的问答语料推荐方法，其特征在于，所述基于协同过滤算法对所述目标专业症状语料进行筛选，得到待推送症状语料包括：
基于所述协同过滤算法，计算所述去重病例数据中的症状特征与所述当前症状特征的相似度，得到症状相似度分值；
对所述症状相似度分值进行排序，并根据相似度分值排序结果确定待推送的目标症状；
从所述目标专业症状语料中确定所述目标症状的专业症状语料，得到所述待推送症状语料。
7.如权利要求6所述的问答语料推荐方法，其特征在于，通过以下公式计算所述去重病例数据中的症状特征与所述当前症状特征的相似度，得到症状相似度分值：
Score(q)＝∑cos(pi,q)*Score(pi)
式中，Score(q)为症状相似度分值，q为去重病例数据中的症状，pi为当前病例数据中的任意一个症状，cos(pi,q)为症状q和症状pi的相似度，Score(pi)为症状pi在当前病例数据中的症状分值。
8.一种问答语料推荐装置，其特征在于，包括：
历史数据获取模块，用于从预设的病例库中获取历史病例数据，以及从预设的语料库中获取专业症状语料；
语料库构建模块，用于对所述历史病例数据和所述专业症状语料进行映射匹配，以构建专业症状语料库；
当前数据获取模块，用于获取当前病患的病例数据，得到当前病例数据；
病例相似度计算模块，用于计算所述当前病例数据和所述历史病例数据的相似度，得到病例相似度；
病患匹配模块，用于基于所述病例特征相似度确定所述当前病患对应的病例匹配病患；
语料匹配模块，用于从所述专业症状语料库中获取与所述病例匹配病患的历史病例数据相匹配的目标专业症状语料；
语料筛选模块，用于基于协同过滤算法对所述目标专业症状语料进行筛选，得到待推送症状语料；
语料推送模块，用于将所述待推送症状语料推送给所述当前病患。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的问答语料推荐方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的问答语料推荐方法的步骤。
CN202210517295.4A 2022-05-12 2022-05-12 一种问答语料推荐方法、装置、计算机设备及存储介质 Pending CN114861080A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210517295.4A CN114861080A (zh) 2022-05-12 2022-05-12 一种问答语料推荐方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210517295.4A CN114861080A (zh) 2022-05-12 2022-05-12 一种问答语料推荐方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN114861080A true CN114861080A (zh) 2022-08-05

Family

ID=82637774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210517295.4A Pending CN114861080A (zh) 2022-05-12 2022-05-12 一种问答语料推荐方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN114861080A (zh)

Similar Documents

Publication Publication Date Title
CN111797214A (zh) 基于faq数据库的问题筛选方法、装置、计算机设备及介质
WO2022174491A1 (zh) 基于人工智能的病历质控方法、装置、计算机设备及存储介质
CN112287069B (zh) 基于语音语义的信息检索方法、装置及计算机设备
CN111695336A (zh) 疾病名称对码方法、装置、计算机设备及存储介质
CN110569350B (zh) 法条推荐方法、设备和存储介质
CN112632278A (zh) 一种基于多标签分类的标注方法、装置、设备及存储介质
CN114357117A (zh) 事务信息查询方法、装置、计算机设备及存储介质
CN112199954B (zh) 基于语音语义的疾病实体匹配方法、装置及计算机设备
CN107809370B (zh) 用户推荐方法及装置
CN113627797A (zh) 入职员工画像生成方法、装置、计算机设备及存储介质
CN112084342A (zh) 试题生成方法、装置、计算机设备及存储介质
CN112733645A (zh) 手写签名校验方法、装置、计算机设备及存储介质
CN112836521A (zh) 问答匹配方法、装置、计算机设备及存储介质
CN113407785A (zh) 一种基于分布式储存系统的数据处理方法和系统
CN113111159A (zh) 问答记录生成方法、装置、电子设备及存储介质
CN112395391A (zh) 概念图谱构建方法、装置、计算机设备及存储介质
CN116796730A (zh) 基于人工智能的文本纠错方法、装置、设备及存储介质
CN116701593A (zh) 基于GraphQL的中文问答模型训练方法及其相关设备
CN112541069A (zh) 一种结合关键词的文本匹配方法、系统、终端及存储介质
CN116796840A (zh) 医疗实体信息抽取方法、装置、计算机设备及存储介质
CN113065354B (zh) 语料中地理位置的识别方法及其相关设备
CN113157896B (zh) 一种语音对话生成方法、装置、计算机设备及存储介质
CN112084408B (zh) 名单数据筛选方法、装置、计算机设备及存储介质
CN114861080A (zh) 一种问答语料推荐方法、装置、计算机设备及存储介质
CN114637831A (zh) 基于语义分析的数据查询方法及其相关设备

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