CN115714030A - 一种基于疼痛感知和主动交互的医疗问答系统及方法 - Google Patents
一种基于疼痛感知和主动交互的医疗问答系统及方法 Download PDFInfo
- Publication number
- CN115714030A CN115714030A CN202211395530.1A CN202211395530A CN115714030A CN 115714030 A CN115714030 A CN 115714030A CN 202211395530 A CN202211395530 A CN 202211395530A CN 115714030 A CN115714030 A CN 115714030A
- Authority
- CN
- China
- Prior art keywords
- intention
- question
- module
- answer
- chatting
- 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
Links
Images
Abstract
本发明属于人机对话技术领域,具体涉及一种基于疼痛感知和主动交互的医疗问答系统及方法;包括:闲聊意图模块、疼痛意图感知模块、问答对模块、多轮问答模块、知识图谱问答模块和人机交互模块;闲聊意图模块用于识别用户的闲聊意图,根据闲聊意图识别结果进行闲聊或启动疼痛感知模块;疼痛意图感知模块用于识别用户的诊断意图并计算置信度,根据置信度启动问答对模块或多轮问答模块;问答对模块用于向用户返回问题答案;多轮对话模块用于对用户输入信息进行实体识别并启动知识图谱问答模块;知识图谱问答模块用于根据识别结果查询实体,得到查询结果,根据查询结果向用户返回问题答案或启动问答对模块;人机交互模块用于与用户进行人机交互。
Description
技术领域
本发明属于人机对话技术领域,具体涉及一种基于疼痛感知和主动交互的医疗问答系统及方法。
背景技术
现有的问答系统中,问答系统大致可以分为三种类型,即基于问答对的问答系统、基于生成的问答系统和基于知识库的问答系统。基于问答对的问答系统,它的问答技术也存在一个缺陷,就是答案中一定至少包含一个用户问句中含有的字或者词,若没有则不能返回给用户正确的答案,但是人类语言有着天然的复杂性,该方式并不能从深层上理解用户的语言;基于生成的问答系统则适合开放领域的对话系统,但是由于医学领域的问答系统属于某一特定领域,并不适合用这种方式;对于基于知识库的问答系统适合构建某一特定领域的问答系统,而且不能保证知识库考虑到该领域的所有知识。针对医疗领域的对话场景针对以上问题,在问答系统的设计方面运用了基于知识库和基于问答对相结合的问答系统,既保证了问答系统能充分理解用户的意图又能返回比较准确的答案。
在传统医疗问答系统中,很少有进行人机交互的。通常是用户在咨询完相关信息后系统就不会再进行对话。并且在传统的人机交互中用户通常是直接就开始与机器进行交互,这样一来用户通常是通过键盘或鼠标等外设来将自己的命令传递给机器人,而这种人机方式操作复杂,效率低下,对于没有使用经验的用户来说,这种传统的人机交互方式成为了用户与机器人进行沟通的障碍。
发明内容
针对现有技术存在的不足,本发明提出了一种基于疼痛感知和主动交互的医疗问答系统及方法,该系统包括:闲聊意图模块、疼痛意图感知模块、问答对模块、多轮问答模块、知识图谱问答模块和人机交互模块;
所述闲聊意图模块用于根据用户输入信息识别用户的意图,若识别结果为闲聊意图语句,则根据闲聊意图语句向用户返回闲聊回答,否则,将非闲聊意图语句发送给疼痛意图感知模块;
所述疼痛意图感知模块用于对非闲聊意图语句进行疾病意图识别和疼痛感知,若识别到疼痛意图,则生成疼痛意图信息并将疼痛意图信息发送给人机交互模块;计算非闲聊意图语句的疾病意图置信度,将置信度低的非闲聊意图语句发送给问答对模块,将置信度高的非闲聊意图语句发送给多轮对话模块;
所述多轮对话模块用于对置信度高的非闲聊意图语句进行疾病实体识别,得到识别结果;将识别结果发送给知识图谱问答模块;
所述知识图谱问答模块用于根据识别结果进行知识查询,得到查询结果,判断查询结果是否存在与疾病相关的信息,若存在,根据查询结果生成答案并将答案返回给用户,否则,将查询结果发送给问答对模块;
所述问答对模块根据非闲聊意图语句或查询结果向用户返回答案;
所述人机交互模块用于根据用户历史输入信息和疼痛意图信息与用户进行人机交互。
优选的,问答对模块根据非闲聊意图语句或查询结果从问答对数据库中检索答案并将其返回给用户。
优选的,闲聊意图模块根据闲聊意图语句从闲聊意图问答数据库中寻找闲聊回答,并将闲聊回答返回给用户。
优选的,疼痛意图感知模块将非闲聊意图语句输入到问题分类模型中,问题分类模型的输出为疼痛意图识别结果;问题分类模型以与疾病相关的意图识别数据集作为训练数据,采用深度学习的方法训练得到。
进一步的,问题分类模型为Bert+TextCNN模型,该模型的训练过程包括:
获取疾病相关的意图识别数据集和对应的标签,将标签语义化,得到标签名称嵌入;
将标签名字嵌入和原标签结合共同表示数据的标签;
将数据集和对应的标签输入到Bert模型中,对Bert模型的输出进行特征提取,得到CLS特征和token特征;
将提取到的特征输入到TextCNN模型中,得到CNN特征;将CNN特征和CLS特征拼接;
将拼接后的特征输入到一个全连接层中,并使用softmax函数作为激活函数进行多分类,输出分类结果;
采用Sigmoid交叉熵损失对模型进行训练,调整模型参数,得到训练好的Bert+TextCNN模型。
优选的,多轮对话模块使用BiLSTM+CRF模型对置信度高的非闲聊意图语句进行疾病实体识别;对BiLSTM+CRF模型进行训练的过程包括:
获取与疾病相关的实体数据集;
对与疾病相关的实体数据集进行BIO标注,并对实体数据和标注分别编码;
使用词典将编码后的实体数据和标注转化为词向量矩阵,将词向量矩阵作为embedding的输入,得到embedding的输出;
将embedding的输出分别输入到BiLSTM中,得到分数矩阵;将分数矩阵输入到CRF中进行分类判定,得到每个实体的标签预测值。
优选的,多轮对话模块对置信度高的非闲聊意图语句进行疾病实体识别的过程包括:识别非闲聊意图语句的疾病实体,得到识别结果,对识别结果进行槽位继承和槽位填充,得到更新后的识别结果。
优选的,所述知识图谱问答模块从知识图谱中检索与识别结果相关的实体,得到查询结果并根据查询结果生成回答;所述知识图谱采用neo4j图数据库构建。
一种基于疼痛感知和主动交互的医疗问答方法,包括:
S1:对用户的输入信息进行闲聊意图识别,若识别为闲聊意图语句,则向用户返回闲聊回答,否则,进行疾病意图识别和疼痛感知;
S2:若识别出疼痛意图,则生成疼痛意图信息;计算非闲聊意图语句的疾病意图置信度,若置信度低,则根据非闲聊意图语句从问答对数据库中检索答案返回给用户;若置信度高,则对非闲聊意图语句进行疾病实体识别,得到识别结果;
S3:根据识别结果查询知识图谱,得到查询结果,判断查询结果是否存在与疾病相关的信息,若存在,根据查询结果生成答案并将答案返回给用户,否则,根据查询结果从问答对数据库中检索答案返回给用户;
S4:根据疼痛意图信息和用户历史输入信息判断是否满足人机交互条件,若满足,则根据用户历史输入信息进行人机交互。
本发明的有益效果为:
本发明的问答系统充分地结合整个各种问答系统类型的优点,让用户在咨询相关疾病信息的时候不但能获得他们想要的疾病信息,而且能够让机器主动感知人的疼痛,对用户进行主动关怀,从而缓解用户的焦虑;在对话机制上采用了多轮对话机制,该方法使得整个人机交互过程更加有效合理,从而改善了问答系统的用户体验,提高了对话系统的用户粘度。
附图说明
图1为本发明中基于疼痛感知和主动交互的医疗问答系统流程图;
图2为本发明中多轮对话演示过程。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出了一种基于疼痛感知和主动交互的医疗问答系统及方法,如图1所示,所述系统包括:闲聊意图模块、疼痛意图感知模块、问答对模块、多轮问答模块、知识图谱问答模块和人机交互模块;
所述闲聊意图模块用于根据用户输入信息识别用户的意图,若识别结果为闲聊意图语句,则根据闲聊意图语句向用户返回闲聊回答,否则,将非闲聊意图语句发送给疼痛意图感知模块。
闲聊意图模块使用传统的机器学习模型来进行意图的识别,具体的,对用户输入信息使用TF-IDF进行特征提取,TF-IDF(Term Frequency-Inverse Document Frequency,词频-逆向文件频率技术)是一种统计方法,用以评估某一字词对于一个文件集或一个语料库中的其中一份文件的重要程度。字词的重要性随着它在文件中出现的次数成正比增加,但同时会随着它在语料库中出现的频率成反比下降。将提取的特征输入到逻辑回归模型中进行训练,用训练好的逻辑回归模型来识别用户意图,在一些实施例中,逻辑回归常常用于多分类任务中。
将用户输入信息输入机器学习模型中,输出闲聊意图识别结果,若将用户输入信息识别为闲聊意图语句,则从闲聊意图问答数据库中寻找闲聊回答,并将闲聊回答返回给用户;其中,闲聊意图问答数据库中包含大量闲聊语句的回复模板。
所述疼痛意图感知模块用于对非闲聊意图语句进行疾病意图识别和疼痛感知,若识别到疼痛意图,则生成疼痛意图信息并将疼痛意图信息发送给人机交互模块;计算非闲聊意图语句的疾病意图置信度,将置信度低的非闲聊意图语句发送给问答对模块,将置信度高的非闲聊意图语句发送给多轮对话模块。其中,置信度的高低判断可由预设的置信度阈值决定。
为识别非闲聊意图语句是否具有疼痛意图,该疼痛意图感知模块中包括问题分类模型,将非闲聊意图语句输入到问题分类模型中,问题分类模型的输出为疼痛意图识别结果;该问题分类模型以与疾病相关的意图识别数据集作为训练数据,采用深度学习的方法训练得到的;该意图识别的任务是一个多意图检测任务,属于多标签分类范畴,优选的,问题分类模型可以为Bert+TextCNN模型。Bert模型是一个预训练的语言表征模型,是Transformer的双向编码表示,其不仅使用了遮蔽语言模型,还能生成双向语言表征。TextCNN是针对传统的CNN的输入层做了一些变形,其只有一层卷积,一层最大池化层,最后将输出外接softmax来n分类,被广泛用于文本分类任务中。整个模型的训练过程包括:
获取疾病相关的意图识别数据集和对应的标签,将标签语义化,得到标签名称嵌入。
将标签名字嵌入和原标签结合共同表示数据的标签。
传统的多标签任务研究了每个实例同时与一组标签关联的分类问题,并通过与正确标签的置信度来筛选更为合适的标签。本发明为了更好地计算标签实例的关联度,把标签语义化并将标签名称嵌入作为Embedding空间的中心,将其和原本训练实例的标签共同表示每个标签。从而细化了不同类的表示。这允许标签表示在彼此分离的同时能更好地描述类别语义;结合后的标签表示为:
yi ~=α×V(yi)+(1-α)yi
其中,yi ~表示结合后的标签,yi表示用训练示例获得的原型表示即原标签;V(yi)为原标签的标签名称嵌入表示,这里用V(yi)从当原型表示向量的偏转。
将数据集和对应的标签输入到Bert模型中,对Bert模型的输出进行特征提取,得到CLS特征和token特征。
将提取到的特征输入到TextCNN模型中,得到CNN特征;将CNN特征和CLS特征拼接。
将拼接后的特征输入到一个全连接层中,并使用softmax函数作为激活函数进行多分类,输出分类结果即疼痛意图识别结果。
采用Sigmoid交叉熵损失对模型进行训练,调整模型参数,得到训练好的Bert+TextCNN模型;优选的,该损失函数为:
其中,N表示可能标签的数量,f(yi)=f(x,yi,S),S表示训练集,Y*是标准标签集。Ⅱ(.)是一个指标函数,σ表示Sigmoid函数。
由于使用标签号选取阈值的过程是不可区分的,通过上述损失函数对模型进行训练是一个元学习过程,它学习元参数(元阈值、核回归、相似性度量计算),以改进对看不见的任务的非参数学习。
所述多轮对话模块用于对置信度高的非闲聊意图语句进行疾病实体识别,得到识别结果;将识别结果发送给知识图谱问答模块。
如图2所示,多轮对话模块对置信度高的非闲聊意图语句进行疾病实体识别的过程包括:识别非闲聊意图语句的疾病实体,得到识别结果,对识别结果进行槽位继承和槽位填充,得到更新后的识别结果。优选的,识别结果包括意图实体、疾病实体以及识别置信度,若没有识别到疾病实体,则根据上一轮次的识别结果进行对当前识别结果进行曹植继承和曹植填充,得到更新后的识别结果。
多轮对话模块可使用BiLSTM+CRF模型对置信度高的非闲聊意图语句进行疾病实体识别;对BiLSTM+CRF模型(双向长短时记忆模型+条件随机场模型)进行训练的过程包括:
获取与疾病相关的实体数据集;
对与疾病相关的实体数据集进行BIO标注,并对实体数据和标注分别编码;
使用词典将编码后的实体数据和标注转化为词向量矩阵,将词向量矩阵作为embedding的输入,得到embedding的输出;
将embedding的输出分别输入到BiLSTM中,得到分数矩阵;将分数矩阵输入到CRF中进行分类判定,得到每个实体的标签预测值即疾病实体识的识别结果。
该多轮对话模块与知识图谱问答模块、问答对模块配合,实现用户与系统的多轮对话效果。
所述知识图谱问答模块用于根据识别结果进行知识查询,得到查询结果,判断查询结果是否存在与疾病相关的信息,若存在,根据查询结果生成答案并将答案返回给用户,否则,将查询结果发送给问答对模块。
知识图谱问答模块从知识图谱中检索与识别结果相关的实体,得到查询结果并根据查询结果生成回答;该知识图谱采用neo4j图数据库构建,具体的,获取疾病相关的数据集,然后定义好数据集的schema,根据schema对数据集进行关系抽取、实体抽取,并按照一定的策略构建知识图谱。
所述问答对模块根据非闲聊意图语句或查询结果向用户返回答案。具体的,根据非闲聊意图语句或查询结果从问答对数据库中检索答案并将其返回给用户。同时问答对模块还会返回一个置信度,这个置信度反应了问答对模块给出的答案的准确程度,若该置信度比较低则提示用户重新输入正确疾病相关的咨询信息。
所述人机交互模块用于根据用户历史输入信息和疼痛意图信息与用户进行人机交互。用户历史输入信息包括当前对话以及历史的对话记录,人机交互模块根据疼痛意图信息判断是否满足人机交互条件,若满足,则根据用户历史输入信息抽取引荐话题,并以引荐话题为主题与用户进行人机交互,对用户的疼痛达到主动关怀的效果。
本发明还提出了一种基于疼痛感知和主动交互的医疗问答方法,该方法可用于执行上述基于疼痛感知和主动交互的医疗问答系统,包括以下步骤:
S1:对用户的输入信息进行闲聊意图识别,若识别为闲聊意图语句,则向用户返回闲聊回答,否则,进行疾病意图识别和疼痛感知识;
S2:若识别出疼痛意图,则生成疼痛意图信息;计算非闲聊意图语句的疾病意图置信度,若置信度低,则根据非闲聊意图语句从问答对数据库中检索答案返回给用户;若置信度高,则对非闲聊意图语句进行疾病实体识别,得到识别结果;
S3:根据识别结果查询知识图谱,得到查询结果,判断查询结果是否存在与疾病相关的信息,若存在,根据查询结果生成答案并将答案返回给用户,否则,根据查询结果从问答对数据库中检索答案返回给用户;
S4:根据疼痛意图信息和用户历史输入信息判断是否满足人机交互条件,若满足,则根据用户历史输入信息进行人机交互。
需要说明的是,本领域普通技术人员可以理解实现上述方法实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-0nly Memory,ROM)或随机存储记忆体(RandomAccess Memory,RAM)等。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于方法实施例而言,由于其基本相似于系统实施例,所以描述得比较简单,相关之处参见系统实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元及模块可以是或者也可以不是物理上分开的。另外,还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于疼痛感知和主动交互的医疗问答系统,其特征在于,包括:闲聊意图模块、疼痛意图感知模块、问答对模块、多轮问答模块、知识图谱问答模块和人机交互模块;
所述闲聊意图模块用于根据用户输入信息识别用户的意图,若识别结果为闲聊意图语句,则根据闲聊意图语句向用户返回闲聊回答,否则,将非闲聊意图语句发送给疼痛意图感知模块;
所述疼痛意图感知模块用于对非闲聊意图语句进行疾病意图识别和疼痛感知,若识别到疼痛意图,则生成疼痛意图信息并将疼痛意图信息发送给人机交互模块;计算非闲聊意图语句的疾病意图置信度,将置信度低的非闲聊意图语句发送给问答对模块,将置信度高的非闲聊意图语句发送给多轮对话模块;
所述多轮对话模块用于对置信度高的非闲聊意图语句进行疾病实体识别,得到识别结果;将识别结果发送给知识图谱问答模块;
所述知识图谱问答模块用于根据识别结果进行知识查询,得到查询结果,判断查询结果是否存在与疾病相关的信息,若存在,根据查询结果生成答案并将答案返回给用户,否则,将查询结果发送给问答对模块;
所述问答对模块根据非闲聊意图语句或查询结果向用户返回答案;
所述人机交互模块用于根据用户历史输入信息和疼痛意图信息与用户进行人机交互。
2.根据权利要求1所述的一种基于疼痛感知和主动交互的医疗问答系统,其特征在于,所述问答对模块根据非闲聊意图语句或查询结果从问答对数据库中检索答案并将其返回给用户。
3.根据权利要求1所述的一种基于疼痛感知和主动交互的医疗问答系统,其特征在于,所述闲聊意图模块根据闲聊意图语句从闲聊意图问答数据库中寻找闲聊回答,并将闲聊回答返回给用户。
4.根据权利要求1所述的一种基于疼痛感知和主动交互的医疗问答系统,其特征在于,所述疼痛意图感知模块将非闲聊意图语句输入到问题分类模型中,问题分类模型的输出为疼痛意图识别结果;问题分类模型以与疾病相关的意图识别数据集作为训练数据,采用深度学习的方法训练得到。
5.根据权利要求4所述的一种基于疼痛感知和主动交互的医疗问答系统,其特征在于,问题分类模型为Bert+TextCNN模型,该模型的训练过程包括:
获取疾病相关的意图识别数据集和对应的标签,将标签语义化,得到标签名称嵌入;
将标签名字嵌入和原标签结合共同表示数据的标签;
将数据集和对应的标签输入到Bert模型中,对Bert模型的输出进行特征提取,得到CLS特征和token特征;
将提取到的特征输入到TextCNN模型中,得到CNN特征;将CNN特征和CLS特征拼接;
将拼接后的特征输入到一个全连接层中,并使用softmax函数作为激活函数进行多分类,输出分类结果;
采用Sigmoid交叉熵损失对模型进行训练,调整模型参数,得到训练好的Bert+TextCNN模型。
6.根据权利要求1所述的一种基于疼痛感知和主动交互的医疗问答系统,其特征在于,多轮对话模块使用BiLSTM+CRF模型对置信度高的非闲聊意图语句进行疾病实体识别;对BiLSTM+CRF模型进行训练的过程包括:
获取与疾病相关的实体数据集;
对与疾病相关的实体数据集进行BIO标注,并对实体数据和标注分别编码;
使用词典将编码后的实体数据和标注转化为词向量矩阵,将词向量矩阵作为embedding的输入,得到embedding的输出;
将embedding的输出分别输入到BiLSTM中,得到分数矩阵;将分数矩阵输入到CRF中进行分类判定,得到每个实体的标签预测值。
7.根据权利要求1所述的一种基于疼痛感知和主动交互的医疗问答系统,其特征在于,多轮对话模块对置信度高的非闲聊意图语句进行疾病实体识别的过程包括:识别非闲聊意图语句的疾病实体,得到识别结果,对识别结果进行槽位继承和槽位填充,得到更新后的识别结果。
8.根据权利要求1所述的一种基于疼痛感知和主动交互的医疗问答系统,其特征在于,所述知识图谱问答模块从知识图谱中检索与识别结果相关的实体,得到查询结果并根据查询结果生成回答;所述知识图谱采用neo4j图数据库构建。
9.根据权利要求1所述的一种基于疼痛感知和主动交互的医疗问答方法,其特征在于,包括:
S1:对用户的输入信息进行闲聊意图识别,若识别为闲聊意图语句,则向用户返回闲聊回答,否则,进行疾病意图识别和疼痛感知;
S2:若识别出疼痛意图,则生成疼痛意图信息;计算非闲聊意图语句的疾病意图置信度,若置信度低,则根据非闲聊意图语句从问答对数据库中检索答案返回给用户;若置信度高,则对非闲聊意图语句进行疾病实体识别,得到识别结果;
S3:根据识别结果查询知识图谱,得到查询结果,判断查询结果是否存在与疾病相关的信息,若存在,根据查询结果生成答案并将答案返回给用户,否则,根据查询结果从问答对数据库中检索答案返回给用户;
S4:根据疼痛意图信息和用户历史输入信息判断是否满足人机交互条件,若满足,则根据用户历史输入信息进行人机交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395530.1A CN115714030A (zh) | 2022-11-09 | 2022-11-09 | 一种基于疼痛感知和主动交互的医疗问答系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211395530.1A CN115714030A (zh) | 2022-11-09 | 2022-11-09 | 一种基于疼痛感知和主动交互的医疗问答系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115714030A true CN115714030A (zh) | 2023-02-24 |
Family
ID=85232508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211395530.1A Pending CN115714030A (zh) | 2022-11-09 | 2022-11-09 | 一种基于疼痛感知和主动交互的医疗问答系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115714030A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151273A (zh) * | 2023-04-24 | 2023-05-23 | 湖南超能机器人技术有限公司 | 基于Transformer和知识图谱的智能交互方法 |
CN117592489B (zh) * | 2023-11-30 | 2024-05-17 | 北京快牛智营科技有限公司 | 一种利用大语言模型实现电商商品信息交互的方法及系统 |
-
2022
- 2022-11-09 CN CN202211395530.1A patent/CN115714030A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116151273A (zh) * | 2023-04-24 | 2023-05-23 | 湖南超能机器人技术有限公司 | 基于Transformer和知识图谱的智能交互方法 |
CN117592489B (zh) * | 2023-11-30 | 2024-05-17 | 北京快牛智营科技有限公司 | 一种利用大语言模型实现电商商品信息交互的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033068B (zh) | 基于注意力机制的用于阅读理解的方法、装置和电子设备 | |
CN110121706B (zh) | 提供会话中的响应 | |
CN112035636B (zh) | 医疗问诊系统的问答管理方法、装置、设备及存储介质 | |
CN110427461B (zh) | 智能问答信息处理方法、电子设备及计算机可读存储介质 | |
Zhu et al. | Knowledge-based question answering by tree-to-sequence learning | |
Clark et al. | Linguistic Nativism and the Poverty of the Stimulus | |
CN111708873A (zh) | 智能问答方法、装置、计算机设备和存储介质 | |
CN110727779A (zh) | 基于多模型融合的问答方法及系统 | |
CN111128394B (zh) | 医疗文本语义识别方法、装置、电子设备及可读存储介质 | |
Qaffas | Improvement of Chatbots semantics using wit. ai and word sequence kernel: Education Chatbot as a case study | |
CN110188189B (zh) | 一种基于知识的自适应事件索引认知模型提取文档摘要的方法 | |
US20220351716A1 (en) | System and method for a personalized dialogue system using knowledge-based entity services | |
CN113342958B (zh) | 问答匹配方法、文本匹配模型的训练方法和相关设备 | |
CN114281957A (zh) | 自然语言数据查询方法、装置、电子设备及存储介质 | |
CN111858898A (zh) | 基于人工智能的文本处理方法、装置及电子设备 | |
Santhanavijayan et al. | Automatic generation of multiple choice questions for e-assessment | |
CN116541493A (zh) | 基于意图识别的交互应答方法、装置、设备、存储介质 | |
Chandiok et al. | CIT: Integrated cognitive computing and cognitive agent technologies based cognitive architecture for human-like functionality in artificial systems | |
CN115274086A (zh) | 一种智能导诊方法及系统 | |
CN115714030A (zh) | 一种基于疼痛感知和主动交互的医疗问答系统及方法 | |
CN108959467B (zh) | 一种基于强化学习的问句和答案句相关度的计算方法 | |
CN117009456A (zh) | 医疗查询文本的处理方法、装置、设备、介质和电子产品 | |
CN116226320A (zh) | 一种预测下文信息的方法、装置、电子设备及存储介质 | |
CN115129866A (zh) | 训练文本生成方法、模型训练方法、装置及电子设备 | |
CN114510561A (zh) | 答案选择方法、装置、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 |