CN116431810A - 剪枝范式的病症片段抽取方法、装置、设备及存储介质 - Google Patents
剪枝范式的病症片段抽取方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116431810A CN116431810A CN202310415603.7A CN202310415603A CN116431810A CN 116431810 A CN116431810 A CN 116431810A CN 202310415603 A CN202310415603 A CN 202310415603A CN 116431810 A CN116431810 A CN 116431810A
- Authority
- CN
- China
- Prior art keywords
- sequence
- target
- text
- initial
- feature
- 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
- 238000013138 pruning Methods 0.000 title claims abstract description 60
- 238000000605 extraction Methods 0.000 title claims abstract description 44
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 49
- 239000012634 fragment Substances 0.000 claims abstract description 36
- 208000024891 symptom Diseases 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 172
- 230000004927 fusion Effects 0.000 claims description 75
- 238000000034 method Methods 0.000 claims description 39
- 238000004458 analytical method Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 201000010099 disease Diseases 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000011324 bead Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002700 urine Anatomy 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
- 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
- G06F16/353—Clustering; Classification into predefined classes
-
- 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
- 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
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3346—Query execution using probabilistic model
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/90—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to alternative medicines, e.g. homeopathy or oriental medicines
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Alternative & Traditional Medicine (AREA)
- Pharmacology & Pharmacy (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种剪枝范式的病症片段抽取方法,包括:对患者的对话文本进行特征抽取,得到文本特征序列;提取出文本特征序列对应的起始特征,对起止特征进行归一化,并构建文本特征序列的起止概率分布;根据起始概率分布序列以及结束概率分布序列建立文本特征序列的起止分布组合;利用预设的组合剪枝算法对起止分布组合进行剪枝操作,得到目标片段组合,并将目标片段组合所对应的文本作为病症片段。此外,本发明还涉及区块链技术,对话文本可存储于区块链的节点。本发明还提出一种剪枝范式的病症片段抽取装置、电子设备以及存储介质。本发明可以提高病症片段抽取的精确度。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种剪枝范式的病症片段抽取方法、装置、电子设备及计算机可读存储介质。
背景技术
随着人工智能的发展,机器学习技术在医疗领域成功落地的应用场景越来越多,在中医问诊过程中,需要获取患者的对话信息,根据对话信息进行病症分析,而门诊专家们的知识库中多为病症的专业名词,因此需要利用人工智能技术提取患者对话信息中的口语化病症片段信息,将其转化为专业名词以供医师进行参考。
现有的病症片段提取技术多为单一特征的病症片段抽取,例如,基于阅读理解的问答任务,实际应用中,一次对话信息可能包含多种病症特征,仅考虑单一病症信息提取,可能对导致抽取结果不够精确,影响医生进行病症判断,从而导致进行病症片段抽取时的精确度较低。
发明内容
本发明提供一种剪枝范式的病症片段抽取方法、装置及计算机可读存储介质,其主要目的在于解决进行病症片段抽取时的精确度较低的问题。
为实现上述目的,本发明提供的一种剪枝范式的病症片段抽取方法,包括:
获取患者的对话文本,利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列;
利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,对所述起始特征进行归一化,并利用归一化后的起始特征构建所述文本特征序列的起始概率分布序列;
利用联合训练后的结束分析模型提取出所述文本特征序列对应的结束特征,对所述结束特征进行归一化,并利用归一化后的结束特征构建所述文本特征序列的结束概率分布序列;
根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合;
利用预设的组合剪枝算法对所述起止分布组合进行剪枝操作,得到目标片段组合,并将所述目标片段组合所对应的文本作为病症片段。
可选地,所述利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列,包括:
对所述对话文本进行文本分词,得到对话词语序列;
按照从前到后的顺序将所述对话词语序列中的对话词语转化成词向量,得到对话词向量序列;
逐个选取所述对话词向量序列中的对话词向量作为目标词向量,为所述目标词向量添加位置向量,得到标准词向量序列;
利用所述融合特征模型的多头注意力机制对所述标准词向量序列进行转化,得到隐向量序列;
利用所述融合特征模型的融合层对所述隐向量序列进行特征融合,得到文本特征序列。
可选地,所述利用所述融合特征模型的多头注意力机制对所述标准词向量序列进行转化,得到隐向量序列,包括:
逐个选取所述标准词向量序列中的标准词向量作为目标标准词向量,利用所述目标标准词向量分别生成目标问题向量、目标关键词向量以及目标信息词向量;
将所述目标问题词向量与所述目标关键词向量进行叉乘运算,得到目标叉乘矩阵,对所述目标叉乘矩阵进行降维处理,得到目标叉乘向量;
将所述目标叉乘向量与所述目标信息词向量进行点乘运算,得到标准词向量权重,对所述标准词向量权重进行归一化处理,得到目标词向量权重;
利用所述多头注意力机制根据所述目标词向量权重与所述目标标准词向量生成目标隐向量,将所有的所述目标隐向量汇集成所述隐向量序列。
可选地,所述利用所述融合特征模型的融合层对所述隐向量序列进行特征融合,得到文本特征序列,包括:
将所述隐向量序列与所述标准词向量序列相加成融合向量序列,利用所述融合层的归一化函数对所述融合向量序列进行归一化,得到初级融合序列;
利用所述融合层的前馈网络对所述初级融合序列进行前馈传播,得到次级融合序列;
将所述初级融合序列与所述次级融合序列相加成标准融合序列,利用所述融合层的归一化函数对所述标准融合序列进行归一化,得到文本特征序列。
可选地,所述利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,包括:
逐个选取所述文本特征序列中的文本特征向量作为目标特征向量,利用所述起始分析模型的起始连接网络对所述目标特征向量进行起始预测,得到起始特征向量;
将所有的起始特征向量按照所述文本特征序列的序列顺序进行拼接,得到所述文本特征序列对应的起始特征。
可选地,所述利用归一化后的起始特征构建所述文本特征序列的起始概率分布序列,包括:
逐个选取所述文本特征序列中的文本特征向量所对应的起始特征作为目标起始特征,将目标起始特征归一化后的数值作为所述文本特征向量的起始概率;
将所有的所述文本特征向量的起始概率按照所述文本特征序列的顺序汇集成所述起始概率分布序列。
可选地,所述根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合,包括:
逐个选取所述对话词语序列中的对话词语作为目标起始词语,从所述目标文本特征序列中选取所述目标起始词语对应的文本特征向量作为目标起始向量,从所述起始概率分布序列中提取出所述目标起始向量所对应的起始概率作为目标起始概率;
逐个选取所述对话词语序列中位于所述目标起始词语之后的对话词语作为目标结束词语,从所述目标文本特征序列中选取所述目标结束词语对应的文本特征向量作为目标结束向量,从所述结束概率分布序列中提取出所述目标结束序列所对应的结束概率作为目标结束概率;
将所述对话文本中的从所述目标起始词语开始至所述目标结束词语结束的文本片段作为目标起止片段,将所述目标起始概率乘以所述目标结束概率得到的概率值作为所述目标起止片段的分布概率,将所有的所述目标起止片段以及所述目标起止片段对应的分布概率汇集成所述起止分布组合。
为了解决上述问题,本发明还提供一种剪枝范式的病症片段抽取装置,所述装置包括:
特征提取模块,用于获取患者的对话文本,利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列;
起始预测模块,用于利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,对所述起始特征进行归一化,并利用归一化后的起始特征构建所述文本特征序列的起始概率分布序列;
结束预测模块,用于利用联合训练后的结束分析模型提取出所述文本特征序列对应的结束特征,对所述结束特征进行归一化,并利用归一化后的结束特征构建所述文本特征序列的结束概率分布序列;
起止组合模块,用于根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合;
片段抽取模块,用于利用预设的组合剪枝算法对所述起止分布组合进行剪枝操作,得到目标片段组合,并将所述目标片段组合所对应的文本作为病症片段。
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:
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上述所述的剪枝范式的病症片段抽取方法。
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剪枝范式的病症片段抽取方法。
本发明实施例通过利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列,能够提取出文本特征,为后续的起止位置预测奠定了基础,通过利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,能够对确定所述对话文本中每个词语的起始特征,进而确定所述对话文本中每个词语的起始概率,提高了后续病症片段提取的准确性,利用联合训练后的结束分析模型提取出所述文本特征序列对应的结束特征,能够对确定所述对话文本中每个词语的结束特征,进而确定所述对话文本中每个词语的结束概率,提高了后续病症片段提取的准确性,通过根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合,能够将所述对话文本且分为多个对话片段,并得到所述对话片段对应的分布概率,进而方便后续通过所述分布概率提取出可能性大的对话片段作为病症片段,通过利用预设的组合剪枝算法对所述起止分布组合进行剪枝操作,得到目标片段组合,可以从有无包含标点符号、信息是否明显以及病症概率可能性等三方面进一步去除所述起止分布组合中不符合病症片段特征的起止片段,从而提高所述病症片段提取的准确性。因此本发明提出的剪枝范式的病症片段抽取方法、装置、电子设备及计算机可读存储介质,可以解决进行病症片段抽取时的精确度较低的问题。
附图说明
图1为本发明一实施例提供的剪枝范式的病症片段抽取方法的流程示意图;
图2为本发明一实施例提供的抽取对话文本的文本特征的流程示意图;
图3为本发明一实施例提供的生成文本特征序列的流程示意图;
图4为本发明一实施例提供的剪枝范式的病症片段抽取装置的功能模块图;
图5为本发明一实施例提供的实现所述剪枝范式的病症片段抽取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。
本申请实施例提供一种剪枝范式的病症片段抽取方法。所述剪枝范式的病症片段抽取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申请实施例提供的该方法的电子设备中的至少一种。换言之,所述剪枝范式的病症片段抽取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剪枝范式的病症片段抽取方法的流程示意图。在本实施例中,所述剪枝范式的病症片段抽取方法包括:
S1、获取患者的对话文本,利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列;
本发明实施例中,所述对话文本是指存储在数据库、云端服务器或区块链等数据存储介质中的患者与医生的问诊对话文本记录。
本发明实施例中,参照图2所示,所述利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列,包括:
S21、对所述对话文本进行文本分词,得到对话词语序列;
S22、按照从前到后的顺序将所述对话词语序列中的对话词语转化成词向量,得到对话词向量序列;
S23、逐个选取所述对话词向量序列中的对话词向量作为目标词向量,为所述目标词向量添加位置向量,得到标准词向量序列;
S24、利用所述融合特征模型的多头注意力机制对所述标准词向量序列进行转化,得到隐向量序列;
S25、利用所述融合特征模型的融合层对所述隐向量序列进行特征融合,得到文本特征序列。
具体地,可以利用双向最大匹配算法或者jieba工具对所述对话文本进行文本分词,得到对话词语序列。
详细地,可以利用word2vec模型或分布式编码模型(GloVe,Global Vectors forWord Representation)的方式按照从前到后的顺序将所述对话词语序列中的对话词语转化成词向量,得到对话词向量序列。
详细地,所述位置向量是标注了所述目标词语向量所在位置关系的向量。
详细地,所述多头注意力机制是指transformer模型的Multi-Head Attention。
详细地,所述利用所述融合特征模型的多头注意力机制对所述标准词向量序列进行转化,得到隐向量序列,包括:逐个选取所述标准词向量序列中的标准词向量作为目标标准词向量,利用所述目标标准词向量分别生成目标问题向量、目标关键词向量以及目标信息词向量;将所述目标问题词向量与所述目标关键词向量进行叉乘运算,得到目标叉乘矩阵,对所述目标叉乘矩阵进行降维处理,得到目标叉乘向量;将所述目标叉乘向量与所述目标信息词向量进行点乘运算,得到标准词向量权重,对所述标准词向量权重进行归一化处理,得到目标词向量权重;利用所述多头注意力机制根据所述目标词向量权重与所述目标标准词向量生成目标隐向量,将所有的所述目标隐向量汇集成所述隐向量序列。
详细地,所述利用所述目标标准词向量分别生成目标问题向量、目标关键词向量以及目标信息词向量是指将所述目标标准词向量乘以问题权重,得到所述目标问题词向量,将所述目标标准词向量乘以关键权重,得到所述目标关键词向量,将所述目标标准词向量乘以信息权重,得到所述目标信息词向量。
具体地,所述对所述目标叉乘矩阵进行降维处理,是指将所述目标叉乘矩阵除以所述目标关键词向量的长度。
详细地,可以通过softmax函数对所述标准词向量权重进行归一化处理。
具体地,所述融合层可以是LayerNorm层或者BatchNorm层。
具体地,参照图3所示,所述利用所述融合特征模型的融合层对所述隐向量序列进行特征融合,得到文本特征序列,包括:
S31、将所述隐向量序列与所述标准词向量序列相加成融合向量序列,利用所述融合层的归一化函数对所述融合向量序列进行归一化,得到初级融合序列;
S32、利用所述融合层的前馈网络对所述初级融合序列进行前馈传播,得到次级融合序列;
S33、将所述初级融合序列与所述次级融合序列相加成标准融合序列,利用所述融合层的归一化函数对所述标准融合序列进行归一化,得到文本特征序列。
详细地,所述归一化函数可以是softmax函数或normalized函数。
具体地,所述前馈网络是指(FNN,Feedforward Neural Network),它是一种最简单的神经网络,各神经元分层排列,每个神经元只与前一层的神经元相连,接收前一层的输出,并输出给下一层,各层间没有反馈,是应用最广泛、发展最迅速的人工神经网络之一。
本发明实施例中,通过利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列,能够提取出文本特征,为后续的起止位置预测奠定了基础。
S2、利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,对所述起始特征进行归一化,并利用归一化后的起始特征构建所述文本特征序列的起始概率分布序列;
本发明实施例中,所述联合训练后的起始分析模型是指与所述结束分析模型进行联合训练后的起始分析模型。
本发明实施例中,所述利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,包括:逐个选取所述文本特征序列中的文本特征向量作为目标特征向量,利用所述起始分析模型的起始连接网络对所述目标特征向量进行起始预测,得到起始特征向量;将所有的起始特征向量按照所述文本特征序列的序列顺序进行拼接,得到所述文本特征序列对应的起始特征。
具体地,所述起始连接网络是由两个训练后的全连接网络构成的神经网络。
详细地,所述对所述起始特征进行归一化的方法与上述步骤S1中的对所述标准词向量权重进行归一化处理的方法一致,这里不再赘述。
具体地,所述利用归一化后的起始特征构建所述文本特征序列的起始概率分布序列,包括:逐个选取所述文本特征序列中的文本特征向量所对应的起始特征作为目标起始特征,将目标起始特征归一化后的数值作为所述文本特征向量的起始概率;将所有的所述文本特征向量的起始概率按照所述文本特征序列的顺序汇集成所述起始概率分布序列。
本发明实施例中,通过利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,能够对确定所述对话文本中每个词语的起始特征,进而确定所述对话文本中每个词语的起始概率,提高了后续病症片段提取的准确性。
S3、利用联合训练后的结束分析模型提取出所述文本特征序列对应的结束特征,对所述结束特征进行归一化,并利用归一化后的结束特征构建所述文本特征序列的结束概率分布序列;
本发明实施例中,所述利用联合训练后的结束分析模型提取出所述文本特征序列对应的结束特征的方法与上述步骤S2中的所述利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征的方法一致,这里不再赘述。
详细地,所述对所述结束特征进行归一化,并利用归一化后的结束特征构建所述文本特征序列的结束概率分布序列的方法与上述步骤S2中的所述对所述起始特征进行归一化,并利用归一化后的起始特征构建所述文本特征序列的起始概率分布序列的方法一致,这里不再赘述。
本发明实施例中,利用联合训练后的结束分析模型提取出所述文本特征序列对应的结束特征,能够对确定所述对话文本中每个词语的结束特征,进而确定所述对话文本中每个词语的结束概率,提高了后续病症片段提取的准确性。
S4、根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合;
本发明实施例中,所述根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合,包括:逐个选取所述对话词语序列中的对话词语作为目标起始词语,从所述目标文本特征序列中选取所述目标起始词语对应的文本特征向量作为目标起始向量,从所述起始概率分布序列中提取出所述目标起始向量所对应的起始概率作为目标起始概率;逐个选取所述对话词语序列中位于所述目标起始词语之后的对话词语作为目标结束词语,从所述目标文本特征序列中选取所述目标结束词语对应的文本特征向量作为目标结束向量,从所述结束概率分布序列中提取出所述目标结束序列所对应的结束概率作为目标结束概率;将所述对话文本中的从所述目标起始词语开始至所述目标结束词语结束的文本片段作为目标起止片段,将所述目标起始概率乘以所述目标结束概率得到的概率值作为所述目标起止片段的分布概率,将所有的所述目标起止片段以及所述目标起止片段对应的分布概率汇集成所述起止分布组合。
详细地,所述将所述对话文本中从所述目标起始词语开始至所述目标结束词语结束的文本片段作为目标起止片段,例如,对话文本为“医生您好,今早突然发现尿液发黄,眼睛眼珠外白色部分也有点黄比平时。”,目标起始词语为“医生”,目标结束词语为“今”,则所述目标起止片段为“医生您好,今”。
本发明实施例中,通过根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合,能够将所述对话文本且分为多个对话片段,并得到所述对话片段对应的分布概率,进而方便后续通过所述分布概率提取出可能性大的对话片段作为病症片段。
S5、利用预设的组合剪枝算法对所述起止分布组合进行剪枝操作,得到目标片段组合,并将所述目标片段组合所对应的文本作为病症片段。
本发明实施例中,所述利用预设的组合剪枝算法对所述起止分布组合进行剪枝操作,得到目标片段组合,包括:逐个选取所述起止分布组合中的起止片段作为目标分布片段,判断所述目标分布片段中是否包含第一预设字符;当所述目标分布片段中包含所述第一预设字符时,将所述目标分布片段从所述起止分布组合中删除,并返回逐个选取所述起止分布组合中的起止片段作为目标分布片段的步骤;当所述目标分布片段中不包含所述第一预设字符时,去除所述目标分布片段中的第二预设字符,得到标准分布片段,并判断所述标准分布片段中的字符数量是否大于预设的数量阈值;当所述标准分布片段中的字符数量小于或等于所述数量阈值时,将所述标准分布片段所对应的起止片段从所述起止分布组合中删除,并返回逐个选取所述起止分布组合中的起止片段作为目标分布片段的步骤;当所述标准分布片段中的字符数量大于所述数量阈值时,判断所述标准分布片段所对应的分布概率是否大于预设的概率阈值;当所述标准分布片段所对应的分布概率小于或等于所述概率阈值时,将所述标准分布片段所对应的起止片段从所述起止分布组合中删除,并返回逐个选取所述起止分布组合中的起止片段作为目标分布片段的步骤;当所述标准分布片段所对应的分布概率大于所述概率阈值时,将所述标准分布片段所对应的起止片段添加至所述目标片段组合中。
详细地,所述第一预设字符可以是“,”,“。”等标点符号字符。
具体地,所述第二预设字符可以是副词、虚词等词语字符。
具体地,所述数量阈值可以是1或者1.5。
详细地,所述分布概率可以是0.5或0.6。
本发明实施例中,通过利用预设的组合剪枝算法对所述起止分布组合进行剪枝操作,得到目标片段组合,可以从有无包含标点符号、信息是否明显以及病症概率可能性等三方面进一步去除所述起止分布组合中不符合病症片段特征的起止片段,从而提高所述病症片段提取的准确性。
本发明实施例通过利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列,能够提取出文本特征,为后续的起止位置预测奠定了基础,通过利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,能够对确定所述对话文本中每个词语的起始特征,进而确定所述对话文本中每个词语的起始概率,提高了后续病症片段提取的准确性,利用联合训练后的结束分析模型提取出所述文本特征序列对应的结束特征,能够对确定所述对话文本中每个词语的结束特征,进而确定所述对话文本中每个词语的结束概率,提高了后续病症片段提取的准确性,通过根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合,能够将所述对话文本且分为多个对话片段,并得到所述对话片段对应的分布概率,进而方便后续通过所述分布概率提取出可能性大的对话片段作为病症片段,通过利用预设的组合剪枝算法对所述起止分布组合进行剪枝操作,得到目标片段组合,可以从有无包含标点符号、信息是否明显以及病症概率可能性等三方面进一步去除所述起止分布组合中不符合病症片段特征的起止片段,从而提高所述病症片段提取的准确性。因此本发明提出的剪枝范式的病症片段抽取方法,可以解决进行病症片段抽取时的精确度较低的问题。
如图4所示,是本发明一实施例提供的剪枝范式的病症片段抽取装置的功能模块图。
本发明所述剪枝范式的病症片段抽取装置100可以安装于电子设备中。根据实现的功能,所述剪枝范式的病症片段抽取装置100可以包括特征提取模块101、起始预测模块102、结束预测模块103、起止组合模块104及片段抽取模块105。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:
所述特征提取模块101,用于获取患者的对话文本,利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列;
所述起始预测模块102,用于利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,对所述起始特征进行归一化,并利用归一化后的起始特征构建所述文本特征序列的起始概率分布序列;
所述结束预测模块103,用于利用联合训练后的结束分析模型提取出所述文本特征序列对应的结束特征,对所述结束特征进行归一化,并利用归一化后的结束特征构建所述文本特征序列的结束概率分布序列;
所述起止组合模块104,用于根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合;
所述片段抽取模块105,用于利用预设的组合剪枝算法对所述起止分布组合进行剪枝操作,得到目标片段组合,并将所述目标片段组合所对应的文本作为病症片段。
详细地,本发明实施例中所述剪枝范式的病症片段抽取装置100中所述的各模块在使用时采用与上述图1至图3中所述的剪枝范式的病症片段抽取方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明一实施例提供的实现剪枝范式的病症片段抽取方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信总线12以及通信接口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,如剪枝范式的病症片段抽取程序。
其中,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(ControlUnit),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(例如执行剪枝范式的病症片段抽取程序等),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(Secure Digital,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,例如剪枝范式的病症片段抽取程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线12可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线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。
所述通信接口13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。
图中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,图中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。
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1中的所述存储器11存储的剪枝范式的病症片段抽取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:
获取患者的对话文本,利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列;
利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,对所述起始特征进行归一化,并利用归一化后的起始特征构建所述文本特征序列的起始概率分布序列;
利用联合训练后的结束分析模型提取出所述文本特征序列对应的结束特征,对所述结束特征进行归一化,并利用归一化后的结束特征构建所述文本特征序列的结束概率分布序列;
根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合;
利用预设的组合剪枝算法对所述起止分布组合进行剪枝操作,得到目标片段组合,并将所述目标片段组合所对应的文本作为病症片段。
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1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:
获取患者的对话文本,利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列;
利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,对所述起始特征进行归一化,并利用归一化后的起始特征构建所述文本特征序列的起始概率分布序列;
利用联合训练后的结束分析模型提取出所述文本特征序列对应的结束特征,对所述结束特征进行归一化,并利用归一化后的结束特征构建所述文本特征序列的结束概率分布序列;
根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合;
利用预设的组合剪枝算法对所述起止分布组合进行剪枝操作,得到目标片段组合,并将所述目标片段组合所对应的文本作为病症片段。
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。
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。第一、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)
1.一种剪枝范式的病症片段抽取方法,其特征在于,所述方法包括:
获取患者的对话文本,利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列;
利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,对所述起始特征进行归一化,并利用归一化后的起始特征构建所述文本特征序列的起始概率分布序列;
利用联合训练后的结束分析模型提取出所述文本特征序列对应的结束特征,对所述结束特征进行归一化,并利用归一化后的结束特征构建所述文本特征序列的结束概率分布序列;
根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合;
利用预设的组合剪枝算法对所述起止分布组合进行剪枝操作,得到目标片段组合,并将所述目标片段组合所对应的文本作为病症片段。
2.如权利要求1所述的剪枝范式的病症片段抽取方法,其特征在于,所述利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列,包括:
对所述对话文本进行文本分词,得到对话词语序列;
按照从前到后的顺序将所述对话词语序列中的对话词语转化成词向量,得到对话词向量序列;
逐个选取所述对话词向量序列中的对话词向量作为目标词向量,为所述目标词向量添加位置向量,得到标准词向量序列;
利用所述融合特征模型的多头注意力机制对所述标准词向量序列进行转化,得到隐向量序列;
利用所述融合特征模型的融合层对所述隐向量序列进行特征融合,得到文本特征序列。
3.如权利要求2所述的剪枝范式的病症片段抽取方法,其特征在于,所述利用所述融合特征模型的多头注意力机制对所述标准词向量序列进行转化,得到隐向量序列,包括:
逐个选取所述标准词向量序列中的标准词向量作为目标标准词向量,利用所述目标标准词向量分别生成目标问题向量、目标关键词向量以及目标信息词向量;
将所述目标问题词向量与所述目标关键词向量进行叉乘运算,得到目标叉乘矩阵,对所述目标叉乘矩阵进行降维处理,得到目标叉乘向量;
将所述目标叉乘向量与所述目标信息词向量进行点乘运算,得到标准词向量权重,对所述标准词向量权重进行归一化处理,得到目标词向量权重;
利用所述多头注意力机制根据所述目标词向量权重与所述目标标准词向量生成目标隐向量,将所有的所述目标隐向量汇集成所述隐向量序列。
4.如权利要求2所述的剪枝范式的病症片段抽取方法,其特征在于,所述利用所述融合特征模型的融合层对所述隐向量序列进行特征融合,得到文本特征序列,包括:
将所述隐向量序列与所述标准词向量序列相加成融合向量序列,利用所述融合层的归一化函数对所述融合向量序列进行归一化,得到初级融合序列;
利用所述融合层的前馈网络对所述初级融合序列进行前馈传播,得到次级融合序列;
将所述初级融合序列与所述次级融合序列相加成标准融合序列,利用所述融合层的归一化函数对所述标准融合序列进行归一化,得到文本特征序列。
5.如权利要求1所述的剪枝范式的病症片段抽取方法,其特征在于,所述利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,包括:
逐个选取所述文本特征序列中的文本特征向量作为目标特征向量,利用所述起始分析模型的起始连接网络对所述目标特征向量进行起始预测,得到起始特征向量;
将所有的起始特征向量按照所述文本特征序列的序列顺序进行拼接,得到所述文本特征序列对应的起始特征。
6.如权利要求1所述的剪枝范式的病症片段抽取方法,其特征在于,所述利用归一化后的起始特征构建所述文本特征序列的起始概率分布序列,包括:
逐个选取所述文本特征序列中的文本特征向量所对应的起始特征作为目标起始特征,将目标起始特征归一化后的数值作为所述文本特征向量的起始概率;
将所有的所述文本特征向量的起始概率按照所述文本特征序列的顺序汇集成所述起始概率分布序列。
7.如权利要求2所述的剪枝范式的病症片段抽取方法,其特征在于,所述根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合,包括:
逐个选取所述对话词语序列中的对话词语作为目标起始词语,从所述目标文本特征序列中选取所述目标起始词语对应的文本特征向量作为目标起始向量,从所述起始概率分布序列中提取出所述目标起始向量所对应的起始概率作为目标起始概率;
逐个选取所述对话词语序列中位于所述目标起始词语之后的对话词语作为目标结束词语,从所述目标文本特征序列中选取所述目标结束词语对应的文本特征向量作为目标结束向量,从所述结束概率分布序列中提取出所述目标结束序列所对应的结束概率作为目标结束概率;
将所述对话文本中的从所述目标起始词语开始至所述目标结束词语结束的文本片段作为目标起止片段,将所述目标起始概率乘以所述目标结束概率得到的概率值作为所述目标起止片段的分布概率,将所有的所述目标起止片段以及所述目标起止片段对应的分布概率汇集成所述起止分布组合。
8.一种剪枝范式的病症片段抽取装置,其特征在于,所述装置包括:
特征提取模块,用于获取患者的对话文本,利用预设的融合特征模型对所述对话文本进行特征抽取,得到文本特征序列;
起始预测模块,用于利用联合训练后的起始分析模型提取出所述文本特征序列对应的起始特征,对所述起始特征进行归一化,并利用归一化后的起始特征构建所述文本特征序列的起始概率分布序列;
结束预测模块,用于利用联合训练后的结束分析模型提取出所述文本特征序列对应的结束特征,对所述结束特征进行归一化,并利用归一化后的结束特征构建所述文本特征序列的结束概率分布序列;
起止组合模块,用于根据所述起始概率分布序列以及所述结束概率分布序列建立所述文本特征序列的起止分布组合;
片段抽取模块,用于利用预设的组合剪枝算法对所述起止分布组合进行剪枝操作,得到目标片段组合,并将所述目标片段组合所对应的文本作为病症片段。
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中任意一项所述的剪枝范式的病症片段抽取方法。
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中任意一项所述的剪枝范式的病症片段抽取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310415603.7A CN116431810A (zh) | 2023-04-12 | 2023-04-12 | 剪枝范式的病症片段抽取方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310415603.7A CN116431810A (zh) | 2023-04-12 | 2023-04-12 | 剪枝范式的病症片段抽取方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116431810A true CN116431810A (zh) | 2023-07-14 |
Family
ID=87088760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310415603.7A Pending CN116431810A (zh) | 2023-04-12 | 2023-04-12 | 剪枝范式的病症片段抽取方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116431810A (zh) |
-
2023
- 2023-04-12 CN CN202310415603.7A patent/CN116431810A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112988963B (zh) | 基于多流程节点的用户意图预测方法、装置、设备及介质 | |
CN114822812A (zh) | 角色对话模拟方法、装置、设备及存储介质 | |
CN113378970B (zh) | 语句相似性检测方法、装置、电子设备及存储介质 | |
CN113360654B (zh) | 文本分类方法、装置、电子设备及可读存储介质 | |
CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
CN116681082A (zh) | 离散文本语义分段方法、装置、设备及存储介质 | |
CN113344125B (zh) | 长文本匹配识别方法、装置、电子设备及存储介质 | |
CN114840684A (zh) | 基于医疗实体的图谱构建方法、装置、设备及存储介质 | |
CN113918704A (zh) | 基于机器学习的问答方法、装置、电子设备及介质 | |
CN116450829A (zh) | 医疗文本分类方法、装置、设备及介质 | |
CN116737933A (zh) | 文本分类方法、装置、电子设备及计算机可读存储介质 | |
CN116383766A (zh) | 基于多模态数据的辅诊方法、装置、设备及存储介质 | |
CN116720525A (zh) | 基于问诊数据的疾病辅助分析方法、装置、设备及介质 | |
CN116578696A (zh) | 文本摘要生成方法、装置、设备及存储介质 | |
CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
CN116483976A (zh) | 挂号科室推荐方法、装置、设备及存储介质 | |
CN116525053A (zh) | 病患报告生成方法、装置、电子设备及介质 | |
CN116341646A (zh) | Bert模型的预训练方法、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 | |
CN114610854A (zh) | 智能问答方法、装置、设备及存储介质 | |
CN116431810A (zh) | 剪枝范式的病症片段抽取方法、装置、设备及存储介质 | |
CN114462411B (zh) | 命名实体识别方法、装置、设备及存储介质 | |
CN115525730B (zh) | 基于页面赋权的网页内容提取方法、装置及电子设备 | |
CN115146622B (zh) | 数据标注纠错方法、装置、电子设备及存储介质 | |
CN116663503A (zh) | 基于自注意力权重图的句子纠错方法、装置、设备及介质 |
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 |