CN115169364A - 智能问答方法、装置、设备以及存储介质 - Google Patents
智能问答方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN115169364A CN115169364A CN202210692631.9A CN202210692631A CN115169364A CN 115169364 A CN115169364 A CN 115169364A CN 202210692631 A CN202210692631 A CN 202210692631A CN 115169364 A CN115169364 A CN 115169364A
- Authority
- CN
- China
- Prior art keywords
- question
- candidate answer
- candidate
- answer
- determining
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 49
- 201000010099 disease Diseases 0.000 claims abstract description 14
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 13
- 239000003814 drug Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 229940079593 drug Drugs 0.000 description 10
- 239000003889 eye drop Substances 0.000 description 9
- 229940012356 eye drops Drugs 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 208000002672 hepatitis B Diseases 0.000 description 4
- 208000003251 Pruritus Diseases 0.000 description 3
- 208000013738 Sleep Initiation and Maintenance disease Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 206010022437 insomnia Diseases 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- IWUCXVSUMQZMFG-AFCXAGJDSA-N Ribavirin Chemical compound N1=C(C(=O)N)N=CN1[C@H]1[C@H](O)[C@H](O)[C@@H](CO)O1 IWUCXVSUMQZMFG-AFCXAGJDSA-N 0.000 description 2
- 230000003110 anti-inflammatory effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 229960000980 entecavir Drugs 0.000 description 2
- YXPVEXCTPGULBZ-WQYNNSOESA-N entecavir hydrate Chemical compound O.C1=NC=2C(=O)NC(N)=NC=2N1[C@H]1C[C@H](O)[C@@H](CO)C1=C YXPVEXCTPGULBZ-WQYNNSOESA-N 0.000 description 2
- 230000007803 itching Effects 0.000 description 2
- ZJAOAACCNHFJAH-UHFFFAOYSA-N phosphonoformic acid Chemical compound OC(=O)P(O)(O)=O ZJAOAACCNHFJAH-UHFFFAOYSA-N 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229960000329 ribavirin Drugs 0.000 description 2
- HZCAHMRRMINHDJ-DBRKOABJSA-N ribavirin Natural products O[C@@H]1[C@H](O)[C@@H](CO)O[C@H]1N1N=CN=C1 HZCAHMRRMINHDJ-DBRKOABJSA-N 0.000 description 2
- 229940126673 western medicines Drugs 0.000 description 2
- 208000000419 Chronic Hepatitis B Diseases 0.000 description 1
- 241000700721 Hepatitis B virus Species 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 102000006992 Interferon-alpha Human genes 0.000 description 1
- 108010047761 Interferon-alpha Proteins 0.000 description 1
- OIRDTQYFTABQOQ-UHTZMRCNSA-N Vidarabine Chemical compound C1=NC=2C(N)=NC=NC=2N1[C@@H]1O[C@H](CO)[C@@H](O)[C@@H]1O OIRDTQYFTABQOQ-UHTZMRCNSA-N 0.000 description 1
- 229960001997 adefovir Drugs 0.000 description 1
- WOZSCQDILHKSGG-UHFFFAOYSA-N adefovir depivoxil Chemical compound N1=CN=C2N(CCOCP(=O)(OCOC(=O)C(C)(C)C)OCOC(=O)C(C)(C)C)C=NC2=C1N WOZSCQDILHKSGG-UHFFFAOYSA-N 0.000 description 1
- 230000000840 anti-viral effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229960004396 famciclovir Drugs 0.000 description 1
- GGXKWVWZWMLJEH-UHFFFAOYSA-N famcyclovir Chemical compound N1=C(N)N=C2N(CCC(COC(=O)C)COC(C)=O)C=NC2=C1 GGXKWVWZWMLJEH-UHFFFAOYSA-N 0.000 description 1
- 229960005102 foscarnet Drugs 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229960001627 lamivudine Drugs 0.000 description 1
- JTEGQNOMFQHVDC-NKWVEPMBSA-N lamivudine Chemical compound O=C1N=C(N)C=CN1[C@H]1O[C@@H](CO)SC1 JTEGQNOMFQHVDC-NKWVEPMBSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004799 sedative–hypnotic effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 229960003636 vidarabine Drugs 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
-
- 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
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本公开提供了一种智能问答方法、装置、设备以及存储介质。涉及知识图谱、自然语言处理等人工智能技术领域，可应用于智慧医疗等场景。具体实现方案为：获取第一问题和针对第一问题的候选答案，该第一问题用于描述与疾病治疗相关的问题；基于第一问题和候选答案，从预设文本库中确定出多个证据文本；基于多个证据文本生成多个文本特征向量；将基于第一问题和候选答案生成的向量、以及多个文本特征向量输入预设模型，得到预设模型输出的候选答案的置信度。根据本公开的方案，能提高识别出的答案的准确性，进而能提升医疗问答的效果。
Description
技术领域
本公开涉及知识图谱、自然语言处理等人工智能技术领域，可应用于智慧医疗等场景。
背景技术
随着互联网医疗的长足发展，在线医疗问答越来越受到患者的广泛欢迎。由于医疗领域具有高度的专业性，医疗问答对于事实知识证据有很强的依赖性。相关技术中，在为患者提供“最佳答案”时，由于模型支持的证据文本的加入数量有限，通常参考检索出的排名靠前的一两条证据文本，而有效的证据可能在检索出的排名靠后的其他医疗事实文本中。因此，导致所提供的答案的准确性较低。
发明内容
本公开提供了一种智能问答方法、装置、设备以及存储介质。
根据本公开的第一方面，提供了一种智能问答方法，包括：
获取第一问题和针对第一问题的候选答案，该第一问题用于描述与疾病治疗相关的问题；
基于第一问题和候选答案，从预设文本库中确定出多个证据文本；
基于多个证据文本生成多个文本特征向量；
将基于第一问题和候选答案生成的向量、以及多个文本特征向量输入预设模型，得到预设模型输出的候选答案的置信度。
根据本公开的第二方面，提供了一种智能问答装置，包括：
获取模块，用于获取第一问题和针对第一问题的候选答案，该第一问题用于描述与疾病治疗相关的问题；
第一确定模块，用于基于第一问题和候选答案，从预设文本库中确定出多个证据文本；
生成模块，用于基于多个证据文本生成多个文本特征向量；
识别模块，用于将基于第一问题和候选答案生成的向量、以及多个文本特征向量输入预设模型，得到预设模型输出的候选答案的置信度。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行上述第一方面所提供的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行上述第一方面所提供的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述第一方面所提供的方法。
根据本公开的技术方案，能提高识别出的答案的准确性，进而能提升医疗问答的效果。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开实施例的预设模型对答案进行识别的架构示意图一；
图2是根据本公开实施例的智能问答方法的流程示意图一；
图3是根据本公开实施例的智能问答方法的流程示意图二；
图4是根据本公开实施例的预设模型对答案进行识别的架构示意图二；
图5是根据本公开实施例的智能问答装置的结构示意图一；
图6是根据本公开实施例的智能问答装置的结构示意图二；
图7是根据本公开实施例的智能问答的场景示意图；
图8是用来实现本公开实施例的智能问答方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本公开的说明书实施例和权利要求书及上述附图中的术语"第一"、"第二"和"第三"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。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。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。
医疗问答系统，是指根据患者的病史与检查信息，给出诊断与用药等医疗建议的系统。医疗问答系统回答医疗专业问题，需要获取医疗领域的事实知识。以“乙肝用药”为例，具体可参考以下示例：输入问题：患者，女，27岁，确诊慢性乙型肝炎3年，近日化验结果：HBV-DNA2×105copies/mL，ALT122U/L。拟予以抗病毒治疗，首选的药物是哪个？可能的候选：A.阿糖腺苷，B.恩替卡韦，C.泛昔洛韦，D.利巴韦林，E.膦甲酸钠。医疗问答系统从候选中选择出正确的答案：B.恩替卡。医疗问答系统解答这个问题需要了解“得了乙肝，用哪些药”的事实知识信息(也称证据文本)。比如，下面这段证据文本对于解答“乙肝用药”的问题是很有用的：“临床用于抗乙型肝炎病毒的药物有拉米夫定，阿德福韦，干扰素-α，利巴韦林，恩替卡韦等...”。
相关技术中，医疗问答系统先根据候选答案A+问题，检索出对应的证据文本A，再将候选答案A+问题+证据文本A拼接起来，输入至预设模型，由预设模型判断证据文本A是否支持候选答案A。如图1所示，检索引擎基于候选答案A+问题，从事实知识库中检索出最相近的一条证据文本A；将候选答案A+问题，以及证据文本A进行拼接，将拼接后的结果输入预设模型，由预设模型输出该候选答案A的置信度。因为预设模型的输入长度有限(普遍长度512，长度越长模型运行越慢)，导致一般只能加入一条证据文本。很多时候，检索出的一条证据文本并不能有效帮助答案判断，而有效的证据在检索出的排名第10～50的医疗事实文本中。因此，预设模型受限于输入长度，无法加入太多的证据文本，导致医疗问答的效果难以进一步提升。
为了至少部分地解决上述问题以及其他潜在问题中的一个或者多个问题，本公开提出了一种智能问答方法，利用本公开的实施方式的技术方案，不受预设模型的输入长度的限制，可以向预设模型加入非常多的证据文本，大大提升了预设模型可利用的证据数量，提高了智能问答的准确度，从而有助于提高医疗问答系统的预测效果。
本公开实施例提供了一种智能问答方法，图2是根据本公开实施例的智能问答方法的流程示意图，该智能问答方法可以应用于智能问答装置。该智能问答装置位于电子设备，该电子设备可以是医疗问答系统的一部分，也可以独立于医疗问答系统但与医疗问答系统连接。该电子设备包括但不限于固定设备和/或移动设备。例如，固定设备包括但不限于服务器，服务器可以是云服务器或普通服务器。例如，移动设备包括但不限于：手机、平板电脑、车载终端中的一项或是多项终端。在一些可能的实现方式中，该方法还可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图2所示，该智能问答方法包括：
S201：获取第一问题和针对第一问题的候选答案，该第一问题用于描述与疾病治疗相关的问题；
S202：基于第一问题和候选答案，从预设文本库中确定出多个证据文本；
S203：基于多个证据文本生成多个文本特征向量；
S204：将基于第一问题和候选答案生成的向量、以及多个文本特征向量输入预设模型，得到预设模型输出的候选答案的置信度。
本公开实施例中，第一问题用于描述与疾病治疗相关的问题，具体可以包括病情描述、检查结果描述、用药咨询、问诊咨询等。以上仅为示例性说明，不作为对第一问题包括的内容的全部可能的类型的限定，只是这里不做穷举。
本公开实施例中，候选答案可以是医疗问答系统从用户输入的第一问题中识别出的候选答案，也可以是医疗问答系统根据用户输入的第一问题生成的候选答案。本公开不对候选答案的获取方式进行限定。
本公开实施例中，候选答案的数量可以是一个，也可以是多个。本公开不对候选答案的数量进行限定。
本公开实施例中，预设文本库是根据医学事实知识预先建立的文本库。该预设文本库中以文本段落为单位进行存储。每个文本段落的字数小于等于预设阈值。该医学事实知识的来源包括但不限于医学教科书、医学辞典、医学期刊、医学文献库等。
本公开实施例中，证据文本是以文本段落为单位的。多个证据文本包括多个文本段落。这里，证据文本的个数可根据设计需求如速度需求或精度需求进行设定或调整。比如，为了提高预测精度，将证据文本的个数设置为100，如此，能够覆盖与检索词相关的排名前100的文本段落。又比如，为了提高预测速度，将证据文本的个数设置为50，能够覆盖与检索词相关的排名前50的文本段落。以上仅为示例性说明，不作为证据文本的个数的限定，不同第一问题对应的证据文本的个数可以不同，只是这里不做穷举。
本公开实施例中，文本特征向量是从证据文本识别出的特征向量。实际应用中，将证据文本输入预先训练好的编码模型，由编码模型输出该证据文本的文本特征向量。举例来说，将证据文本1输入编码模型，得到文本特征向量1；将证据文本2输入编码模型，得到文本特征向量2。
本公开实施例中，置信度用于表示候选答案的可靠度，能表征候选答案的正确概率。
本公开实施例中，预设模型是预先训练好的模型。预设模型的输入为：基于问题和候选答案生成的输入向量，以及根据证据文本生成的文本特征向量；预设模型的输出为：候选答案的置信度。预设模型将基于问题和候选答案生成的向量，与文本特征向量进行交互(如cross attention)，得到候选答案的置信度。具体交互处理，包括：将基于问题和候选答案生成的向量，与文本特征向量，先相乘，然后再加权。预设模型将注意力(attention)机制引入到问题-答案的匹配中，将文本特征向量考虑进来，提升了预设模型的预测效果。
本公开实施例的技术方案，相对于预设模型基于单个证据文本进行智能问答的处理方式而言，基于第一问题和候选答案，从预设文本库中确定出多个证据文本；基于多个证据文本生成多个文本特征向量；将基于第一问题和候选答案生成的向量、以及多个文本特征向量输入预设模型，得到预设模型输出的候选答案的置信度；由于证据文本以文本特征向量形式加入，因此不受预设模型的输入长度的限制，可以加入非常多的证据文本，大大提升了预设模型可利用的证据数量，提高了智能问答的准确度，从而有助于提高医疗问答系统的预测效果。
在一些实施例中，获取第一问题和针对第一问题的候选答案，包括：获取输入信息，该输入信息至少包括第一问题；响应于从输入信息中解析出第一问题和针对第一问题的候选答案，将从输入信息中解析出的候选答案，作为针对第一问题的候选答案；响应于从输入信息中解析出第一问题但未解析出针对第一问题的候选答案，基于第一问题生成第一问题的候选答案。
这里，输入信息可以是用户通过手动方式输入的信息。比如，“王某某，70岁，全身瘙痒一个月，曾内服、外服西药，疗效甚微，想到医院就诊，应挂哪个科？老年病科，还是皮肤科”。又比如，“李某某，33岁，眼睛干涩，长期用电脑办公，长期熬夜，想用眼药水，用消炎类眼药水，还是缓解疲劳类眼药水”。输入信息还可以是用户通过语音方式输入的信息。本公开不对输入信息的输入方式进行限定。比如，“张某某，30岁，失眠一个多月，怎么办”。
在一些实施方式中，响应于从输入信息中解析出第一问题和针对第一问题的候选答案，将从输入信息中解析出的候选答案，作为针对第一问题的候选答案。示例性的，从输入信息“王某某，70岁，全身瘙痒一个月，曾内服、外服西药，疗效甚微，想到医院就诊，应挂哪个科？老年病科，还是皮肤科”中，识别出第一问题为“王某某，70岁，全身瘙痒一个月，曾内服、外服西药，疗效甚微，想到医院就诊，应挂哪个科”，识别出候选答案为“老年病科”和“皮肤科”。又示例性的，从输入信息“李某某，33岁，眼睛干涩，长期用电脑办公，长期熬夜，想用眼药水，用消炎类眼药水，还是缓解疲劳类眼药水”中，识别出第一问题为“李某某，33岁，眼睛干涩，长期用电脑办公，长期熬夜，想用眼药水”，识别出候选答案为“消炎类眼药水”和“缓解疲劳类眼药水”。如此，在根据用户输入的信息能直接确定出候选答案的情况下，能够使医疗问答系统最终给出的最佳答案与用户输入的候选答案相关，有助于提升医疗问答系统的智能性。
在一些实施方式中，响应于从输入信息中解析出第一问题但未解析出针对第一问题的候选答案，基于第一问题生成第一问题的候选答案。示例性的，从输入信息“张某某，30岁，失眠一个多月，怎么办”中，识别出第一问题为“张某某，30岁，失眠一个多月，怎么办”，由于从该输入信息中无法识别出候选答案，则可基于该第一问题，生成关于该第一问题的候选答案，比如，“推拿按摩，睡前全身的按摩、足底按摩、头部按摩可以让你充分放松”。又比如，“严重的患者可以使用一些镇定安眠类的药物进行治疗”。如此，在根据用户输入的信息无法确定出候选答案的情况下，医疗问答系统自动为用户生成候选答案，有助于提升医疗问答系统的智能性。
如此，根据用户的输入信息确定候选答案，从而使医疗问答系统最终给出的答案与输入信息相符合，有助于提升医疗问答系统的智能性。
在一些实施例中，如图3所示，智能问答方法还包括：
S301：根据第一问题的多个候选答案分别对应的置信度，从多个候选答案中确定出第一问题的最佳候选答案；
S302：输出最佳候选答案。
在一些实施例中，上述的S301和S302可以在S204之后执行。
举例来说，第一问题包括n个候选答案，分别记为候选答案1、候选答案2、…、候选答案n，且候选答案1的置信度为α1、候选答案2的置信度为α2、…、候选答案n的置信度为αn，若α1、α2、…、αn中，α1的值最大，则将候选答案1确定为最佳答案。
如此，能够从多个候选答案中识别出置信度最高的候选答案，提高医疗问答系统输出的答案的准确度。
在一些实施例中，根据第一问题的多个候选答案分别对应的置信度，从多个候选答案中确定出第一问题的最佳候选答案，包括：根据第一问题的多个候选答案分别对应的置信度，确定出第一问题的置信度最高的一个候选答案；将第一问题的置信度最高的一个候选答案，确定为第一问题的最佳候选答案。
举例来说，第一问题包括n个候选答案，分别记为候选答案1、候选答案2、…、候选答案n，且候选答案1的置信度为α1、候选答案2的置信度为α2、…、候选答案n的置信度为αn，若α1＝α2且大于其它置信度值，则将候选答案1和候选答案2中的一个候选答案确定为最佳答案。
如此，能够从多个候选答案中识别出置信度最高的候选答案，从而有助于提高医疗问答系统输出的答案的准确度。
在一些实施例中，根据第一问题的多个候选答案分别对应的置信度，从多个候选答案中确定出第一问题的最佳候选答案，包括：在第一问题的两个或两个以上候选答案的置信度相同且均为多个候选答案中的最高置信度的情况下，将第一问题的置信度最高的两个或两个以上候选答案，确定为第一问题的最佳候选答案。
举例来说，第一问题包括n个候选答案，分别记为候选答案1、候选答案2、…、候选答案n，且候选答案1的置信度为α1、候选答案2的置信度为α2、…、候选答案n的置信度为αn，若α1＝α2且大于其它置信度值，则将候选答案1和候选答案2都确定为最佳答案。
如此，在置信度最高的候选答案包括两个或两个以上时，输出两个或两个以上置信度最高的候选答案，从而有助于提高医疗问答系统输出的答案的多样性。
在一些实施例中，根据第一问题的多个候选答案分别对应的置信度，确定出第一问题的置信度最高的一个候选答案，包括：在第一问题的两个或两个以上候选答案的置信度相同且均为该多个候选答案中的最高置信度的情况下，从最高置信度的两个或两个以上候选答案中随机选择一个作为最佳候选答案。
举例来说，第一问题包括n个候选答案，分别记为候选答案1、候选答案2、…、候选答案n，且候选答案1的置信度为α1、候选答案2的置信度为α2、…、候选答案n的置信度为αn，若α1＝α2且大于其它置信度值，则从候选答案1和候选答案2中，随机抽取一个候选答案，作为最佳答案。
如此，能够提升从多个候选答案中识别出置信度最高的候选答案的速度，从而有助于提高医疗问答系统输出的答案的速度。
在一些实施例中，根据第一问题的多个候选答案分别对应的置信度，确定出第一问题的置信度最高的一个候选答案，包括：在第一问题的两个或两个以上候选答案的置信度相同且均为该多个候选答案中最高置信度的情况下，从预设文本库中分别为两个或两个以上候选答案重新确定出多个新的证据文本，基于多个新的证据文本为两个或两个以上候选答案重新确定新的置信度，直至基于新的置信度区分出一个最高置信度的候选答案。
举例来说，第一问题包括n个候选答案，分别记为候选答案1、候选答案2、…、候选答案n，且候选答案1的置信度为α1、候选答案2的置信度为α2、…、候选答案n的置信度为αn，若α1＝α2且大于其它置信度值，则从预设文本库中分别为候选答案1和候选答案2重新确定出多个新的证据文本，基于候选答案1的多个新的证据文本，重新确定新的置信度α1’；基于候选答案2的多个新的证据文本，重新确定新的置信度α2’，若α1’＜α2’，则将候选答案2作为最佳答案。
如此，能够提升从多个候选答案中识别出的最佳答案的准确性，从而有助于提高医疗问答系统输出的答案的准确性。
以预设模型包括编码子模型和交互子模型为例进行说明。图4示出了预设模型对答案进行识别的架构示意图，如图4所示，该架构图分为检索和判别两大部分。具体地，在检索部分，检索引擎获取问题1和该问题1的候选答案1，基于问题1和候选答案1，从预设文本库中识别出关于候选答案1的排名前n的证据文本1、证据文本2、…、证据文本n；将证据文本1、证据文本2、…、证据文本n输入判别部分中的编码子模型，由编码子模型输出文本特征向量1、文本特征向量2、…、文本特征向量n。将根据问题1和候选答案1生成的向量，通过交互子模型分别与文本特征向量1、文本特征向量2、…、文本特征向量n进行cross-attention，能够更好地区分输入文本与证据文本。并且，以模型结构的形式进行输入文本与证据文本之间的交互，提升了交互子模型对证据文本的利用与理解能力。
如此，由于证据文本以文本特征向量形式加入，预设模型不受输入长度的限制，可以加入非常多的证据文本，大大提升了预设模型可利用的证据数量，使预设模型获得更好的预测效果。
应理解，图4所示的架构示意图仅仅是示例性而不是限制性的，并且其是可扩展的，本领域技术人员可以基于图4的例子进行各种显而易见的变化和/或替换，得到的技术方案仍属于本公开实施例的公开范围。
本公开实施例提供了一种智能问答装置，如图5所示，该智能问答装置可以包括：获取模块501，用于获取第一问题和针对第一问题的候选答案，该第一问题用于描述与疾病治疗相关的问题；第一确定模块502，用于基于第一问题和候选答案，从预设文本库中确定出多个证据文本；生成模块503，用于基于多个证据文本生成多个文本特征向量；识别模块504，用于将基于第一问题和候选答案生成的向量、以及多个文本特征向量输入预设模型，得到预设模型输出的候选答案的置信度。
在一些实施例中，该获取模块501，包括：获取子模块，用于获取输入信息，该输入信息至少包括第一问题；第一确定子模块，用于响应于从输入信息中解析出第一问题和针对第一问题的候选答案，将从输入信息中解析出的候选答案，作为针对第一问题的候选答案；第二确定子模块，用于响应于从输入信息中解析出第一问题但未解析出针对第一问题的候选答案，基于第一问题生成第一问题的候选答案。
在一些实施例中，如图6所示，该智能问答装置还包括：第二确定模块505，用于根据第一问题的多个候选答案分别对应的置信度，从多个候选答案中确定出第一问题的最佳候选答案；输出模块506，用于输出最佳候选答案。
在一些实施例中，第二确定模块505，包括：第三确定子模块，用于根据第一问题的多个候选答案分别对应的置信度，确定出第一问题的置信度最高的一个候选答案；第四确定子模块，用于将第一问题的置信度最高的一个候选答案，确定为第一问题的最佳候选答案。
在一些实施例中，该第三确定子模块，用于：在第一问题的两个或两个以上候选答案的置信度相同且均为最高置信度的情况下，从最高置信度的两个或两个以上候选答案中随机选择一个作为最佳候选答案。
在一些实施例中，该第三确定子模块，用于：在第一问题的两个或两个以上候选答案的置信度相同且均为最高置信度的情况下，从预设文本库中分别为两个或两个以上候选答案重新确定出多个新的证据文本，基于多个新的证据文本为两个或两个以上候选答案重新确定新的置信度，直至基于新的置信度区分出一个最高置信度的候选答案。
本领域技术人员应当理解，本公开实施例的智能问答装置中各处理模块的功能，可参照前述的智能问答方法的相关描述而理解，本公开实施例的智能问答装置中各处理模块，可通过实现本公开实施例所述的功能的模拟电路而实现，也可以通过执行本公开实施例所述的功能的软件在电子设备上的运行而实现。
本公开实施例的智能问答装置，能提高智能问答的准确性，从而有助于提高医疗问答系统的预测效果。另外，相对于基于单个证据文本确定最佳答案的处理方式而言，不仅能满足参考多个证据文本确定最佳答案的需求，也无需改变预设模型的输入长度限制，即可提高预设模型的预测效果。
图7示出了智能问答的场景示意图，从图7可以看出，电子设备如云服务器接收来自各终端发送的输入信息；从每个输入信息中识别出问题和候选答案，然后从预设文本库中检索与问题和候选答案相关度高的多个证据文本；将每个输入信息对应的多个证据文本分别生成文本特征向量；将根据每个输入信息中问题和候选答案生成的向量，以及对应的多个文本特征向量输入预设模型，由预设模型确定出每个输入信息所包括的候选答案的置信度，向各终端返回输入信息中置信度最高的候选答案。
下面列举几个医疗问答中的智能问答场景。
比如，用户A通过终端输入病例和拟采用的多种药物列表，终端将这些信息发送至电子设备，以由电子设备自动识别出应该采用该药物列表中的哪些药物，并将识别结果返回终端，以供用户A参考。
又比如，用户A通过终端输入病情，并询问挂哪个科室，终端将这些信息发送至电子设备，以由电子设备自动识别出该病情应该挂哪个科室，并将识别结果返回终端，以供用户A参考。
应理解，图7所示的场景图仅仅是示意性而非限制性的，本领域技术人员可以基于图7的例子进行各种显而易见的变化和/或替换，得到的技术方案仍属于本公开实施例的公开范围。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(Read-OnlyMemory，ROM)802中的计算机程序或者从存储单元808加载到随机访问存储器(RandomAccess Memory，RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(Input/Output，I/O)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(Central Processing Unit，CPU)、图形处理单元(Graphics Processing Unit，GPU)、各种专用的人工智能(ArtificialIntelligence，AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(Digital Signal Processor，DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如智能问答方法。例如，在一些实施例中，智能问答方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的智能问答方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行智能问答方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(Field Programmable Gate Array，FPGA)、专用集成电路(Application Specific Integrated Circuit，ASIC)、专用标准产品(Application-Specific Standard Products，ASSP)、芯片上系统的系统(System on Chip，SOC)、负载可编程逻辑设备(Complex Programmable Logic Device，CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、快闪存储器、光纤、便捷式紧凑盘只读存储器(Compact Disk Read Only Memory，CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，阴极射线管(Cathode Ray Tube，CRT)或者液晶显示器(Liquid Crystal Display，LCD)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端和服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (15)
1.一种智能问答方法，包括：
获取第一问题和针对所述第一问题的候选答案，所述第一问题用于描述与疾病治疗相关的问题；
基于所述第一问题和所述候选答案，从预设文本库中确定出多个证据文本；
基于所述多个证据文本生成多个文本特征向量；
将基于所述第一问题和所述候选答案生成的向量、以及所述多个文本特征向量输入预设模型，得到所述预设模型输出的所述候选答案的置信度。
2.根据权利要求1所述的方法，其中，所述获取第一问题和针对所述第一问题的候选答案，包括：
获取输入信息，所述输入信息至少包括所述第一问题；
响应于从所述输入信息中解析出第一问题和针对所述第一问题的候选答案，将从所述输入信息中解析出的候选答案，作为针对所述第一问题的候选答案；
响应于从所述输入信息中解析出所述第一问题但未解析出候选答案，基于所述第一问题生成所述第一问题的候选答案。
3.根据权利要求1或2所述的方法，还包括：
根据所述第一问题的多个候选答案分别对应的置信度，从所述多个候选答案中确定出所述第一问题的最佳候选答案；
输出所述最佳候选答案。
4.根据权利要求3所述的方法，其中，所述根据所述第一问题的多个候选答案分别对应的置信度，从所述多个候选答案中确定出所述第一问题的最佳候选答案，包括：
根据所述第一问题的多个候选答案分别对应的置信度，确定出所述第一问题的置信度最高的一个候选答案；
将所述第一问题的置信度最高的一个候选答案，确定为所述第一问题的最佳候选答案。
5.根据权利要求4所述的方法，其中，所述根据所述第一问题的多个候选答案分别对应的置信度，确定出所述第一问题的置信度最高的一个候选答案，包括：
在所述第一问题的两个或两个以上候选答案的置信度相同且均为最高置信度的情况下，从最高置信度的两个或两个以上候选答案中随机选择一个作为最佳候选答案。
6.根据权利要求4所述的方法，其中，所述根据所述第一问题的多个候选答案分别对应的置信度，确定出所述第一问题的置信度最高的一个候选答案，包括：
在所述第一问题的两个或两个以上候选答案的置信度相同且均为最高置信度的情况下，从所述预设文本库中分别为所述两个或两个以上候选答案重新确定出多个新的证据文本，基于所述多个新的证据文本为所述两个或两个以上候选答案确定新的置信度，直至基于新的置信度区分出一个最高置信度的候选答案。
7.一种智能问答装置，包括：
获取模块，用于获取第一问题和针对所述第一问题的候选答案，所述第一问题用于描述与疾病治疗相关的问题；
第一确定模块，用于基于所述第一问题和所述候选答案，从预设文本库中确定出多个证据文本；
生成模块，用于基于所述多个证据文本生成多个文本特征向量；
识别模块，用于将基于所述第一问题和所述候选答案生成的向量、以及所述多个文本特征向量输入预设模型，得到所述预设模型输出的所述候选答案的置信度。
8.根据权利要求7所述的装置，其中，所述获取模块，包括：
获取子模块，用于获取输入信息，所述输入信息至少包括所述第一问题；
第一确定子模块，用于响应于从所述输入信息中解析出第一问题和针对所述第一问题的候选答案，将从所述输入信息中解析出的候选答案，作为针对所述第一问题的候选答案；
第二确定子模块，用于响应于从所述输入信息中解析出所述第一问题但未解析出候选答案，基于所述第一问题生成所述第一问题的候选答案。
9.根据权利要求7或8所述的装置，还包括：
第二确定模块，用于根据所述第一问题的多个候选答案分别对应的置信度，从所述多个候选答案中确定出所述第一问题的最佳候选答案；
输出模块，用于输出所述最佳候选答案。
10.根据权利要求9所述的装置，其中，所述第二确定模块，包括：
第三确定子模块，用于根据所述第一问题的多个候选答案分别对应的置信度，确定出所述第一问题的置信度最高的一个候选答案；
第四确定子模块，用于将所述第一问题的置信度最高的一个候选答案，确定为所述第一问题的最佳候选答案。
11.根据权利要求10所述的装置，其中，所述第三确定子模块，用于：
在所述第一问题的两个或两个以上候选答案的置信度相同且均为最高置信度的情况下，从最高置信度的两个或两个以上候选答案中随机选择一个作为最佳候选答案。
12.根据权利要求10所述的装置，其中，所述第三确定子模块，用于：
在所述第一问题的两个或两个以上候选答案的置信度相同且均为最高置信度的情况下，从所述预设文本库中分别为所述两个或两个以上候选答案重新确定出多个新的证据文本，基于所述多个新的证据文本为所述两个或两个以上候选答案确定新的置信度，直至基于新的置信度区分出一个最高置信度的候选答案。
13.一种电子设备，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指令，所述指令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权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210692631.9A CN115169364B (zh) | 2022-06-17 | 2022-06-17 | 智能问答方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210692631.9A CN115169364B (zh) | 2022-06-17 | 2022-06-17 | 智能问答方法、装置、设备以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115169364A true CN115169364A (zh) | 2022-10-11 |
| CN115169364B CN115169364B (zh) | 2024-03-08 |
Family
ID=83485769
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210692631.9A Active CN115169364B (zh) | 2022-06-17 | 2022-06-17 | 智能问答方法、装置、设备以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115169364B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115617974A (zh) * | 2022-12-14 | 2023-01-17 | 北京红棉小冰科技有限公司 | 一种对话处理方法、装置、设备及存储介质 |
| CN116257613A (zh) * | 2023-02-10 | 2023-06-13 | 北京百度网讯科技有限公司 | 数据生产方法、装置、电子设备及存储介质 |
| CN117033613B (zh) * | 2023-08-18 | 2024-05-14 | 中航信移动科技有限公司 | 一种应答文本的生成方法、电子设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110390003A (zh) * | 2019-06-19 | 2019-10-29 | 北京百度网讯科技有限公司 | 基于医疗的问答处理方法及系统、计算机设备及可读介质 |
| CN110837586A (zh) * | 2018-08-15 | 2020-02-25 | 阿里巴巴集团控股有限公司 | 问答匹配方法、系统、服务器及存储介质 |
| CN112364150A (zh) * | 2021-01-12 | 2021-02-12 | 南京云创大数据科技股份有限公司 | 一种结合检索与生成的智能问答方法和系统 |
| CN113961692A (zh) * | 2021-11-26 | 2022-01-21 | 思必驰科技股份有限公司 | 机器阅读理解方法及系统 |
| CN114116997A (zh) * | 2021-10-26 | 2022-03-01 | 北京百度网讯科技有限公司 | 知识问答方法、装置、电子设备及存储介质 |
| CN114238611A (zh) * | 2021-12-23 | 2022-03-25 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
| CN114510561A (zh) * | 2022-02-17 | 2022-05-17 | 腾讯科技（深圳）有限公司 | 答案选择方法、装置、设备及存储介质 |
-
2022
- 2022-06-17 CN CN202210692631.9A patent/CN115169364B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110837586A (zh) * | 2018-08-15 | 2020-02-25 | 阿里巴巴集团控股有限公司 | 问答匹配方法、系统、服务器及存储介质 |
| CN110390003A (zh) * | 2019-06-19 | 2019-10-29 | 北京百度网讯科技有限公司 | 基于医疗的问答处理方法及系统、计算机设备及可读介质 |
| CN112364150A (zh) * | 2021-01-12 | 2021-02-12 | 南京云创大数据科技股份有限公司 | 一种结合检索与生成的智能问答方法和系统 |
| CN114116997A (zh) * | 2021-10-26 | 2022-03-01 | 北京百度网讯科技有限公司 | 知识问答方法、装置、电子设备及存储介质 |
| CN113961692A (zh) * | 2021-11-26 | 2022-01-21 | 思必驰科技股份有限公司 | 机器阅读理解方法及系统 |
| CN114238611A (zh) * | 2021-12-23 | 2022-03-25 | 北京百度网讯科技有限公司 | 用于输出信息的方法、装置、设备以及存储介质 |
| CN114510561A (zh) * | 2022-02-17 | 2022-05-17 | 腾讯科技（深圳）有限公司 | 答案选择方法、装置、设备及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115617974A (zh) * | 2022-12-14 | 2023-01-17 | 北京红棉小冰科技有限公司 | 一种对话处理方法、装置、设备及存储介质 |
| CN115617974B (zh) * | 2022-12-14 | 2023-12-01 | 北京红棉小冰科技有限公司 | 一种对话处理方法、装置、设备及存储介质 |
| CN116257613A (zh) * | 2023-02-10 | 2023-06-13 | 北京百度网讯科技有限公司 | 数据生产方法、装置、电子设备及存储介质 |
| CN116257613B (zh) * | 2023-02-10 | 2024-02-06 | 北京百度网讯科技有限公司 | 数据生产方法、装置、电子设备及存储介质 |
| CN117033613B (zh) * | 2023-08-18 | 2024-05-14 | 中航信移动科技有限公司 | 一种应答文本的生成方法、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115169364B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220292269A1 (en) | Method and apparatus for acquiring pre-trained model | |
| CN112131366B (zh) | 训练文本分类模型及文本分类的方法、装置及存储介质 | |
| US9558448B2 (en) | Dynamic interfacing in a deep question answering system | |
| CN115169364A (zh) | 智能问答方法、装置、设备以及存储介质 | |
| CN110476169B (zh) | 在会话中提供情感关怀 | |
| US20220254507A1 (en) | Knowledge graph-based question answering method, computer device, and medium | |
| CN110377719B (zh) | 医疗问答方法及装置 | |
| CN113407850B (zh) | 一种虚拟形象的确定和获取方法、装置以及电子设备 | |
| CN114840734B (zh) | 多模态表示模型的训练方法、跨模态检索方法及装置 | |
| CN111444321B (zh) | 问答方法、装置、电子设备和存储介质 | |
| CN114064818A (zh) | 医疗实体关系的确定方法、训练方法、装置、设备及介质 | |
| CN112860995A (zh) | 交互方法、装置、客户端、服务器以及存储介质 | |
| Jiang et al. | Learning prototypical goal activities for locations | |
| CN115905497B (zh) | 确定答复语句的方法、装置、电子设备和存储介质 | |
| US20230075339A1 (en) | Method of training information generation model, method of generating information, and device | |
| EP4075424A1 (en) | Speech recognition method and apparatus | |
| Deshmukh et al. | Sia: An interactive medical assistant using natural language processing | |
| CN115719066A (zh) | 基于人工智能的搜索文本理解方法、装置、设备和介质 | |
| CN111931503B (zh) | 信息抽取方法及装置、设备、计算机可读存储介质 | |
| CN114201968A (zh) | 基于医疗场景结合汉语特征的数据归一处理方法及装置 | |
| CN113761899A (zh) | 一种医疗文本生成方法、装置、设备及存储介质 | |
| GB2503223A (en) | Redrafting text strings using a vocabulary | |
| CN112331307A (zh) | 一种基于ai的智能心理咨询方法、系统、终端以及存储介质 | |
| WO2021114629A1 (zh) | 问答方法、装置、设备及计算机可读存储介质 | |
| CN117520508A (zh) | 医药对话答案生成方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |