CN116665878A - 改善累计误差的智能问诊方法、装置、设备及存储介质 - Google Patents
改善累计误差的智能问诊方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116665878A CN116665878A CN202310390865.2A CN202310390865A CN116665878A CN 116665878 A CN116665878 A CN 116665878A CN 202310390865 A CN202310390865 A CN 202310390865A CN 116665878 A CN116665878 A CN 116665878A
- Authority
- CN
- China
- Prior art keywords
- patient
- disease
- feature
- vector
- intention
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000013598 vector Substances 0.000 claims abstract description 143
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 135
- 201000010099 disease Diseases 0.000 claims abstract description 134
- 230000004927 fusion Effects 0.000 claims abstract description 68
- 238000013139 quantization Methods 0.000 claims abstract description 66
- 238000012937 correction Methods 0.000 claims abstract description 58
- 208000024891 symptom Diseases 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 27
- 238000007781 pre-processing Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000012797 qualification Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 230000003993 interaction Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 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
- 101100153586 Caenorhabditis elegans top-1 gene Proteins 0.000 description 1
- 101100370075 Mus musculus Top1 gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 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
- 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
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert 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
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明涉及人工智能技术,揭露了一种改善累计误差的智能问诊方法、装置、设备及存储介质。所述方法包括:获取患者的问答话语信息及实体集合、患者意图及患者画像;对实体集合、患者意图及患者画像进行第一量化操作,得到第一量化结果,并将第一量化结果进行全连接操作,得到第一特征向量;对问答话语信息进行问答顺序拼接操作,得到患者症状文本,并对患者症状文本进行第二量化操作,得到第二特征向量;根据预设的特征融合策略,将第一特征向量及第二特征向量进行特征融合,得到融合向量;利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果。本发明可以提高多轮交互场景下的智能识别准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种改善累计误差的智能问诊方法、装置、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,机器学习在医疗分析领域的应用场景越来越多,比如,远程医疗、智能诊断、机器人问诊等。其中,医疗分析领域的智能分析手段大多是多轮交互的,确保获取更多的患者数据,得到更精确的诊断结果。
然而,多轮交互存在误差累积的问题,例如,在某一轮的某个阶段中,处理出现误差,则后续阶段会汇聚此误差,使后续阶段处理信息会被干扰,逐渐偏离目标方向,造成医疗分析准确性降低。
发明内容
本发明提供一种改善累计误差的智能问诊方法、装置、设备及存储介质,其主要目的在于通过改善累计误差,提高多轮交互场景下的智能识别准确率。
为实现上述目的,本发明提供的一种改善累计误差的智能问诊方法,包括:
获取患者的问答话语信息,并根据预设的预处理策略,对所述问答话语信息进行病症实体识别、意图识别及患者画像识别,得到实体集合、患者意图及患者画像;
利用预训练的误差纠正疾病识别模型中的浅层网络,对所述实体集合、所述患者意图及所述患者画像进行第一量化操作,得到第一量化结果,并将第一量化结果进行全连接操作,得到第一特征向量;
利用所述误差纠正疾病识别模型中的深层网络,对所述问答话语信息进行问答顺序拼接操作,得到患者症状文本,并对所述患者症状文本进行第二量化操作,得到第二特征向量;
根据预设的特征融合策略,将所述第一特征向量及所述第二特征向量进行特征融合,得到融合向量;
利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果。
可选的,所述对所述实体集合、所述患者意图及所述患者画像进行第一量化操作,得到第一量化结果,并将第一量化结果进行全连接操作,得到第一特征向量,包括:
对所述患者画像中的各个画像标签进行量化操作,得到标签向量集合,根据预设的标签库数量及预设的第一嵌入维度,对所述标签向量集合进行加权平均计算,得到画像特征矩阵;
对所述患者意图进行量化操作,得到意图向量集合,根据预设的意图库数量及所述第一嵌入维度,对所述意图向量集合进行加权平均计算,得到意图特征矩阵;
对所述实体集合中的各个实体进行量化操作,得到实体向量集合,根据预设的实体库数量及所述第一嵌入维度,对所述实体向量集合进行加权平均计算,得到实体特征矩阵;
对所述画像特征矩阵、所述意图特征矩阵及所述实体特征矩阵进行全连接操作,得到第一特征向量。
可选的,所述对所述患者症状文本进行第二量化操作,得到第二特征向量,包括:
根据预设的词典大小及预设的第二嵌入维度对所述患者症状本文进行分词及量化操作,得到各个语句量化结果;
对各个所述语句量化结果分别进行加权平均计算,得到各个语句特征矩阵,并利用预构建的分隔符,根据所述患者症状文本中的问答顺序,依次将各个所述语句特征矩阵进行连接,得到第二特征向量。
可选的,所述根据预设的特征融合策略,将所述第一特征向量及所述第二特征向量进行特征融合,得到融合向量,包括:
根据预设的特征融合策略,对所述第一特征向量及所述第二特征向量进行矩阵对位相乘操作,得到乘积矩阵;
对所述第一特征向量及所述第二特征向量进行矩阵对位相加操作,得到加和矩阵;
依次对所述第一特征矩阵、所述第二特征矩阵、所述加和矩阵及所述乘积矩阵进行拼接操作,得到融合向量。
可选的,所述利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果之前,所述方法还包括:
获取预构建的历史患者数据,并根据预设的样本格式对所述历史患者数据进行格式化,得到训练样本集;
获取初始化模型参数集合,并利用所述初始化模型参数集合,构建初始化误差纠正疾病识别模型;
从所述训练样本集中依次提取一个训练样本,并利用所述初始化误差纠正疾病识别模型对所述训练样本进行正向识别判断,得到疾病预测结果;
利用交叉熵算法,计算所述疾病预测结果与所述训练样本对应的真实疾病结果的损失值;
最小化所述损失值,得到损失值最小时的模型参数,并利用所述模型参数更新所述初始化模型参数集合,得到更新误差纠正疾病识别模型;
判断所述损失值是否小于预设的合格阈值;
当所述损失值未小于所述合格阈值时,返回上述从所述训练样本集中依次提取一个训练样本的步骤,对所述更新误差纠正疾病识别模型进行迭代更新;
当所述损失值小于所述合格阈值时,将最终更新的更新误差纠正疾病识别模型作为训练完成的误差纠正疾病识别模型。
可选的,所述利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果,包括:
利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行全连接操作,得到各个全连接特征,并对所述各个全连接特征进行分类判断,得到所述各个全连接特征符合预设的疾病类型的概率;
将各个所述概率进行归一化操作,得到归一化结果;
将归一化结果最大的疾病类型进行输出,得到疾病识别结果。
可选的,所述根据预设的预处理策略,对所述问答话语信息进行病症实体识别、意图识别及患者画像识别,得到实体集合、患者意图及患者画像,包括:
根据预设的预处理策略,对所述问答话语信息进行分词操作,得到词语集合;
对所述词语集合进行停用词及特殊字符清洗操作,得到简化词语集合;
对所述简化词语集合进行量化操作,得到简化词向量集合;
分别利用预构建的实体提取模型、意图识别模型及画像构建模型对所述化简词向量进行处理,得到实体集合、患者意图及患者画像。
为了解决上述问题,本发明还提供一种改善累计误差的智能问诊装置,所述装置包括:
数据预处理模块,用于获取患者的问答话语信息,并根据预设的预处理策略,对所述问答话语信息进行病症实体识别、意图识别及患者画像识别,得到实体集合、患者意图及患者画像;
浅层特征提取模块,用于利用预训练的误差纠正疾病识别模型中的浅层网络,对所述实体集合、所述患者意图及所述患者画像进行第一量化操作,得到第一量化结果,并将第一量化结果进行全连接操作,得到第一特征向量;
深层特征提取模块,用于利用所述误差纠正疾病识别模型中的深层网络,对所述问答话语信息进行问答顺序拼接操作,得到患者症状文本,并对所述患者症状文本进行第二量化操作,得到第二特征向量;
特征融合模块,用于根据预设的特征融合策略,将所述第一特征向量及所述第二特征向量进行特征融合,得到融合向量;
疾病识别模块,用于利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果。
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改善累计误差的智能问诊方法。
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改善累计误差的智能问诊方法。
本发明实施例先通过预设的预处理策略,获取患者的问答话语信息及对应的实体集合、患者意图及患者画像,然后分别对所述问答话语信息进行量化,对所述所述实体集合、所述患者意图及所述患者画像进行量化,分别得到第二特征向量及第一特征向量,其中,所述第一特征向量采用浅层网络,而所述第二特征向量采用的是深层网络,其中,深层网络可以获取更多的数据信息,而浅层网络可以保留最准确、明显的原始数据信息,然后通过特征融合,将第一特征向量与所述第二特征向量进行融合,避免深层网络由于误差造成识别方向的偏移。因此,本发明实施例提供的一种改善累计误差的智能问诊方法、装置、设备及存储介质,能够在于通过改善累计误差,提高多轮交互场景下的智能识别准确率。
附图说明
图1为本发明一实施例提供的改善累计误差的智能问诊方法的流程示意图;
图2为本发明一实施例提供的改善累计误差的智能问诊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改善累计误差的智能问诊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改善累计误差的智能问诊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改善累计误差的智能问诊方法中一个步骤的详细流程示意图;
图6为本发明一实施例提供的改善累计误差的智能问诊装置的功能模块图;
图7为本发明一实施例提供的实现所述改善累计误差的智能问诊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改善累计误差的智能问诊方法。本申请实施例中,所述改善累计误差的智能问诊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,所述改善累计误差的智能问诊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改善累计误差的智能问诊方法的流程示意图。在本实施例中,所述改善累计误差的智能问诊方法包括步骤S1~S5:
S1、获取患者的问答话语信息,并根据预设的预处理策略,对所述问答话语信息进行病症实体识别、意图识别及患者画像识别,得到实体集合、患者意图及患者画像。
本发明实施例中,所述问答话语信息是患者针对问诊机器人或医生提出的问题进行答复的文本记录。
进一步的,所述预处理策略是指通过病症实体识别、意图识别及患者画像识别的手段,获取所述问答话语信息的原始信息的策略。
详细的,本发明实施例中,所述根据预设的预处理策略,对所述问答话语信息进行病症实体识别、意图识别及患者画像识别,得到实体集合、患者意图及患者画像,包括:根据预设的预处理策略,对所述问答话语信息进行分词操作,得到词语集合;对所述词语集合进行停用词及特殊字符清洗操作,得到简化词语集合;对所述简化词语集合进行量化操作,得到简化词向量集合;分别利用预构建的实体提取模型、意图识别模型及画像构建模型对所述化简词向量进行处理,得到实体集合、患者意图及患者画像。
本发明实施例中,先通过分词工具,如NLPIR汉语分词系统或jieba等,对所述问答话语信息进行分词操作,得到词语集合,但所述词语集合中包括一些特殊字符,如表情包、颜文字等,或一些“啊”、“这”等停用词,本发明实施例利用数据库工具及停用词字典,将所述词语集合进行清洗,得到简化词语集合,然后通过One-Hot模型或其他量化工具,将所述简化词语集合中的各个简化词语进行量化编码,得到简化词向量集合,最终利用预构建的实体提取模型、意图识别模型及画像构建模型对所述化简词向量进行处理,得到实体集合、患者意图及患者画像。其中,所述实体提取模型、所述意图识别模型及所述画像构建模型均为文本处理领域中常见的模型,此处不加以赘述。
S2、利用预训练的误差纠正疾病识别模型中的浅层网络,对所述实体集合、所述患者意图及所述患者画像进行第一量化操作,得到第一量化结果,并将第一量化结果进行全连接操作,得到第一特征向量。
本发明实施例中,所述误差纠正疾病识别模型为一种基于两个编码器与一个译码器的神经网络模型,其中,两个编码器分别为包含二层全连接层的浅层网络,及包含12层网络的深层网络,此外,所述译码器为包含两层全连接网络的疾病识别网络。
详细的,参考图2所示,本发明实施例中,所述对所述实体集合、所述患者意图及所述患者画像进行第一量化操作,得到第一量化结果,并将第一量化结果进行全连接操作,得到第一特征向量,包括步骤S21~S24:
S21、对所述患者画像中的各个画像标签进行量化操作,得到标签向量集合,根据预设的标签库数量及预设的第一嵌入维度,对所述标签向量集合进行加权平均计算,得到画像特征矩阵;
S22、对所述患者意图进行量化操作,得到意图向量集合,根据预设的意图库数量及所述第一嵌入维度,对所述意图向量集合进行加权平均计算,得到意图特征矩阵;
S23、对所述实体集合中的各个实体进行量化操作,得到实体向量集合,根据预设的实体库数量及所述第一嵌入维度,对所述实体向量集合进行加权平均计算,得到实体特征矩阵;
S24、对所述画像特征矩阵、所述意图特征矩阵及所述实体特征矩阵进行全连接操作,得到第一特征向量。
本发明实施例中,把所述实体集合、所述患者意图及所述患者画像的三种类型特征分别向量化,然后将量化结果进行拼接。其中,所述标签库数量100,所述第一嵌入维度(embedding dimension)241;所述意图库数量20,所述症状实体库数量1000,且量化过程中,对同类型特征向量进行加权平均计算。其中,所述特征向量加权平均为一种通过向量的不同加权平均规则,来达到寻优目的的方法,具有寻优能力强,收敛速度快等特点。
当本发明将三种特征向量拼接后,可以得到长度为241*3=732的第一量化结果,然后将所述第一量化结果,输入所述浅层网络的2层全连接网络(FCN)中,得到第一特征向量V_s,公式表示为:
V_s=FCN(input embedding)
其中,所述第一特征向量属于所述问答话语信息的原始信息。
S3、利用所述误差纠正疾病识别模型中的深层网络,对所述问答话语信息进行问答顺序拼接操作,得到患者症状文本,并对所述患者症状文本进行第二量化操作,得到第二特征向量。
本发明实施例中,根据所述问答话语信息中的问答先后顺序,将患者和医生的对话进行拼接,且以“<sep>”字符做间隔,得到患者症状文本【患者话语<sep>医生话语<sep>患者话语<sep>医生话语……】。
详细的,参考图3所示,本发明实施例中,所述对所述患者症状文本进行第二量化操作,得到第二特征向量,包括步骤S31~S32:
S31、根据预设的词典大小及预设的第二嵌入维度对所述患者症状本文进行分词及量化操作,得到各个语句量化结果;
S32、对各个所述语句量化结果分别进行加权平均计算,得到各个语句特征矩阵,并利用预构建的分隔符,根据所述患者症状文本中的问答顺序,依次将各个所述语句特征矩阵进行连接,得到第二特征向量。
本发明实施例通过预配置的词典大小5000及所述第二嵌入维度732的参数,对所述患者症状文本进行分词及量化操作,在所述深度网络的最顶层得到各个句子的语句量化结果,并对各个句子的语句量化结果进行向量平均加权,得到732维的第二特征向量。
其中,所述第二特征向量公式表示为:
V_d=transformer_block_12(sentence embedding)
其中,所述第二特征向量属于所述问答话语信息的深度信息。
S4、根据预设的特征融合策略,将所述第一特征向量及所述第二特征向量进行特征融合,得到融合向量。
详细的,参考图4所示,本发明实施例中,所述步骤S4,包括步骤S41~S43:
S41、根据预设的特征融合策略,对所述第一特征向量及所述第二特征向量进行矩阵对位相乘操作,得到乘积矩阵;
S42、对所述第一特征向量及所述第二特征向量进行矩阵对位相加操作,得到加和矩阵;
S43、依次对所述第一特征矩阵、所述第二特征矩阵、所述加和矩阵及所述乘积矩阵进行拼接操作,得到融合向量。
本发明实施例中,所述特征融合策略是指将所述深层网络输出值与所述浅层网络的输出值进行特征融合的方法,其中,包括拼接、加权、加和的操作。
本发明实施例根据所述特征融合策略,将深度网络编码所述问答话语信息得到的深度信息,融入浅层网络的原始信息,得到融合向量,便于后续疾病识别网络进行统一识别,从而改善了疾病辨识结果。
其中,所述融合向量如下:
【V_s·V_d·V_s+V_d·V_s*V_d】
式中,所述V_s*V_d表示对应位相乘,所述V_s+V_d表示对应位相加。
S5、利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果。
详细的,本发明实施例中,所述利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果,包括:利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行全连接操作,得到各个全连接特征,并对所述各个全连接特征进行分类判断,得到所述各个全连接特征符合预设的疾病类型的概率;将各个所述概率进行归一化操作,得到归一化结果;将归一化结果最大的疾病类型进行输出,得到疾病识别结果。
本发明实施例中,疾病识别网络为常见的医疗文本识别领域中的下游分析模型,通过全连接层的softmax函数对各个全连接特征符合预设的疾病类型的概率进行评估,并进行归一化操作,得到辨病概率分布(50种预设类别疾病)p=softmax(FCN_2(V_c)),并通过disease=arg_max(p)函数,将归一化结果最大的疾病类型进行输出,得到疾病识别结果。
进一步的,参考图5所示,本发明实施例中,所述利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果之前,所述方法还包括步骤S51~S57:
S51、获取预构建的历史患者数据,并根据预设的样本格式对所述历史患者数据进行格式化,得到训练样本集;
S52、获取初始化模型参数集合,并利用所述初始化模型参数集合,构建初始化误差纠正疾病识别模型;
S53、从所述训练样本集中依次提取一个训练样本,并利用所述初始化误差纠正疾病识别模型对所述训练样本进行正向识别判断,得到疾病预测结果;
S54、利用交叉熵算法,计算所述疾病预测结果与所述训练样本对应的真实疾病结果的损失值;
S55、最小化所述损失值,得到损失值最小时的模型参数,并利用所述模型参数更新所述初始化模型参数集合,得到更新误差纠正疾病识别模型;
S56、判断所述损失值是否小于预设的合格阈值;
当所述损失值未小于所述合格阈值时,返回上述S53的步骤,对所述更新误差纠正疾病识别模型进行迭代更新;
当所述损失值小于所述合格阈值时,S57、将最终更新的更新误差纠正疾病识别模型作为训练完成的误差纠正疾病识别模型。
本发明实施例中,所述历史患者数据为医疗信息库中记录的大量医疗问答信息及最终的诊断结果。
其中,所述预设的样本格式是指<画像标签,意图识别结果,病症实体抽取结果,对话记录,疾病>。
本发明实施例根据所述样本格式将所述历史患者数据进行格式化,得到训练样本集。再获取预构建的初始化模型参数集合W,并构建初始化误差纠正疾病识别模型。
然后,通过配置预测算法:
【输入:<画像标签,意图识别结果,病症实体抽取结果,对话记录>
输出:top_1疾病
参数w:训练得到的w赋值初始化误差纠正疾病识别模型】
通过每一次训练过程得到的参数w对所述初始化误差纠正疾病识别模型,得到更新更新误差纠正疾病识别模型。
再通过配置训练算法:
【输入:训练数据。每个样本格式<画像标签,意图识别结果,病症实体抽取结果,对话记录,疾病>
输出:模型所有参数集W。
损失函数:交叉熵损失函数。
参数初始化:网络参数随机初始化。】
根据预设的函数条件,当损失值小于预设的合格阈值时,可以跳出训练过程,得到训练完成的误差纠正疾病识别模型。
本发明实施例先通过预设的预处理策略,获取患者的问答话语信息及对应的实体集合、患者意图及患者画像,然后分别对所述问答话语信息进行量化,对所述所述实体集合、所述患者意图及所述患者画像进行量化,分别得到第二特征向量及第一特征向量,其中,所述第一特征向量采用浅层网络,而所述第二特征向量采用的是深层网络,其中,深层网络可以获取更多的数据信息,而浅层网络可以保留最准确、明显的数据信息,然后通过特征融合,将第一特征向量与所述第二特征向量进行融合,避免深层网络由于误差造成识别方向的偏移。因此,本发明实施例提供的一种改善累计误差的智能问诊方法,能够在于通过改善累计误差,提高多轮交互场景下的智能识别准确率。
如图6所示,是本发明一实施例提供的改善累计误差的智能问诊装置的功能模块图。
本发明所述改善累计误差的智能问诊装置100可以安装于电子设备中。根据实现的功能,所述改善累计误差的智能问诊装置100可以包括数据预处理模块101、浅层特征提取模块102、深层特征提取模块103、特征融合模块104及疾病识别模块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:
所述数据预处理模块101,用于获取患者的问答话语信息,并根据预设的预处理策略,对所述问答话语信息进行病症实体识别、意图识别及患者画像识别,得到实体集合、患者意图及患者画像;
所述浅层特征提取模块102,用于利用预训练的误差纠正疾病识别模型中的浅层网络,对所述实体集合、所述患者意图及所述患者画像进行第一量化操作,得到第一量化结果,并将第一量化结果进行全连接操作,得到第一特征向量;
所述深层特征提取模块103,用于利用所述误差纠正疾病识别模型中的深层网络,对所述问答话语信息进行问答顺序拼接操作,得到患者症状文本,并对所述患者症状文本进行第二量化操作,得到第二特征向量;
所述特征融合模块104,用于根据预设的特征融合策略,将所述第一特征向量及所述第二特征向量进行特征融合,得到融合向量;
所述疾病识别模块105,用于利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果。
详细地,本申请实施例中所述改善累计误差的智能问诊装置100中所述的各模块在使用时采用与上述图1至图5中所述的改善累计误差的智能问诊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7所示,是本发明一实施例提供的实现改善累计误差的智能问诊方法的电子设备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,如改善累计误差的智能问诊程序。
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(例如执行改善累计误差的智能问诊程序等),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,例如改善累计误差的智能问诊程序的代码等,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7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7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存储的改善累计误差的智能问诊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:
获取患者的问答话语信息,并根据预设的预处理策略,对所述问答话语信息进行病症实体识别、意图识别及患者画像识别,得到实体集合、患者意图及患者画像;
利用预训练的误差纠正疾病识别模型中的浅层网络,对所述实体集合、所述患者意图及所述患者画像进行第一量化操作,得到第一量化结果,并将第一量化结果进行全连接操作,得到第一特征向量;
利用所述误差纠正疾病识别模型中的深层网络,对所述问答话语信息进行问答顺序拼接操作,得到患者症状文本,并对所述患者症状文本进行第二量化操作,得到第二特征向量;
根据预设的特征融合策略,将所述第一特征向量及所述第二特征向量进行特征融合,得到融合向量;
利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果。
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:
获取患者的问答话语信息,并根据预设的预处理策略,对所述问答话语信息进行病症实体识别、意图识别及患者画像识别,得到实体集合、患者意图及患者画像;
利用预训练的误差纠正疾病识别模型中的浅层网络,对所述实体集合、所述患者意图及所述患者画像进行第一量化操作,得到第一量化结果,并将第一量化结果进行全连接操作,得到第一特征向量;
利用所述误差纠正疾病识别模型中的深层网络,对所述问答话语信息进行问答顺序拼接操作,得到患者症状文本,并对所述患者症状文本进行第二量化操作,得到第二特征向量;
根据预设的特征融合策略,将所述第一特征向量及所述第二特征向量进行特征融合,得到融合向量;
利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果。
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)
1.一种改善累计误差的智能问诊方法,其特征在于,所述方法包括:
获取患者的问答话语信息,并根据预设的预处理策略,对所述问答话语信息进行病症实体识别、意图识别及患者画像识别,得到实体集合、患者意图及患者画像;
利用预训练的误差纠正疾病识别模型中的浅层网络,对所述实体集合、所述患者意图及所述患者画像进行第一量化操作,得到第一量化结果,并将第一量化结果进行全连接操作,得到第一特征向量;
利用所述误差纠正疾病识别模型中的深层网络,对所述问答话语信息进行问答顺序拼接操作,得到患者症状文本,并对所述患者症状文本进行第二量化操作,得到第二特征向量;
根据预设的特征融合策略,将所述第一特征向量及所述第二特征向量进行特征融合,得到融合向量;
利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果。
2.如权利要求1所述的改善累计误差的智能问诊方法,其特征在于,所述对所述实体集合、所述患者意图及所述患者画像进行第一量化操作,得到第一量化结果,并将第一量化结果进行全连接操作,得到第一特征向量,包括:
对所述患者画像中的各个画像标签进行量化操作,得到标签向量集合,根据预设的标签库数量及预设的第一嵌入维度,对所述标签向量集合进行加权平均计算,得到画像特征矩阵;
对所述患者意图进行量化操作,得到意图向量集合,根据预设的意图库数量及所述第一嵌入维度,对所述意图向量集合进行加权平均计算,得到意图特征矩阵;
对所述实体集合中的各个实体进行量化操作,得到实体向量集合,根据预设的实体库数量及所述第一嵌入维度,对所述实体向量集合进行加权平均计算,得到实体特征矩阵;
对所述画像特征矩阵、所述意图特征矩阵及所述实体特征矩阵进行全连接操作,得到第一特征向量。
3.如权利要求1所述的改善累计误差的智能问诊方法,其特征在于,所述对所述患者症状文本进行第二量化操作,得到第二特征向量,包括:
根据预设的词典大小及预设的第二嵌入维度对所述患者症状本文进行分词及量化操作,得到各个语句量化结果;
对各个所述语句量化结果分别进行加权平均计算,得到各个语句特征矩阵,并利用预构建的分隔符,根据所述患者症状文本中的问答顺序,依次将各个所述语句特征矩阵进行连接,得到第二特征向量。
4.如权利要求1所述的改善累计误差的智能问诊方法,其特征在于,所述根据预设的特征融合策略,将所述第一特征向量及所述第二特征向量进行特征融合,得到融合向量,包括:
根据预设的特征融合策略,对所述第一特征向量及所述第二特征向量进行矩阵对位相乘操作,得到乘积矩阵;
对所述第一特征向量及所述第二特征向量进行矩阵对位相加操作,得到加和矩阵;
依次对所述第一特征矩阵、所述第二特征矩阵、所述加和矩阵及所述乘积矩阵进行拼接操作,得到融合向量。
5.如权利要求1所述的改善累计误差的智能问诊方法,其特征在于,所述利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果之前,所述方法还包括:
获取预构建的历史患者数据,并根据预设的样本格式对所述历史患者数据进行格式化,得到训练样本集;
获取初始化模型参数集合,并利用所述初始化模型参数集合,构建初始化误差纠正疾病识别模型;
从所述训练样本集中依次提取一个训练样本,并利用所述初始化误差纠正疾病识别模型对所述训练样本进行正向识别判断,得到疾病预测结果;
利用交叉熵算法,计算所述疾病预测结果与所述训练样本对应的真实疾病结果的损失值;
最小化所述损失值,得到损失值最小时的模型参数,并利用所述模型参数更新所述初始化模型参数集合,得到更新误差纠正疾病识别模型;
判断所述损失值是否小于预设的合格阈值;
当所述损失值未小于所述合格阈值时,返回上述从所述训练样本集中依次提取一个训练样本的步骤,对所述更新误差纠正疾病识别模型进行迭代更新;
当所述损失值小于所述合格阈值时,将最终更新的更新误差纠正疾病识别模型作为训练完成的误差纠正疾病识别模型。
6.如权利要求1所述的改善累计误差的智能问诊方法,其特征在于,所述利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果,包括:
利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行全连接操作,得到各个全连接特征,并对所述各个全连接特征进行分类判断,得到所述各个全连接特征符合预设的疾病类型的概率;
将各个所述概率进行归一化操作,得到归一化结果;
将归一化结果最大的疾病类型进行输出,得到疾病识别结果。
7.如权利要求1所述的改善累计误差的智能问诊方法,其特征在于,所述根据预设的预处理策略,对所述问答话语信息进行病症实体识别、意图识别及患者画像识别,得到实体集合、患者意图及患者画像,包括:
根据预设的预处理策略,对所述问答话语信息进行分词操作,得到词语集合;
对所述词语集合进行停用词及特殊字符清洗操作,得到简化词语集合;
对所述简化词语集合进行量化操作,得到简化词向量集合;
分别利用预构建的实体提取模型、意图识别模型及画像构建模型对所述化简词向量进行处理,得到实体集合、患者意图及患者画像。
8.一种改善累计误差的智能问诊装置,其特征在于,所述装置包括:
数据预处理模块,用于获取患者的问答话语信息,并根据预设的预处理策略,对所述问答话语信息进行病症实体识别、意图识别及患者画像识别,得到实体集合、患者意图及患者画像;
浅层特征提取模块,用于利用预训练的误差纠正疾病识别模型中的浅层网络,对所述实体集合、所述患者意图及所述患者画像进行第一量化操作,得到第一量化结果,并将第一量化结果进行全连接操作,得到第一特征向量;
深层特征提取模块,用于利用所述误差纠正疾病识别模型中的深层网络,对所述问答话语信息进行问答顺序拼接操作,得到患者症状文本,并对所述患者症状文本进行第二量化操作,得到第二特征向量;
特征融合模块,用于根据预设的特征融合策略,将所述第一特征向量及所述第二特征向量进行特征融合,得到融合向量;
疾病识别模块,用于利用所述误差纠正疾病识别模型的疾病识别网络,对所述融合向量进行疾病多分类判断,得到疾病识别结果。
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中任意一项所述的改善累计误差的智能问诊方法。
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中任意一项所述的改善累计误差的智能问诊方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310390865.2A CN116665878A (zh) | 2023-04-04 | 2023-04-04 | 改善累计误差的智能问诊方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310390865.2A CN116665878A (zh) | 2023-04-04 | 2023-04-04 | 改善累计误差的智能问诊方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116665878A true CN116665878A (zh) | 2023-08-29 |
Family
ID=87708653
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310390865.2A Pending CN116665878A (zh) | 2023-04-04 | 2023-04-04 | 改善累计误差的智能问诊方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665878A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854713A (zh) * | 2024-03-06 | 2024-04-09 | 之江实验室 | 一种中医证候诊断模型训练的方法、一种信息推荐的方法 |
CN117854713B (zh) * | 2024-03-06 | 2024-06-04 | 之江实验室 | 一种中医证候诊断模型训练的方法、一种信息推荐的方法 |
-
2023
- 2023-04-04 CN CN202310390865.2A patent/CN116665878A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117854713A (zh) * | 2024-03-06 | 2024-04-09 | 之江实验室 | 一种中医证候诊断模型训练的方法、一种信息推荐的方法 |
CN117854713B (zh) * | 2024-03-06 | 2024-06-04 | 之江实验室 | 一种中医证候诊断模型训练的方法、一种信息推荐的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814962B (zh) | 识别模型的参数获取方法、装置、电子设备及存储介质 | |
CN114822812A (zh) | 角色对话模拟方法、装置、设备及存储介质 | |
WO2021056710A1 (zh) | 多轮问答识别方法、装置、计算机设备及存储介质 | |
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 | |
CN113807973B (zh) | 文本纠错方法、装置、电子设备及计算机可读存储介质 | |
CN114880449B (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN116821373A (zh) | 基于图谱的prompt推荐方法、装置、设备及介质 | |
CN116662488A (zh) | 业务文档检索方法、装置、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 | |
CN114780701A (zh) | 自动问答匹配方法、装置、计算机设备及存储介质 | |
CN116468025A (zh) | 电子病历结构化方法、装置、电子设备及存储介质 | |
CN116450829A (zh) | 医疗文本分类方法、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 | |
CN116341646A (zh) | Bert模型的预训练方法、装置、电子设备及存储介质 | |
CN116665878A (zh) | 改善累计误差的智能问诊方法、装置、设备及存储介质 | |
CN115132372A (zh) | 术语处理方法、装置、电子设备、存储介质及程序产品 | |
CN113469237A (zh) | 用户意图识别方法、装置、电子设备及存储介质 | |
CN115169330B (zh) | 中文文本纠错及验证方法、装置、设备及存储介质 | |
CN117009532B (zh) | 语义类型识别方法、装置、计算机可读介质及电子设备 | |
CN116975298B (zh) | 一种基于nlp的现代化社会治理调度系统及方法 | |
CN116431811A (zh) | 基于隐因子注意力机制意图识别方法、装置、设备及介质 | |
CN116702761A (zh) | 文本纠错方法、装置、设备及存储介质 | |
CN115269803A (zh) | 基于多语言模型的智能问答方法、装置、设备及介质 | |
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 |