CN116525142A - 基于线上问诊的意图识别方法、装置、电子设备及介质 - Google Patents

基于线上问诊的意图识别方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN116525142A
CN116525142A CN202310475821.XA CN202310475821A CN116525142A CN 116525142 A CN116525142 A CN 116525142A CN 202310475821 A CN202310475821 A CN 202310475821A CN 116525142 A CN116525142 A CN 116525142A
Authority
CN
China
Prior art keywords
training
similarity
vector
intention
intention recognition
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
CN202310475821.XA
Other languages
English (en)
Inventor
刘佳瑞
王世朋
姚海申
孙行智
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 CN202310475821.XA priority Critical patent/CN116525142A/zh
Publication of CN116525142A publication Critical patent/CN116525142A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • 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
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • 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)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及数字医疗领域的人工智能技术，揭露一种基于线上问诊的意图识别方法，包括：基于相似性损失函数对原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型；根据标签相似性矩阵和初始意图识别模型的输出得分构建标签相似性损失函数，利用标签相似性函数对初始意图识别模型进行多标签训练，得到标准意图识别模型；将线上问诊数据集输入至标准意图识别模型中进行意图识别，得到线上问诊数据对应的问诊意图。此外，本发明还涉及区块链技术，标签相似性矩阵可存储于区块链的节点。本发明还提出一种基于线上问诊的意图识别装置、电子设备以及存储介质。本发明可以提高意图识别的准确度。

Description

基于线上问诊的意图识别方法、装置、电子设备及介质
技术领域
本发明涉及人工智能领域，尤其涉及一种基于线上问诊的意图识别方法、装置、电子设备及存储介质。
背景技术
目前，医院中的患者日常访问量较多，在很多情况下，会有很多患者咨询一些重复且较为简单的问题，目前都要由医生直接进行接诊，并同时存在排队患者较多的情况，从而导致接诊效率低下，因此医院开通了线上诊疗的渠道，互联网线上诊疗是基于互联网技术，方便患者与医生沟通，在线上进行病症的诊断和治疗的技术，极大地提升了患者就诊的效率。
现有的线上诊疗方法中通常需要进行意图识别，进而根据意图识别的识别结果去进行对应的诊疗，而现有的意图识别方法通常是意图识别模型进行识别处理，但很难适应多个标签场景下的识别，其中，多个标签场景是指在诊疗场景中存在大量意图标签的情景，因此导致意图识别的准确度较低。
发明内容
本发明提供一种基于线上问诊的意图识别方法、装置、电子设备及存储介质，其主要目的在于提高基于线上问诊的意图识别的准确度。
为实现上述目的，本发明提供的一种基于线上问诊的意图识别方法，包括：
获取问诊训练数据集及所述问诊训练数据集中训练数据对应的意图标签，将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集；
计算所述训练向量集中任意两个训练向量之间的向量相似度，并对所述训练向量对应的意图标签进行标签比较，得到比较结果；
根据所述向量相似度和所述比较结果构建相似性损失函数，并基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型；
获取所述训练向量对应的意图标签生成的标签相似性矩阵，根据所述标签相似性矩阵和所述初始意图识别模型的输出得分构建标签相似性损失函数，并利用所述标签相似性函数对所述初始意图识别模型进行多标签训练，得到标准意图识别模型；
将预获取的线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图。
可选地，所述根据所述向量相似度和所述比较结果构建相似性损失函数，包括：
提取所述比较结果中的比较值，并将所述比较值与参考值进行求差计算，得到求差值；
分别将所述向量相似度与所述比较值和所述求差值进行相乘计算，根据相乘计算得到的结果成立相似性损失函数。
可选地，所述基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型，包括：
将所述相似性损失函数作为所述原始意图识别模型的损失函数，并计算损失函数对应的相似性损失值；
判断所述相似性损失值与预设参考阈值之间的大小，当所述相似性损失值小于或者等于所述预设参考阈值时，将所述原始意图识别模型作为训练后的初始意图识别模型；
当所述相似性损失值大于所述预设参考阈值时，调整所述原始意图识别模型中的模型参数，并且将所述问诊训练数据集输入至调整模型参数后的原始意图识别模型中，得到新的相似性损失值；
当新的相似性损失值小于或者等于所述预设参考阈值时，将调整模型参数后的原始意图识别模型作为训练后的初始意图识别模型。
可选地，所述对所述训练向量对应的意图标签进行标签比较，得到比较结果，包括：
任意筛选所述训练向量集中的两个训练向量作为第一训练向量和第二训练向量；
比较所述第一训练向量对应的意图标签和所述第二训练向量对应的意图标签是否一致；
若一致，则令训练向量对应的比较值为第一预设值，并将所述比较值为第一预设值作为比较结果；
若不一致，则令训练向量对应的比较值为第二预设值，并将所述比较值为第二预设值作为比较结果。
可选地，所述将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集，包括：
利用独热编码算法对所述问诊训练数据集中的问诊训练数据进行稀疏向量编码处理，得到稀疏特征向量；
根据预训练模型对所述问诊训练数据进行稠密向量编码处理，得到稠密特征向量；
利用所述原始意图识别模型中的全连接层对所述稀疏特征向量进行全连接计算，得到转换特征向量，将所述转换特征向量和所述稠密特征向量进行拼接处理，得到训练向量；
对所述问诊训练数据集中的每个问诊训练数据进行向量编码和拼接处理，得到对应的训练向量集。
可选地，所述获取所述训练向量对应的意图标签生成的标签相似性矩阵，包括：
对所述训练向量对应的意图标签进行向量化处理，得到标签向量；
根据预设标签相似性公式计算并构建所述标签向量对应的标签相似性矩阵。
可选地，所述预设标签相似性公式为：
S_tk＝cosine_Similarity(E_t,E_k)
其中，S_tk为所述标签相似性矩阵，E_t为意图类别t对应的标签向量，E_k为意图类别k对应的标签向量。
为了解决上述问题，本发明还提供一种基于线上问诊的意图识别装置，所述装置包括：
标签比较模块，用于获取问诊训练数据集及所述问诊训练数据集中训练数据对应的意图标签，将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集，计算所述训练向量集中任意两个训练向量之间的向量相似度，并对所述训练向量对应的意图标签进行标签比较，得到比较结果；
相似性训练模块，用于根据所述向量相似度和所述比较结果构建相似性损失函数，并基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型；
多标签训练模块，用于获取所述训练向量对应的意图标签生成的标签相似性矩阵，根据所述标签相似性矩阵和所述初始意图识别模型的输出得分构建标签相似性损失函数，并利用所述标签相似性函数对所述初始意图识别模型进行多标签训练，得到标准意图识别模型；
意图识别模块，用于将预获取的线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图。
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：
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基于线上问诊的意图识别方法。
为了解决上述问题，本发明还提供一种存储介质，所述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基于线上问诊的意图识别方法。
本发明实施例中，通过对原始意图识别模型增加相似性训练处理，使得相似性训练后得到的初始意图识别模型的意图识别能力更准确，根据标签相似性矩阵对初始意图识别模型进行多标签训练，使得得到的标准意图识别模型可以应用到多标签场景，将预获取的线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图，提高了意图识别的准确度。因此本发明提出的基于线上问诊的意图识别方法、装置、电子设备及存储介质，可以解决提高基于线上问诊的意图识别的准确度低的问题。
附图说明
图1为本发明一实施例提供的基于线上问诊的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为本发明一实施例提供的基于线上问诊的意图识别装置的功能模块图；
图4为本发明一实施例提供的实现所述基于线上问诊的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。
本申请实施例提供一种基于线上问诊的意图识别方法。所述基于线上问诊的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，所述基于线上问诊的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基于线上问诊的意图识别方法的流程示意图。在本实施例中，所述基于线上问诊的意图识别方法包括以下步骤S1-S5：
S1、获取问诊训练数据集及所述问诊训练数据集中训练数据对应的意图标签，将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集。
本发明实施例中，所述问诊训练数据集是指线上诊疗过程中患者与医生之间的问诊对话数据，训练数据对应的意图标签是指对话的倾向和意愿。其中，所述问诊训练数据集中不同的问诊训练数据之间可以有不同的意图标签，也可以有相同的意图标签。
例如，所述问诊训练数据包括医生：“你好，我是您的接诊医生，您的宝贝最近食欲情况如何？下降了吗？”，患者：“没有，也没有怎么哭闹。”医生：“期间看过医生吗，精神如何？”，患者：“没有看过医生，精神和往常一样。”在该问诊训练数据中，医生的对话内容的意图标签属于“提问”，患者的对话内容的意图标签属于“告知”。
优选地，所述问诊训练数据集和所述意图标签可以作为后续进行模型训练的参考数据，进而提高意图识别的准确度。
具体地，参照图2所示，所述将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集，包括以下步骤S11-S14：
S11、利用独热编码算法对所述问诊训练数据集中的问诊训练数据进行稀疏向量编码处理，得到稀疏特征向量；
S12、根据预训练模型对所述问诊训练数据进行稠密向量编码处理，得到稠密特征向量；
S13、利用所述原始意图识别模型中的全连接层对所述稀疏特征向量进行全连接计算，得到转换特征向量，将所述转换特征向量和所述稠密特征向量进行拼接处理，得到训练向量；
S14、对所述问诊训练数据集中的每个问诊训练数据进行向量编码和拼接处理，得到对应的训练向量集。
其中，所述全连接计算可以使得所述稀疏特征向量的维度和所述稠密特征向量的维度一致。
详细地，所述原始意图识别模型为DIET(Dual Intent and Entity Transformer，意图分类和实体识别)模型，其中，DIET模型是一种多任务transformer架构，可以同时执行意图分类和实体识别。它由多个组件组成，使得可以灵活地交换不同的组件。
S2、计算所述训练向量集中任意两个训练向量之间的向量相似度，并对所述训练向量对应的意图标签进行标签比较，得到比较结果。
本发明实施例中，所述计算所述训练向量集中任意两个训练向量之间的向量相似度，包括：
利用预设的向量相似度计算公式计算所述训练向量集中任意两个训练向量之间的向量相似度。
具体地，所述向量相似度计算公式为：
S_ij＝cosine_Similarity(E_i,E_j)
其中，S_ij为所述向量相似度，E_i为文本i对应的训练向量，E_j为文本j对应的训练向量。
进一步地，所述对所述训练向量对应的意图标签进行标签比较，得到比较结果，包括：
任意筛选所述训练向量集中的两个训练向量作为第一训练向量和第二训练向量；
比较所述第一训练向量对应的意图标签和所述第二训练向量对应的意图标签是否一致；
若一致，则令训练向量对应的比较值为第一预设值，并将所述比较值为第一预设值作为比较结果；
若不一致，则令训练向量对应的比较值为第二预设值，并将所述比较值为第二预设值作为比较结果。
详细地，所述比较所述第一训练向量对应的意图标签和所述第二训练向量对应的意图标签是否一致，若一致则令比较值为第一预设值，所述第一预设值为1，若不一致，则令训练向量对应的比较值为第二预设值，所述第二预设值为0。
S3、根据所述向量相似度和所述比较结果构建相似性损失函数，并基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型。
本发明实施例中，所述根据所述向量相似度和所述比较结果构建相似性损失函数，包括：
提取所述比较结果中的比较值，并将所述比较值与参考值进行求差计算，得到求差值；
分别将所述向量相似度与所述比较值和所述求差值进行相乘计算，根据相乘计算得到的结果成立相似性损失函数。
详细地，提取所述比较结果中的比较值为y_ij，并将所述比较值与参考值进行求差计算，得到求差值1-y_ij，其中，本方案中的参考值为1。分别将所述向量相似度S_ij与所述比较值y_ij和所述求差值1-y_ij进行相乘计算，得到相乘计算结果为(y_ij)S_ij和(1-y_ij)S_ij。根据相乘计算得到的结果成立相似性损失函数为Losssim＝-∑((y_ij)S_ij+(1-y_ij)S_ij)。其中，Losssim为损失函数值，y_ij为比较值，1-y_ij为求差值，S_ij为向量相似度。
具体地，所述基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型，包括：
将所述相似性损失函数作为所述原始意图识别模型的损失函数，并计算损失函数对应的相似性损失值；
判断所述相似性损失值与预设参考阈值之间的大小，当所述相似性损失值小于或者等于所述预设参考阈值时，将所述原始意图识别模型作为训练后的初始意图识别模型；
当所述相似性损失值大于所述预设参考阈值时，调整所述原始意图识别模型中的模型参数，并且将所述问诊训练数据集输入至调整模型参数后的原始意图识别模型中，得到新的相似性损失值；
当新的相似性损失值小于或者等于所述预设参考阈值时，将调整模型参数后的原始意图识别模型作为训练后的初始意图识别模型。
详细地，所述模型参数可以为模型梯度。
优选地，构建新的相似性训练任务来训练模型对于文本的信息抽取能力，可以提高模型的分类准确度，以及有效提升模型意图识别效果。
S4、获取所述训练向量对应的意图标签生成的标签相似性矩阵，根据所述标签相似性矩阵和所述初始意图识别模型的输出得分构建标签相似性损失函数，并利用所述标签相似性函数对所述初始意图识别模型进行多标签训练，得到标准意图识别模型。
本发明实施例中，所述获取所述训练向量对应的意图标签生成的标签相似性矩阵，包括：
对所述训练向量对应的意图标签进行向量化处理，得到标签向量；
根据预设标签相似性公式计算并构建所述标签向量对应的标签相似性矩阵。
详细地，所述向量化处理可以通过预训练模型或者其他算法实现。
具体地，所述预设标签相似性公式为：
S_tk＝cosine_Similarity(E_t,E_k)
其中，S_tk为所述标签相似性矩阵，E_t为意图类别t对应的标签向量，E_k为意图类别k对应的标签向量。
进一步地，所述标签相似性损失函数为：
Loss_S＝-∑S_tk(SCORE*SCORET⊙S_tk)[t,k]
其中，Loss_S为标签相似性损失值，SCORE为所述初始意图识别模型的输出得分，SCORET为所述输出得分对应的转置值，S_tk为所述标签相似性矩阵，t和k为意图类别。
具体地，所述利用所述标签相似性函数对所述初始意图识别模型进行多标签训练，得到标准意图识别模型，包括：
对所述标签相似性函数和预获取的多标签损失函数进行求和处理，得到最终损失函数；
根据所述最终损失函数计算得到的最终损失值与预设标签阈值进行比较，得到比较结果，根据所述比较结果对所述初始意图识别模型进行训练处理，得到训练好的标准意图识别码模型。
详细地，所述预获取的多标签损失函数为BCELoss。
优选地，将初始意图识别模型输出得分的方式由句子向量和标签向量的点乘更改为句子向量和标签向量的cosine相似度，使得模型的意图输出得分具有实际意义，进一步的我们利用到了各个标签向量的相似度，使得模型生成多标签的时候可以考虑到不同标签之间的相似性差异，并应用到多标签场景。
S5、将预获取的线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图。
本发明实施例中，所述标准意图识别模型在多标签场景下具有较强识别效果的意图识别能力，因此，将所述线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图。
本发明实施例中，通过对原始意图识别模型增加相似性训练处理，使得相似性训练后得到的初始意图识别模型的意图识别能力更准确，根据标签相似性矩阵对初始意图识别模型进行多标签训练，使得得到的标准意图识别模型可以应用到多标签场景，将预获取的线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图，提高了意图识别的准确度。因此本发明提出的基于线上问诊的意图识别方法可以解决提高基于线上问诊的意图识别的准确度低的问题。
如图3所示，是本发明一实施例提供的基于线上问诊的意图识别装置的功能模块图。
本发明所述基于线上问诊的意图识别装置100可以安装于电子设备中。根据实现的功能，所述基于线上问诊的意图识别装置100可以包括标签比较模块101、相似性训练模块102、多标签训练模块103及意图识别模块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：
所述标签比较模块101，用于获取问诊训练数据集及所述问诊训练数据集中训练数据对应的意图标签，将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集，计算所述训练向量集中任意两个训练向量之间的向量相似度，并对所述训练向量对应的意图标签进行标签比较，得到比较结果；
所述相似性训练模块102，用于根据所述向量相似度和所述比较结果构建相似性损失函数，并基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型；
所述多标签训练模块103，用于获取所述训练向量对应的意图标签生成的标签相似性矩阵，根据所述标签相似性矩阵和所述初始意图识别模型的输出得分构建标签相似性损失函数，并利用所述标签相似性函数对所述初始意图识别模型进行多标签训练，得到标准意图识别模型；
所述意图识别模块104，用于将预获取的线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图。
详细地，所述基于线上问诊的意图识别装置100各模块的具体实施方式如下：
步骤一、获取问诊训练数据集及所述问诊训练数据集中训练数据对应的意图标签，将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集。
本发明实施例中，所述问诊训练数据集是指线上诊疗过程中患者与医生之间的问诊对话数据，训练数据对应的意图标签是指对话的倾向和意愿。其中，所述问诊训练数据集中不同的问诊训练数据之间可以有不同的意图标签，也可以有相同的意图标签。
例如，所述问诊训练数据包括医生：“你好，我是您的接诊医生，您的宝贝最近食欲情况如何？下降了吗？”，患者：“没有，也没有怎么哭闹。”医生：“期间看过医生吗，精神如何？”，患者：“没有看过医生，精神和往常一样。”在该问诊训练数据中，医生的对话内容的意图标签属于“提问”，患者的对话内容的意图标签属于“告知”。
优选地，所述问诊训练数据集和所述意图标签可以作为后续进行模型训练的参考数据，进而提高意图识别的准确度。
具体地，所述将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集，包括：
利用独热编码算法对所述问诊训练数据集中的问诊训练数据进行稀疏向量编码处理，得到稀疏特征向量；
根据预训练模型对所述问诊训练数据进行稠密向量编码处理，得到稠密特征向量；
利用所述原始意图识别模型中的全连接层对所述稀疏特征向量进行全连接计算，得到转换特征向量，将所述转换特征向量和所述稠密特征向量进行拼接处理，得到训练向量；
对所述问诊训练数据集中的每个问诊训练数据进行向量编码和拼接处理，得到对应的训练向量集。
其中，所述全连接计算可以使得所述稀疏特征向量的维度和所述稠密特征向量的维度一致。
详细地，所述原始意图识别模型为DIET(Dual Intent and Entity Transformer，意图分类和实体识别)模型，其中，DIET模型是一种多任务transformer架构，可以同时执行意图分类和实体识别。它由多个组件组成，使得可以灵活地交换不同的组件。
步骤二、计算所述训练向量集中任意两个训练向量之间的向量相似度，并对所述训练向量对应的意图标签进行标签比较，得到比较结果。
本发明实施例中，所述计算所述训练向量集中任意两个训练向量之间的向量相似度，包括：
利用预设的向量相似度计算公式计算所述训练向量集中任意两个训练向量之间的向量相似度。
具体地，所述向量相似度计算公式为：
S_ij＝cosine_Similarity(E_i,E_j)
其中，S_ij为所述向量相似度，E_i为文本i对应的训练向量，E_j为文本j对应的训练向量。
进一步地，所述对所述训练向量对应的意图标签进行标签比较，得到比较结果，包括：
任意筛选所述训练向量集中的两个训练向量作为第一训练向量和第二训练向量；
比较所述第一训练向量对应的意图标签和所述第二训练向量对应的意图标签是否一致；
若一致，则令训练向量对应的比较值为第一预设值，并将所述比较值为第一预设值作为比较结果；
若不一致，则令训练向量对应的比较值为第二预设值，并将所述比较值为第二预设值作为比较结果。
详细地，所述比较所述第一训练向量对应的意图标签和所述第二训练向量对应的意图标签是否一致，若一致则令比较值为第一预设值，所述第一预设值为1，若不一致，则令训练向量对应的比较值为第二预设值，所述第二预设值为0。
步骤三、根据所述向量相似度和所述比较结果构建相似性损失函数，并基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型。
本发明实施例中，所述根据所述向量相似度和所述比较结果构建相似性损失函数，包括：
提取所述比较结果中的比较值，并将所述比较值与参考值进行求差计算，得到求差值；
分别将所述向量相似度与所述比较值和所述求差值进行相乘计算，根据相乘计算得到的结果成立相似性损失函数。
详细地，提取所述比较结果中的比较值为y_ij，并将所述比较值与参考值进行求差计算，得到求差值1-y_ij，其中，本方案中的参考值为1。分别将所述向量相似度S_ij与所述比较值y_ij和所述求差值1-y_ij进行相乘计算，得到相乘计算结果为(y_ij)S_ij和(1-y_ij)S_ij。根据相乘计算得到的结果成立相似性损失函数为Losssim＝-∑((y_ij)S_ij+(1-y_ij)S_ij)。其中，Losssim为损失函数值，y_ij为比较值，1-y_ij为求差值，S_ij为向量相似度。
具体地，所述基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型，包括：
将所述相似性损失函数作为所述原始意图识别模型的损失函数，并计算损失函数对应的相似性损失值；
判断所述相似性损失值与预设参考阈值之间的大小，当所述相似性损失值小于或者等于所述预设参考阈值时，将所述原始意图识别模型作为训练后的初始意图识别模型；
当所述相似性损失值大于所述预设参考阈值时，调整所述原始意图识别模型中的模型参数，并且将所述问诊训练数据集输入至调整模型参数后的原始意图识别模型中，得到新的相似性损失值；
当新的相似性损失值小于或者等于所述预设参考阈值时，将调整模型参数后的原始意图识别模型作为训练后的初始意图识别模型。
详细地，所述模型参数可以为模型梯度。
优选地，构建新的相似性训练任务来训练模型对于文本的信息抽取能力，可以提高模型的分类准确度，以及有效提升模型意图识别效果。
步骤四、获取所述训练向量对应的意图标签生成的标签相似性矩阵，根据所述标签相似性矩阵和所述初始意图识别模型的输出得分构建标签相似性损失函数，并利用所述标签相似性函数对所述初始意图识别模型进行多标签训练，得到标准意图识别模型。
本发明实施例中，所述获取所述训练向量对应的意图标签生成的标签相似性矩阵，包括：
对所述训练向量对应的意图标签进行向量化处理，得到标签向量；
根据预设标签相似性公式计算并构建所述标签向量对应的标签相似性矩阵。
详细地，所述向量化处理可以通过预训练模型或者其他算法实现。
具体地，所述预设标签相似性公式为：
S_tk＝cosine_Similarity(E_t,E_k)
其中，S_tk为所述标签相似性矩阵，E_t为意图类别t对应的标签向量，E_k为意图类别k对应的标签向量。
进一步地，所述标签相似性损失函数为：
Loss_S＝-∑S_tk(SCORE*SCORET⊙S_tk)[t,k]
其中，Loss_S为标签相似性损失值，SCORE为所述初始意图识别模型的输出得分，SCORET为所述输出得分对应的转置值，S_tk为所述标签相似性矩阵，t和k为意图类别。
具体地，所述利用所述标签相似性函数对所述初始意图识别模型进行多标签训练，得到标准意图识别模型，包括：
对所述标签相似性函数和预获取的多标签损失函数进行求和处理，得到最终损失函数；
根据所述最终损失函数计算得到的最终损失值与预设标签阈值进行比较，得到比较结果，根据所述比较结果对所述初始意图识别模型进行训练处理，得到训练好的标准意图识别码模型。
详细地，所述预获取的多标签损失函数为BCELoss。
优选地，将初始意图识别模型输出得分的方式由句子向量和标签向量的点乘更改为句子向量和标签向量的cosine相似度，使得模型的意图输出得分具有实际意义，进一步的我们利用到了各个标签向量的相似度，使得模型生成多标签的时候可以考虑到不同标签之间的相似性差异，并应用到多标签场景。
步骤五、将预获取的线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图。
本发明实施例中，所述标准意图识别模型在多标签场景下具有较强识别效果的意图识别能力，因此，将所述线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图。
本发明实施例中，通过对原始意图识别模型增加相似性训练处理，使得相似性训练后得到的初始意图识别模型的意图识别能力更准确，根据标签相似性矩阵对初始意图识别模型进行多标签训练，使得得到的标准意图识别模型可以应用到多标签场景，将预获取的线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图，提高了意图识别的准确度。因此本发明提出的基于线上问诊的意图识别装置可以解决提高基于线上问诊的意图识别的准确度低的问题。
如图4所示，是本发明一实施例提供的实现基于线上问诊的意图识别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，如基于线上问诊的意图识别程序。
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(例如执行基于线上问诊的意图识别程序等)，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，例如基于线上问诊的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4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4示出的结构并不构成对所述电子设备1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存储的基于线上问诊的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：
获取问诊训练数据集及所述问诊训练数据集中训练数据对应的意图标签，将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集；
计算所述训练向量集中任意两个训练向量之间的向量相似度，并对所述训练向量对应的意图标签进行标签比较，得到比较结果；
根据所述向量相似度和所述比较结果构建相似性损失函数，并基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型；
获取所述训练向量对应的意图标签生成的标签相似性矩阵，根据所述标签相似性矩阵和所述初始意图识别模型的输出得分构建标签相似性损失函数，并利用所述标签相似性函数对所述初始意图识别模型进行多标签训练，得到标准意图识别模型；
将预获取的线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图。
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，可以存储在一个存储介质中。所述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：
获取问诊训练数据集及所述问诊训练数据集中训练数据对应的意图标签，将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集；
计算所述训练向量集中任意两个训练向量之间的向量相似度，并对所述训练向量对应的意图标签进行标签比较，得到比较结果；
根据所述向量相似度和所述比较结果构建相似性损失函数，并基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型；
获取所述训练向量对应的意图标签生成的标签相似性矩阵，根据所述标签相似性矩阵和所述初始意图识别模型的输出得分构建标签相似性损失函数，并利用所述标签相似性函数对所述初始意图识别模型进行多标签训练，得到标准意图识别模型；
将预获取的线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图。
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)

1.一种基于线上问诊的意图识别方法，其特征在于，所述方法包括：
获取问诊训练数据集及所述问诊训练数据集中训练数据对应的意图标签，将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集；
计算所述训练向量集中任意两个训练向量之间的向量相似度，并对所述训练向量对应的意图标签进行标签比较，得到比较结果；
根据所述向量相似度和所述比较结果构建相似性损失函数，并基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型；
获取所述训练向量对应的意图标签生成的标签相似性矩阵，根据所述标签相似性矩阵和所述初始意图识别模型的输出得分构建标签相似性损失函数，并利用所述标签相似性函数对所述初始意图识别模型进行多标签训练，得到标准意图识别模型；
将预获取的线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图。
2.如权利要求1所述的基于线上问诊的意图识别方法，其特征在于，所述根据所述向量相似度和所述比较结果构建相似性损失函数，包括：
提取所述比较结果中的比较值，并将所述比较值与参考值进行求差计算，得到求差值；
分别将所述向量相似度与所述比较值和所述求差值进行相乘计算，根据相乘计算得到的结果成立相似性损失函数。
3.如权利要求1所述的基于线上问诊的意图识别方法，其特征在于，所述基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型，包括：
将所述相似性损失函数作为所述原始意图识别模型的损失函数，并计算损失函数对应的相似性损失值；
判断所述相似性损失值与预设参考阈值之间的大小，当所述相似性损失值小于或者等于所述预设参考阈值时，将所述原始意图识别模型作为训练后的初始意图识别模型；
当所述相似性损失值大于所述预设参考阈值时，调整所述原始意图识别模型中的模型参数，并且将所述问诊训练数据集输入至调整模型参数后的原始意图识别模型中，得到新的相似性损失值；
当新的相似性损失值小于或者等于所述预设参考阈值时，将调整模型参数后的原始意图识别模型作为训练后的初始意图识别模型。
4.如权利要求1所述的基于线上问诊的意图识别方法，其特征在于，所述对所述训练向量对应的意图标签进行标签比较，得到比较结果，包括：
任意筛选所述训练向量集中的两个训练向量作为第一训练向量和第二训练向量；
比较所述第一训练向量对应的意图标签和所述第二训练向量对应的意图标签是否一致；
若一致，则令训练向量对应的比较值为第一预设值，并将所述比较值为第一预设值作为比较结果；
若不一致，则令训练向量对应的比较值为第二预设值，并将所述比较值为第二预设值作为比较结果。
5.如权利要求1所述的基于线上问诊的意图识别方法，其特征在于，所述将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集，包括：
利用独热编码算法对所述问诊训练数据集中的问诊训练数据进行稀疏向量编码处理，得到稀疏特征向量；
根据预训练模型对所述问诊训练数据进行稠密向量编码处理，得到稠密特征向量；
利用所述原始意图识别模型中的全连接层对所述稀疏特征向量进行全连接计算，得到转换特征向量，将所述转换特征向量和所述稠密特征向量进行拼接处理，得到训练向量；
对所述问诊训练数据集中的每个问诊训练数据进行向量编码和拼接处理，得到对应的训练向量集。
6.如权利要求1所述的基于线上问诊的意图识别方法，其特征在于，所述获取所述训练向量对应的意图标签生成的标签相似性矩阵，包括：
对所述训练向量对应的意图标签进行向量化处理，得到标签向量；
根据预设标签相似性公式计算并构建所述标签向量对应的标签相似性矩阵。
7.如权利要求6所述的基于线上问诊的意图识别方法，其特征在于，所述预设标签相似性公式为：
S_tk＝cosine_Similarity(E_t,E_k)
其中，S_tk为所述标签相似性矩阵，E_t为意图类别t对应的标签向量，E_k为意图类别k对应的标签向量。
8.一种基于线上问诊的意图识别装置，其特征在于，所述装置包括：
标签比较模块，用于获取问诊训练数据集及所述问诊训练数据集中训练数据对应的意图标签，将所述问诊训练数据集输入至原始意图识别模型中进行向量化处理，得到对应的训练向量集，计算所述训练向量集中任意两个训练向量之间的向量相似度，并对所述训练向量对应的意图标签进行标签比较，得到比较结果；
相似性训练模块，用于根据所述向量相似度和所述比较结果构建相似性损失函数，并基于所述相似性损失函数对所述原始意图识别模型进行相似性训练，得到训练后的初始意图识别模型；
多标签训练模块，用于获取所述训练向量对应的意图标签生成的标签相似性矩阵，根据所述标签相似性矩阵和所述初始意图识别模型的输出得分构建标签相似性损失函数，并利用所述标签相似性函数对所述初始意图识别模型进行多标签训练，得到标准意图识别模型；
意图识别模块，用于将预获取的线上问诊数据集输入至所述标准意图识别模型中进行意图识别，得到所述线上问诊数据对应的问诊意图。
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中任意一项所述的基于线上问诊的意图识别方法。
10.一种存储介质，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中任意一项所述的基于线上问诊的意图识别方法。
CN202310475821.XA 2023-04-25 2023-04-25 基于线上问诊的意图识别方法、装置、电子设备及介质 Pending CN116525142A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310475821.XA CN116525142A (zh) 2023-04-25 2023-04-25 基于线上问诊的意图识别方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310475821.XA CN116525142A (zh) 2023-04-25 2023-04-25 基于线上问诊的意图识别方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN116525142A true CN116525142A (zh) 2023-08-01

Family

ID=87400625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310475821.XA Pending CN116525142A (zh) 2023-04-25 2023-04-25 基于线上问诊的意图识别方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN116525142A (zh)

Similar Documents

Publication Publication Date Title
CN113821622B (zh) 基于人工智能的答案检索方法、装置、电子设备及介质
CN113722483A (zh) 话题分类方法、装置、设备及存储介质
CN113111162A (zh) 科室推荐方法、装置、电子设备及存储介质
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
CN114880449B (zh) 智能问答的答复生成方法、装置、电子设备及存储介质
CN116578704A (zh) 文本情感分类方法、装置、设备及计算机可读介质
CN116821373A (zh) 基于图谱的prompt推荐方法、装置、设备及介质
CN114840684A (zh) 基于医疗实体的图谱构建方法、装置、设备及存储介质
CN113656690B (zh) 产品推荐方法、装置、电子设备及可读存储介质
CN114780701A (zh) 自动问答匹配方法、装置、计算机设备及存储介质
CN113918704A (zh) 基于机器学习的问答方法、装置、电子设备及介质
CN116702776A (zh) 基于跨中西医的多任务语义划分方法、装置、设备及介质
CN116383766A (zh) 基于多模态数据的辅诊方法、装置、设备及存储介质
CN116737933A (zh) 文本分类方法、装置、电子设备及计算机可读存储介质
CN116705304A (zh) 基于图像文本的多模态任务处理方法、装置、设备及介质
CN114548114B (zh) 文本情绪识别方法、装置、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
CN114610854A (zh) 智能问答方法、装置、设备及存储介质
CN113806540A (zh) 文本打标签方法、装置、电子设备及存储介质
CN116525142A (zh) 基于线上问诊的意图识别方法、装置、电子设备及介质
CN115221875B (zh) 词权重生成方法、装置、电子设备及存储介质
CN116913553A (zh) 智能问诊中病患症状获取方法、装置、设备及存储介质
CN116741358A (zh) 问诊挂号推荐方法、装置、设备及存储介质
CN116486972A (zh) 电子病历生成方法、装置、设备及存储介质
CN116860944A (zh) 对话生成方法、装置、电子设备及介质

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