CN116644758A - 基于医疗的意图识别模型训练方法、装置、设备及介质 - Google Patents

Abstract

本发明涉及人工智能技术，揭露了一种基于线上问诊场景的意图识别模型训练方法、装置、设备及存储介质。所述方法包括：利用意图识别网络对初始语句样本进行意图识别得到初始意图识别结果，利用模型中的同义句生成网络对初始意图识别结果及初始语句样本的量化编码结果进行同义句生成得到同义句集合；利用初始意图识别网络对同义句集合构成的伪样本集合进行意图识别得到伪样本意图识别结果；计算伪样本集合的标签与伪样本意图识别结果之间的损失值，及伪样本意图识别结果与初始意图识别结果之间的损失值，根据梯度下降算法将损失进行网络逆向传递得到更新意图识别模型，完成一次训练。本发明可以提高线上问诊场景等严谨领域中意图识别的准确性。

Description

基于医疗的意图识别模型训练方法、装置、设备及介质

技术领域

本发明涉及人工智能及数字医疗技术领域，尤其涉及一种基于线上问诊场景的意图识别模型训练方法、装置、设备及计算机可读存储介质。

背景技术

意图识别是智能机器人技术中的重要领域，已经进入到人们生活中的各个领域，推动各行各业的发展，意图识别模型的训练需要大量的带标签训练样本，然而受限于人工打标签的局限性，如今大多通过同义句生成模型来生成同义句作为训练样本。

目前同义句生成模型的主要方式有对句子做一些增删改，或是同义词替换，或是利用深度学习的seq2seq模型，但这些方法均是通过句子生成句子，容易造成生成数据多样性不足，句子质量不佳等问题，尤其是在金融业务或医疗线上问诊领域等，用户的意图识别一旦识别不准确，可能会导致较为严重的结果。

发明内容

本发明提供一种基于医疗的意图识别模型训练方法、装置、设备及存储介质，其主要目的在于通过意图识别网络与同义句生成网络混合训练的方式，提高医疗线上问诊等严谨领域的意图识别的准确率。

为实现上述目的，本发明提供的一种基于医疗的意图识别模型训练方法，包括：

从预构建的医疗语料库中依次提取一个初始语句样本，利用预构建的意图识别模型中的意图识别网络对所述初始语句样本进行量化编码，得到量化编码结果，并对所述量化编码结果进行意图识别，得到初始意图识别结果；

利用所述意图识别模型中的同义句生成网络，将所述初始意图识别结果与所述量化编码结果进行拼接，得到意图增强语句向量，并对所述意图增强语句向量进行同义句生成操作，得到同义句集合；

利用所述初始意图识别结果作为标签配置在所述同义句集合上，生成伪样本集合；

利用所述意图识别网络对所述伪样本集合进行意图识别，得到伪样本意图识别结果；

利用交叉熵损失算法，计算所述伪样本集合的标签与所述伪样本意图识别结果之间的损失值，得到意图损失，并计算所述伪样本意图识别结果与所述初始意图识别结果之间的损失值，得到同义句损失；

根据梯度下降算法，将所述意图损失进行网络逆向传递，更新所述意图识别网络，并将所述同义句损失进行网络逆向传递，更新所述同义句生成网络，得到更新意图识别模型；

根据所述意图损失及所述同义句损失是否达到预设的训练阈值，对所述更新意图识别模型的迭代训练进度进行控制，得到训练完成的意图识别模型。

可选的，所述根据所述意图损失及所述同义句损失是否达到预设的训练阈值，对所述更新意图识别模型的迭代训练进度进行控制，得到训练完成的意图识别模型，包括：

判断所述意图损失及所述同义句损失是否达到预设的训练阈值；

当所述意图损失及所述同义句损失未达到预设的训练阈值时，返回上述从预构建的医疗语料库中依次提取一个初始语句样本的步骤，对所述更新意图识别模型进行迭代训练；

当所述意图损失及所述同义句损失达到预设的训练阈值时，将最终更新的更新意图识别模型作为训练完成的意图识别模型。

可选的，所述判断所述意图损失及所述同义句损失是否达到预设的训练阈值，包括：

计算单位时间段内所述意图损失的第一收敛度，及所述同义句损失的第二收敛度；

当预设时间段内所述第一收敛度达到预设的收敛阈值，则停止对所述意图识别网络的网络参数更改过程，当所述预设时间段内所述第二收敛度达到所述收敛阈值时，停止对所述同义句生成网络的网络参数更改过程；

当所述意图识别网络及所述同义句生成网络中的一个网络先停止网络参数的更新过程时，则继续对所述意图识别网络及所述同义句生成网络中的另一个网络进行网络参数更新；

当所述意图识别网络及所述同义句生成网络都停止网络参数的更新过程，则判定所述意图损失及所述同义句损失达到预设的训练阈值。

可选的，所述利用预构建的意图识别模型中的意图识别网络对预构建的初始语句样本进行量化编码，得到量化编码结果，包括：

利用预构建的意图识别模型中的意图识别网络对预构建的初始语句样本进行特殊字符删除操作，得到纯文本语句，并对所述纯文本语句进行分词操作，得到分词结果集合；

对所述分词结果集合进行停用词删除操作，得到有效分词集合；

根据所述初始语句样本的分词顺序对所述有效分词集合中各个有效分词配置唯一位置信息，并对各个所述有效分词及所述唯一位置信息进行量化编码，得到量化编码结果。

可选的，所述对所述量化编码结果进行意图识别，得到初始意图识别结果，包括：

对所述量化编码结果进行填充操作，得到字符长度相同的各个量化编码；

对各个量化编码进行注意力权重配置，得到上下文增强量化编码集合；

对所述上下文增强量化编码集合进行卷积及池化操作，得到特征序列集合，并对所述特征序列集合进行全连接操作，得到所述初始语句样本对应的初始意图识别结果。

可选的，所述将所述初始意图识别结果与所述量化编码结果进行拼接，得到意图增强语句向量，包括：

获取预构建的连接字符；

根据预设的配置规则，依次将所述初始意图识别结果、所述连接字符及所述量化编码结果连接，得到意图增强语句向量。

可选的，所述得到训练完成的意图识别模型之后，所述方法还包括：

获取用户输入的对话文本，利用所述意图识别模型对所述对话文本进行意图识别，得到用户询问意图；

当所述用户询问意图为预设的查询类型时，提取所述对话文本中的关键字，并利用预构建的医疗数据库查询所述关键字，得到用户查询信息；

当所述用户询问意图为预设的问诊类型时，对所述用户进行重定向至预构建的问诊界面；

当所述用户询问意图为预设的其他类型时，利用预设接口，调用预构建的生成对话任务与所述用户进行对话，并实时更新用户输入的对话文本。

为了解决上述问题，本发明还提供一种基于医疗的意图识别模型训练装置，所述装置包括：

意图识别模块，用于从预构建的医疗语料库中依次提取一个初始语句样本，利用预构建的意图识别模型中的意图识别网络对所述初始语句样本进行量化编码，得到量化编码结果，并对所述量化编码结果进行意图识别，得到初始意图识别结果；

伪样本生成模块，用于利用所述意图识别模型中的同义句生成网络，将所述初始意图识别结果与所述量化编码结果进行拼接，得到意图增强语句向量，并对所述意图增强语句向量进行同义句生成操作，得到同义句集合，及利用所述初始意图识别结果作为标签配置在所述同义句集合上，生成伪样本集合；

循环认证模块，用于利用所述意图识别网络对所述伪样本集合进行意图识别，得到伪样本意图识别结果，及利用交叉熵损失算法，计算所述伪样本集合的标签与所述伪样本意图识别结果之间的损失值，得到意图损失，并计算所述伪样本意图识别结果与所述初始意图识别结果之间的损失值，得到同义句损失；

参数更新模块，用于根据梯度下降算法，将所述意图损失进行网络逆向传递，更新所述意图识别网络，并将所述同义句损失进行网络逆向传递，更新所述同义句生成网络，得到更新意图识别模型；

训练进度把控模块，用于根据所述意图损失及所述同义句损失是否达到预设的训练阈值，对所述更新意图识别模型的迭代训练进度进行控制，得到训练完成的意图识别模型。

当预设时间段内所述第一收敛度当所述预设时间段内所述第二收敛度达到所述收敛阈值时，停止对所述同义句生成网为了解决上述问题，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医疗的意图识别模型训练方法。

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基于医疗的意图识别模型训练方法。

本发明实施例在意图识别网络后增加一个同义句生成网络，其中，所述同义句生成网络生成的同义句集合配置上意图识别结果可以作为伪样本集合，来训练所述意图识别网络，而所述意图识别网络通过识别伪样本集合产生的伪样本意图识别结果又可以来训练所述同义句生成网络，其中，本发明实施例在生成同义句时，特意将所述初始意图识别结果与所述量化编码结果进行拼接，这使得同义句生成结果有更加明确的意图方向及不局限与输入句子格式的同义句集合，使得所述意图识别网络的训练过程更加高效。因此，本发明实施例提供的一种基于医疗的意图识别模型训练方法、装置、设备及存储介质，能够在于通过意图识别网络与同义句生成网络混合训练的方式，提高医疗线上问诊等严谨领域的意图识别的准确率。

附图说明

图1为本发明一实施例提供的基于医疗的意图识别模型训练方法的流程示意图；

图2为本发明一实施例提供的基于医疗的意图识别模型训练方法中一个步骤的详细流程示意图；

图3为本发明一实施例提供的基于医疗的意图识别模型训练方法中一个步骤的详细流程示意图；

图4为本发明一实施例提供的基于医疗的意图识别模型训练方法中一个步骤的详细流程示意图；

图5为本发明一实施例提供的基于医疗的意图识别模型训练装置的功能模块图；

图6为本发明一实施例提供的实现所述基于医疗的意图识别模型训练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医疗的意图识别模型训练方法。本申请实施例中，所述基于医疗的意图识别模型训练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，所述基于医疗的意图识别模型训练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(Content Delivery 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医疗的意图识别模型训练方法的流程示意图。在本实施例中，所述基于医疗的意图识别模型训练方法包括步骤S1～S8：

S1、从预构建的医疗语料库中依次提取一个初始语句样本，利用预构建的意图识别模型中的意图识别网络对所述初始语句样本进行量化编码，得到量化编码结果，并对所述量化编码结果进行意图识别，得到初始意图识别结果。

本发明实施例中，所述医疗语料库中的初始语句样本为大数据获取到的、带有意图标签的文本语句，例如询问药品的使用量(药品查询意图)，使用病症或询问各个症状疾病如何治疗(疾病问诊意图)等。

进一步的，所述意图识别模型为一种基于文本识别的神经网络模型，其中包括意图识别网络及同义句生成网络，其中，所述意图识别网络包括卷积、池化层网络及全连接层网络，所述同义句生成模型为基于transformer模型进行微调训练得到的，用于对【意图+文本的量化编码结果】形式的样本进行同义句生成操作。

详细的，参考图2所示，本发明实施例中，所述利用预构建的意图识别模型中的意图识别网络对预构建的初始语句样本进行量化编码，得到量化编码结果，包括步骤S101～S103：

S101、利用预构建的意图识别模型中的意图识别网络对预构建的初始语句样本进行特殊字符删除操作，得到纯文本语句，并对所述纯文本语句进行分词操作，得到分词结果集合；

S102、对所述分词结果集合进行停用词删除操作，得到有效分词集合；

S103、根据所述初始语句样本的分词顺序对所述有效分词集合中各个有效分词配置唯一位置信息，并对各个所述有效分词及所述唯一位置信息进行量化编码，得到量化编码结果。

本发明实施例中，所述特殊字符为数字、中英文外的其他字符，以及标准符号等。

此外，所述停用词为“啊”“the”等在文本中多次出现但无实际意义的词语，为避免停用词占用模型的识别检索资源，本发明实施例将分词结果集合中的停用词进行全部删除，得到有效分词集合。

然后为了增强上下文特征，本发明实施例根据所述初始语句样本的分词顺序对各个有效分词进行唯一位置信息量化，进而得到量化编码结果。

进一步的，参考图3所示，本发明实施例中，所述对所述量化编码结果进行意图识别，得到初始意图识别结果，包括步骤S111～S113：

S111、对所述量化编码结果进行填充操作，得到字符长度相同的各个量化编码；

S112、对各个量化编码进行注意力权重配置，得到上下文增强量化编码集合；

S113、对所述上下文增强量化编码集合进行卷积及池化操作，得到特征序列集合，并对所述特征序列集合进行全连接操作，得到所述初始语句样本对应的初始意图识别结果。

本发明实施例中通过对各个量化编码进行字符长度格式化操作，有助于增加模型的训练效率，而通过注意力权重配置，使得各个量化编码中配置了相邻量化编码中的信息，实现上下文关联，得到上下文增强量化编码集合，从而增加文本特征的丰富度，此外，所述卷积及池化操作为用于对所述上下文增强量化编码集合进行特征提取，并在保证重要特征值不丢失的情况下进行数据降维操作，增加模型的识别效率。最终通过所述全连接层进行特征连接，得到组合特征，并对各个组合特征进行多分类判断，得到所述初始语句样本对应的初始意图识别结果。

S2、利用所述意图识别模型中的同义句生成网络，将所述初始意图识别结果与所述量化编码结果进行拼接，得到意图增强语句向量，并对所述意图增强语句向量进行同义句生成操作，得到同义句集合。

详细的，本发明实施例中，所述将所述初始意图识别结果与所述量化编码结果进行拼接，得到意图增强语句向量，包括：

获取预构建的连接字符；

根据预设的配置规则，依次将所述初始意图识别结果、所述连接字符及所述量化编码结果连接，得到意图增强语句向量。

本发明实施例中，通过将所述初始意图识别结果与所述量化编码结果进行拼接，得到意图增强语句向量【初始意图识别结果#量化编码结果】，其中，本发明实施例的所述连接字符为#。

本发明实施例在将意图与话术拼接后，所述同义句生成网络的输入则发生了一定的改变，而输出不变。应当知道，传统同义句模型的输入输出都是句子，而本发明的输入则是【意图#话术】，输出句子。在具体的训练中，这里的任务是基于预训练模型来fine-tuning以适应句子生成。输入的表征需经过多种embedding，如token embedding，positionembedding，segment embedding，并经过多层transformer。最后模型通过在目标句子中随机mask一定比例的token，并学习去还原这些token，从而达到生成句子的能力。

本发明实施例中融合了意图和话术的同义句生成模型，能够更好地生成出更为拟合该意图地话术句子，增加话术的多样性，比人工构造的话术更灵活，更多样，提升了扩写效率，有助于提高后续意图识别网络的训练过程的效率。

S3、利用所述初始意图识别结果作为标签配置在所述同义句集合上，生成伪样本集合。

本发明实施例将意图识别结果作为各个同义句的标签，得到伪样本集合。其中，所述伪样本集合可以进一步训练所述意图识别模型。

S4、利用所述意图识别网络对所述伪样本集合进行意图识别，得到伪样本意图识别结果。

将伪样本集合通过循环数据接口重新导入所述意图识别网络中，可以对所述意图识别网络进一步的进行训练，得到伪样本意图识别结果，而所述伪样本意图识别结果可以来训练所述同义句生成网络。

S5、利用交叉熵损失算法，计算所述伪样本集合的标签与所述伪样本意图识别结果之间的损失值，得到意图损失，并计算所述伪样本意图识别结果与所述初始意图识别结果之间的损失值，得到同义句损失。

其中，所述交叉熵损失算法为计算预测值与真实值之间差距的算法，为模型训练中的常用算法，本发明实施例中，所述意图识别网络的训练方向为识别各种语句的意图，为多分类判断，所述同义句生成网络为了生成有关所述初始意图识别结果方向的同义句，其结果要么是所述初始意图识别结果要么不是所述初始意图识别结果，为二分类判断。

因此，本发明实施例通过多分类交叉熵损失算法，计算所述伪样本集合的标签与所述伪样本意图识别结果之间的损失值，得到意图损失，而通过二分类交叉熵损失算法，计算计算所述伪样本意图识别结果与所述初始意图识别结果之间的损失值，得到同义句损失。

S6、根据梯度下降算法，将所述意图损失进行网络逆向传递，更新所述意图识别网络，并将所述同义句损失进行网络逆向传递，更新所述同义句生成网络，得到更新意图识别模型。

其中，所述梯度下降(gradient descent)在机器学习中应用十分的广泛，不论是在线性回归还是Logistic回归中，它的主要目的是通过迭代找到目标函数的最小值，或者收敛到最小值。因此，本发明实施例将所述意图损失及同义句损失进行网络逆向传递的过程中，会计算损失意图损失的最小值，得到意图损失最小时的意图识别网络的模型参数，且计算同义句损失最小时，得到同义句损失最小时的同义句生成网络的模型参数，并将模型参数进行网络逆向更新，从而得到更新意图识别模型。

S7、判断所述意图损失及所述同义句损失是否达到预设的训练阈值。

详细的，参考图4所示，本发明实施例中，所述判断所述意图损失及所述同义句损失是否达到预设的训练阈值，包括步骤S71～S76：

S71、计算单位时间段内所述意图损失的第一收敛度，及所述同义句损失的第二收敛度；

S72、判断所述第一收敛度、第二收敛度与预设的收敛阈值的关系；

S73、当预设时间段内所述第一收敛度达到预设的收敛阈值，则停止对所述意图识别网络的网络参数更改过程，及当所述预设时间段内所述第二收敛度达到所述收敛阈值时，停止对所述同义句生成网络的网络参数更改过程；

S74、判断所述意图识别网络及所述同义句生成网络是否都停止网络参数的更新过程；

当所述意图识别网络及所述同义句生成网络中的一个网络先停止网络参数的更新过程时，则S75、继续对所述意图识别网络及所述同义句生成网络中的另一个网络进行网络参数更新；

当所述意图识别网络及所述同义句生成网络都停止网络参数的更新过程，则S76、判定所述意图损失及所述同义句损失达到预设的训练阈值。

本发明实施例根据上述的判定过程对意图识别网络的训练过程进行把控。

当所述意图损失及所述同义句损失未达到预设的训练阈值时，返回S1的步骤，对所述更新意图识别模型进行迭代训练；

当所述意图损失及所述同义句损失达到预设的训练阈值时，S8、将最终更新的更新意图识别模型作为训练完成的意图识别模型。

本发明实施例中根据上述步骤S1～S8，实现所述意图识别模型中意图识别网络及同义句生成网络的训练，增加医疗领域中意图识别的准确性。

此外，本发明实施例中，所述得到训练完成的意图识别模型之后，所述方法还包括：

获取用户输入的对话文本，利用所述意图识别模型对所述对话文本进行意图识别，得到用户询问意图；

当所述用户询问意图为预设的查询类型时，提取所述对话文本中的关键字，并利用预构建的医疗数据库查询所述关键字，得到用户查询信息；

当所述用户询问意图为预设的问诊类型时，对所述用户进行重定向至预构建的问诊界面；

当所述用户询问意图为预设的其他类型时，利用预设接口，调用预构建的生成对话任务与所述用户进行对话，并实时更新用户输入的对话文本。

本发明实施例得到训练完成的意图识别模型后，可以配置各种下游任务，例如查询数据库，问诊窗口，对话生成任务等，根据用户不同意图进行智能化反应，进一步节约用户时间，提高办事效率。

本发明实施例在意图识别网络后增加一个同义句生成网络，其中，所述同义句生成网络生成的同义句集合配置上意图识别结果可以作为伪样本集合，来训练所述意图识别网络，而所述意图识别网络通过识别伪样本集合产生的伪样本意图识别结果又可以来训练所述同义句生成网络，其中，本发明实施例在生成同义句时，特意将所述初始意图识别结果与所述量化编码结果进行拼接，这使得同义句生成结果有更加明确的意图方向及不局限与输入句子格式的同义句集合，使得所述意图识别网络的训练过程更加高效。因此，本发明实施例提供的一种基于医疗的意图识别模型训练方法，能够在于通过意图识别网络与同义句生成网络混合训练的方式，提高医疗线上问诊等严谨领域的意图识别的准确率。

如图5所示，是本发明一实施例提供的基于医疗的意图识别模型训练装置的功能模块图。

本发明所述基于医疗的意图识别模型训练装置100可以安装于电子设备中。根据实现的功能，所述基于医疗的意图识别模型训练装置100可以包括意图识别模块101、伪样本生成模块102、循环认证模块103、参数更新模块104及训练进度把控模块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：

所述意图识别模块101，用于从预构建的医疗语料库中依次提取一个初始语句样本，利用预构建的意图识别模型中的意图识别网络对所述初始语句样本进行量化编码，得到量化编码结果，并对所述量化编码结果进行意图识别，得到初始意图识别结果；

所述伪样本生成模块102，用于利用所述意图识别模型中的同义句生成网络，将所述初始意图识别结果与所述量化编码结果进行拼接，得到意图增强语句向量，并对所述意图增强语句向量进行同义句生成操作，得到同义句集合，及利用所述初始意图识别结果作为标签配置在所述同义句集合上，生成伪样本集合；

所述循环认证模块103，用于利用所述意图识别网络对所述伪样本集合进行意图识别，得到伪样本意图识别结果，及利用交叉熵损失算法，计算所述伪样本集合的标签与所述伪样本意图识别结果之间的损失值，得到意图损失，并计算所述伪样本意图识别结果与所述初始意图识别结果之间的损失值，得到同义句损失；

所述参数更新模块104，用于根据梯度下降算法，将所述意图损失进行网络逆向传递，更新所述意图识别网络，并将所述同义句损失进行网络逆向传递，更新所述同义句生成网络，得到更新意图识别模型；

所述训练进度把控模块105，用于判断所述意图损失及所述同义句损失是否达到预设的训练阈值，及当所述意图损失及所述同义句损失未达到预设的训练阈值时，返回上述从预构建的医疗语料库中依次提取一个初始语句样本的步骤，对所述更新意图识别模型进行迭代训练，及当所述意图损失及所述同义句损失达到预设的训练阈值时，将最终更新的更新意图识别模型作为训练完成的意图识别模型。

详细地，本申请实施例中所述基于医疗的意图识别模型训练装置100中所述的各模块在使用时采用与上述图1至图4中所述的基于医疗的意图识别模型训练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6所示，是本发明一实施例提供的实现基于医疗的意图识别模型训练方法的电子设备1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，如基于医疗的意图识别模型训练程序。

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1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(例如执行基于医疗的意图识别模型训练程序等)，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，例如基于医疗的意图识别模型训练程序的代码等，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1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6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6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1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1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存储的基于医疗的意图识别模型训练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：

从预构建的医疗语料库中依次提取一个初始语句样本，利用预构建的意图识别模型中的意图识别网络对所述初始语句样本进行量化编码，得到量化编码结果，并对所述量化编码结果进行意图识别，得到初始意图识别结果；

利用所述意图识别模型中的同义句生成网络，将所述初始意图识别结果与所述量化编码结果进行拼接，得到意图增强语句向量，并对所述意图增强语句向量进行同义句生成操作，得到同义句集合；

利用所述初始意图识别结果作为标签配置在所述同义句集合上，生成伪样本集合；

利用所述意图识别网络对所述伪样本集合进行意图识别，得到伪样本意图识别结果；

利用交叉熵损失算法，计算所述伪样本集合的标签与所述伪样本意图识别结果之间的损失值，得到意图损失，并计算所述伪样本意图识别结果与所述初始意图识别结果之间的损失值，得到同义句损失；

根据梯度下降算法，将所述意图损失进行网络逆向传递，更新所述意图识别网络，并将所述同义句损失进行网络逆向传递，更新所述同义句生成网络，得到更新意图识别模型；

根据所述意图损失及所述同义句损失是否达到预设的训练阈值，对所述更新意图识别模型的迭代训练进度进行控制，得到训练完成的意图识别模型。

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：

从预构建的医疗语料库中依次提取一个初始语句样本，利用预构建的意图识别模型中的意图识别网络对所述初始语句样本进行量化编码，得到量化编码结果，并对所述量化编码结果进行意图识别，得到初始意图识别结果；

利用所述意图识别模型中的同义句生成网络，将所述初始意图识别结果与所述量化编码结果进行拼接，得到意图增强语句向量，并对所述意图增强语句向量进行同义句生成操作，得到同义句集合；

利用所述初始意图识别结果作为标签配置在所述同义句集合上，生成伪样本集合；

利用所述意图识别网络对所述伪样本集合进行意图识别，得到伪样本意图识别结果；

利用交叉熵损失算法，计算所述伪样本集合的标签与所述伪样本意图识别结果之间的损失值，得到意图损失，并计算所述伪样本意图识别结果与所述初始意图识别结果之间的损失值，得到同义句损失；

根据梯度下降算法，将所述意图损失进行网络逆向传递，更新所述意图识别网络，并将所述同义句损失进行网络逆向传递，更新所述同义句生成网络，得到更新意图识别模型；

根据所述意图损失及所述同义句损失是否达到预设的训练阈值，对所述更新意图识别模型的迭代训练进度进行控制，得到训练完成的意图识别模型。

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)

1.一种基于医疗的意图识别模型训练方法，其特征在于，所述方法包括：

从预构建的医疗语料库中依次提取一个初始语句样本，利用预构建的意图识别模型中的意图识别网络对所述初始语句样本进行量化编码，得到量化编码结果，并对所述量化编码结果进行意图识别，得到初始意图识别结果；

利用所述意图识别模型中的同义句生成网络，将所述初始意图识别结果与所述量化编码结果进行拼接，得到意图增强语句向量，并对所述意图增强语句向量进行同义句生成操作，得到同义句集合；

利用所述初始意图识别结果作为标签配置在所述同义句集合上，生成伪样本集合；

利用所述意图识别网络对所述伪样本集合进行意图识别，得到伪样本意图识别结果；

利用交叉熵损失算法，计算所述伪样本集合的标签与所述伪样本意图识别结果之间的损失值，得到意图损失，并计算所述伪样本意图识别结果与所述初始意图识别结果之间的损失值，得到同义句损失；

根据梯度下降算法，将所述意图损失进行网络逆向传递，更新所述意图识别网络，并将所述同义句损失进行网络逆向传递，更新所述同义句生成网络，得到更新意图识别模型；

根据所述意图损失及所述同义句损失是否达到预设的训练阈值，对所述更新意图识别模型的迭代训练进度进行控制，得到训练完成的意图识别模型。

2.如权利要求1所述的基于医疗的意图识别模型训练方法，其特征在于，所述根据所述意图损失及所述同义句损失是否达到预设的训练阈值，对所述更新意图识别模型的迭代训练进度进行控制，得到训练完成的意图识别模型，包括：

判断所述意图损失及所述同义句损失是否达到预设的训练阈值；

当所述意图损失及所述同义句损失未达到预设的训练阈值时，返回上述从预构建的医疗语料库中依次提取一个初始语句样本的步骤，对所述更新意图识别模型进行迭代训练；

当所述意图损失及所述同义句损失达到预设的训练阈值时，将最终更新的更新意图识别模型作为训练完成的意图识别模型。

3.如权利要求2所述的基于医疗的意图识别模型训练方法，其特征在于，所述判断所述意图损失及所述同义句损失是否达到预设的训练阈值，包括：

计算单位时间段内所述意图损失的第一收敛度，及所述同义句损失的第二收敛度；

当预设时间段内所述第一收敛度达到预设的收敛阈值，则停止对所述意图识别网络的网络参数更改过程，当所述预设时间段内所述第二收敛度达到所述收敛阈值时，停止对所述同义句生成网络的网络参数更改过程；

当所述意图识别网络及所述同义句生成网络中的一个网络先停止网络参数的更新过程时，则继续对所述意图识别网络及所述同义句生成网络中的另一个网络进行网络参数更新；

当所述意图识别网络及所述同义句生成网络都停止网络参数的更新过程，则判定所述意图损失及所述同义句损失达到预设的训练阈值。

4.如权利要求1所述的基于医疗的意图识别模型训练方法，其特征在于，所述利用预构建的意图识别模型中的意图识别网络对预构建的初始语句样本进行量化编码，得到量化编码结果，包括：

利用预构建的意图识别模型中的意图识别网络对预构建的初始语句样本进行特殊字符删除操作，得到纯文本语句，并对所述纯文本语句进行分词操作，得到分词结果集合；

对所述分词结果集合进行停用词删除操作，得到有效分词集合；

根据所述初始语句样本的分词顺序对所述有效分词集合中各个有效分词配置唯一位置信息，并对各个所述有效分词及所述唯一位置信息进行量化编码，得到量化编码结果。

5.如权利要求1所述的基于医疗的意图识别模型训练方法，其特征在于，所述对所述量化编码结果进行意图识别，得到初始意图识别结果，包括：

对所述量化编码结果进行填充操作，得到字符长度相同的各个量化编码；

对各个量化编码进行注意力权重配置，得到上下文增强量化编码集合；

对所述上下文增强量化编码集合进行卷积及池化操作，得到特征序列集合，并对所述特征序列集合进行全连接操作，得到所述初始语句样本对应的初始意图识别结果。

6.如权利要求1所述的基于医疗的意图识别模型训练方法，其特征在于，所述将所述初始意图识别结果与所述量化编码结果进行拼接，得到意图增强语句向量，包括：

获取预构建的连接字符；

根据预设的配置规则，依次将所述初始意图识别结果、所述连接字符及所述量化编码结果连接，得到意图增强语句向量。

7.如权利要求1所述的基于医疗的意图识别模型训练方法，其特征在于，所述得到训练完成的意图识别模型之后，所述方法还包括：

获取用户输入的对话文本，利用所述意图识别模型对所述对话文本进行意图识别，得到用户询问意图；

当所述用户询问意图为预设的查询类型时，提取所述对话文本中的关键字，并利用预构建的医疗数据库查询所述关键字，得到用户查询信息；

当所述用户询问意图为预设的问诊类型时，对所述用户进行重定向至预构建的问诊界面；

当所述用户询问意图为预设的其他类型时，利用预设接口，调用预构建的生成对话任务与所述用户进行对话，并实时更新用户输入的对话文本。

8.一种基于医疗的意图识别模型训练装置，其特征在于，所述装置包括：

意图识别模块，用于从预构建的医疗语料库中依次提取一个初始语句样本，利用预构建的意图识别模型中的意图识别网络对所述初始语句样本进行量化编码，得到量化编码结果，并对所述量化编码结果进行意图识别，得到初始意图识别结果；

伪样本生成模块，用于利用所述意图识别模型中的同义句生成网络，将所述初始意图识别结果与所述量化编码结果进行拼接，得到意图增强语句向量，并对所述意图增强语句向量进行同义句生成操作，得到同义句集合，及利用所述初始意图识别结果作为标签配置在所述同义句集合上，生成伪样本集合；

循环认证模块，用于利用所述意图识别网络对所述伪样本集合进行意图识别，得到伪样本意图识别结果，及利用交叉熵损失算法，计算所述伪样本集合的标签与所述伪样本意图识别结果之间的损失值，得到意图损失，并计算所述伪样本意图识别结果与所述初始意图识别结果之间的损失值，得到同义句损失；

参数更新模块，用于根据梯度下降算法，将所述意图损失进行网络逆向传递，更新所述意图识别网络，并将所述同义句损失进行网络逆向传递，更新所述同义句生成网络，得到更新意图识别模型；

训练进度把控模块，用于根据所述意图损失及所述同义句损失是否达到预设的训练阈值，对所述更新意图识别模型的迭代训练进度进行控制，得到训练完成的意图识别模型；

基于医疗的意图识别模型训练当预设时间段内所述第一收敛度当所述预设时间段内所述第二收敛度达到所述收敛阈值时，停止对所述同义句生成网基于医疗的意图识别模型训练。

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医疗的意图识别模型训练方法。

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中任意一项所述的基于医疗的意图识别模型训练方法。