CN116682579A - 基于问诊意图的信息推荐方法、装置、设备以及存储介质 - Google Patents

Abstract

本申请实施例涉及数字医疗领域，具体提供了一种基于问诊意图的信息推荐方法、装置、设备及存储介质。该方法包括构建意图跳转路径及意图分布模型；接收目标对象的问诊请求，并响应所述问诊请求获取所述目标对象的问诊信息及所述目标对象的用户相关信息，所述用户相关信息至少包括所述目标对象的历史问诊信息；根据所述问诊信息及所述意图跳转路径确定与所述问诊信息匹配的问诊意图集合；根据所述问诊信息、所述用户相关信息及所述意图分布模型确定所述问诊意图集合中各个问诊意图的概率分布；根据所述概率分布从所述问诊意图集合中确定所述目标对象的目标问诊意图，并根据所述目标问诊意图输出对应的问诊结果。

Description

基于问诊意图的信息推荐方法、装置、设备以及存储介质

技术领域

本申请涉及数字医疗领域，尤其涉及一种基于问诊意图的信息推荐方法、装置、设备以及存储介质。

背景技术

随着信息科学技术的迅速发展，智慧医疗、智慧医院建设已成为提高医疗质量和患者满意度的重要手段。医院导诊工作是患者进入医院享受的第一道服务，具有工作难度系数低，患者就医满意度影响系数大的特点。然而医院导诊工作的赋能作用不明显，传统医院导诊工作仍然在消耗大量的人力资源用于服务患者对科室导航、就医流程、专家咨询等咨询问答上，存在机械性、重复性、低难度性等特点。因此，智能问答系统应运而生。

但是现有智能问答系统存在知识库不完善、功能单一无法在实际场景中发挥很好的作用，智能问答系统在问答过程中还存在答非所问，应答场景有限的问题。需要人工选择不同的信息推荐系统去满足自身的信息查询需求，增加了用户查询的时间成本，降低了用户的体验度。针对现有的信息推荐系统存在的用户体验度不足的问题，因此有必要提供一种基于问诊意图的信息推荐系统，能够整合多场景信息推荐功能，针对问诊咨询信息进行精准的反馈，为更广泛的人群提供健康的便利，提高用户的体验度。

发明内容

本申请实施例的主要目的在于提供一种基于问诊意图的信息推荐方法、装置、设备以及存储介质，旨在为患者或潜在患者提供一种基于问诊意图的信息推荐方法，以提高问诊信息查询的准确度，从而能够提升患者或潜在患者的就医满意度，降低医院在就医流程中服务患者的人力资源成本。

第一方面，本申请实施例提供一种基于问诊意图的信息推荐方法，包括：

构建意图跳转路径及意图分布模型，其中，意图跳转路径包括多个意图节点及意图节点之间的关联关系，每个意图节点表征一种问诊意图；

接收目标对象的问诊请求，并响应问诊请求获取目标对象的问诊信息及目标对象的用户相关信息，用户相关信息至少包括目标对象的历史问诊信息；

根据问诊信息及意图跳转路径确定与问诊信息匹配的问诊意图集合；

根据问诊信息、用户相关信息及意图分布模型确定问诊意图集合中各个问诊意图的概率分布；

根据概率分布从问诊意图集合中确定目标对象的目标问诊意图，并根据目标问诊意图输出对应的问诊结果。

第二方面，本申请实施例还提供一种基于问诊意图的信息推荐装置，包括：

模型构建模块，用于构建意图跳转路径及意图分布模型，其中，意图跳转路径包括多个意图节点及意图节点之间的关联关系，每个意图节点表征一种问诊意图；

数据获取模块，用于接收目标对象的问诊请求，并响应问诊请求获取目标对象的问诊信息及目标对象的用户相关信息，用户相关信息至少包括目标对象的历史问诊信息；

信息匹配模块，用于根据问诊信息及意图跳转路径确定与问诊信息匹配的问诊意图集合；

概率计算模块，用于根据问诊信息、用户相关信息及意图分布模型确定问诊意图集合中各个问诊意图的概率分布；

结果反馈模块，用于根据概率分布从问诊意图集合中确定目标对象的目标问诊意图，并根据目标问诊意图输出对应的问诊结果。

第三方面，本申请实施例还提供一种终端设备，终端设备包括处理器、存储器，存储在存储器上并可被处理器执行的计算机程序以及用于实现处理器和存储器之间的连接通信的数据总线，其中计算机程序被处理器执行时，实现如本申请说明书提供的任一项基于问诊意图的信息推荐方法的步骤。

第四方面，本申请实施例还提供一种计算机存储介质，用于计算机可读存储，其特征在于，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如本申请说明书提供的任一项基于问诊意图的信息推荐方法的步骤。

本申请实施例提供一种基于问诊意图的信息推荐方法、装置、设备及存储介质，其中，该信息推荐方法通过构建意图跳转路径及意图分布模型，其中，意图跳转路径包括多个意图节点及意图节点之间的关联关系，每个意图节点表征一种问诊意图；接收目标对象的问诊请求，并响应问诊请求获取目标对象的问诊信息及目标对象的用户相关信息，用户相关信息至少包括目标对象的历史问诊信息；根据问诊信息及意图跳转路径确定与问诊信息匹配的问诊意图集合；根据问诊信息、用户相关信息及意图分布模型确定问诊意图集合中各个问诊意图的概率分布；根据概率分布从问诊意图集合中确定目标对象的目标问诊意图，并根据目标问诊意图输出对应的问诊结果。本申请通过历史问诊记录或者专家经验构建意图跳转路径和意图分布模型，当接收到目标对象的问诊请求时，对问诊请求进行解析获得目标对象的问诊信息及目标对象的用户相关信息；通过问诊信息及意图跳转路径确定与问诊信息匹配的问诊意图集合，然后再根据问诊信息、用户相关信息及意图分布模型确定问诊意图集合中各个问诊意图的概率分布，进而根据概率分布从问诊意图集合中确定目标对象的目标问诊意图，并根据目标问诊意图输出对应的问诊结果。从而可以提升问诊咨询信息反馈的精准度，进而提升了患者或潜在患者的服务满意度。

附图说明

为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种基于问诊意图的信息推荐方法的步骤流程示意图；

图2是本申请实施例提供的一种基于问诊意图的信息推荐方法中意图跳转路径的示意图；

图3是本申请实施例提供的一种基于问诊意图的信息推荐方法中的意图分布模型的结构示意图；

图4是图1中步骤S4的一种具体实施方式对应的步骤流程图；

图5是本申请实施例提供的一种基于问诊意图的信息推荐装置的模块结构示意图；

图6是本申请实施例提供的一种终端设备的结构示意框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。

应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

本申请实施例提供一种基于问诊意图的信息推荐方法、装置、设备以及存储介质。其中，该基于问诊意图的信息推荐方法可应用于终端设备。该终端设备可以为手机、平板电脑、笔记本电脑、台式电脑、个人数字助理、穿戴式设备、或服务器，其中，服务器可以为独立的服务器，也可以为服务器集群。

其中，该基于问诊意图的信息推荐方法根据历史问诊数据或者专家经验构建意图跳转路径和意图分布模型，其中意图跳转路径包括多个意图节点及意图节点之间的关联关系，每个意图节点表征一种问诊意图。通过当接收到目标对象的问诊请求时，根据问诊请求响应目标对象的问诊信息及目标对象的用户相关信息，用户相关信息至少包括目标对象的历史问诊信息；对问诊信息进行关键词提取，并根据关键词确定问诊信息所咨询的问题分类，从意图跳转路径的意图节点中确定与问题分类匹配的目标意图节点，根据目标意图节点获取与问诊意图匹配的问诊意图集合；意图分布模型包括第一特征提取网络、第二特征提取网络、向量融合网络及信息输出网络，将问诊信息输入至第一特征提取网络，获得第一特征向量，将用户相关信息输入至第二特征网络，得到第二特征向量，将第一特征向量和第二特征向量利用向量融合网络进行拼接融合获得组合特征向量，将组合特征向量输入信息输出网络中，得到问诊意图集合中各个问诊意图的概率分布；从问诊意图集合中选择概率分布超过预设值的问诊意图作为问诊意图，根据目标问诊意图获取与目标问诊意图匹配的意图推荐模型，并根据意图推荐模型输出对应的问诊结果。从而可以提高问诊咨询信息的精准度，进而提升患者或潜在患者的服务满意度。

下面结合附图，对本申请的一些实施例作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。

请参照图1，图1为本申请实施例提供的一种基于问诊意图的信息推荐方法的流程示意图。

如图1所示，该问诊意图的信息推荐方法包括步骤S1至步骤S5。

步骤S1：构建意图跳转路径及意图分布模型，其中，意图跳转路径包括多个意图节点及意图节点之间的关联关系，每个意图节点表征一种问诊意图。

根据传统医院导诊工作的总结可以得出在消耗大量的人力资源用于服务患者对科室导航、就医流程、专家咨询等咨询问答上时，咨询问答的问题类型多存在机械性、重复性、低难度性等特点，因而可以将这些工作可以进行整合，既减少了医院方面的人力资源投入，可以将人力释放到更重要的事情上，也可以为患者或潜在患者提供便利，足不出户也能完成相应的信息查询，能够快速得到正确响应，获得一定的信息支持，节省时间成本。

示例性地，当搭建基于问诊意图的信息推荐方法平台时，需要先根据历史诊疗信息或者专家经验构建意图跳转路径，意图跳转路径包括多个意图节点及意图节点之间的关联关系，每个意图节点表征一种问诊意图。问诊意图可以是症状判断、科室问诊、科室导诊、科室路径推荐、复诊开药、复诊随访，也可以根据实际历史诊疗信息数据中按照需求划分，意图节点之间的关联关系包括意图节点之间的跳转以及意图节点之间的跳转频次，例如，症状判断意图下一次询问意图可能是科室导诊，根据历史诊疗信息中总结获得，症状判断跳转到科室导诊的频率为50次，则在意图跳转路径中症状判断可以跳转到科室导诊，并且跳转频次为50。

意图跳转路径可以利用历史诊疗信息进行构建，历史诊疗信息中数据字段包括问诊信息、问诊意图集合、目标问诊意图。其中，问诊信息包括目标对象的问诊信息及目标对象的用户相关信息，用户相关信息至少包括目标对象的历史问诊信息。数据样例以表1和表2中的格式为例。

表1历史诊疗信息数据样例1

表2历史诊疗信息数据样例2

根据表1和表2中的数据构建意图跳转路径如图2所示。根据表1和表2中目标问诊意图进行连接，图2中实线表示表1和表2中已经有数据支撑的关系，虚线表示表1和表2未有数据支撑但是可以根据专家经验得出出现的关系，实际中可以跳转的关系。随着数据量的增多，意图跳转路径中的意图节点信息会越来越丰富，意图跳转路径中的意图节点之间的关系跳转也越来越多。进而可以为后续的信息推荐提供更精准的服务。

示例性地，当意图跳转路径构建前期没有可以利用的历史诊疗信息数据时，可以根据专家经验进行构建，例如在医院做导诊的义工或者医院做导诊的工作人员等等，根据他们的历史经验，构造相应的意图跳转路径，例如，图2中的虚线连接就可以根据专家经验提供支撑。后期随着数据的不断累积，再采用使用计算机的方式不断丰富、扩充、修正、完善意图跳转路径，进而为信息推荐方法提供良好的支撑。

示例性地，意图分布模型可以根据历史诊疗信息构建特征向量，将特征向量依次通过全连接层和softmax层，进而获得各个问诊意图的概率分布，其中意图分布模型的训练过程的损失函数可以采用交叉熵，通过不断优化目标问诊意图的概率使得其预测概率值越大，模型的概率分布的结果越好。

步骤S2：接收目标对象的问诊请求，并响应问诊请求获取目标对象的问诊信息及目标对象的用户相关信息，用户相关信息至少包括目标对象的历史问诊信息。

示例性地，通过接收目标对象的问诊请求，从问诊请求中解析出目标对象的问诊信息及目标对象的用户相关信息，其中，目标对象的相关信息可以从历史数据库中查询进行获取，目标对象的问诊信息可以是文本、图片或者语音。如果是图片可以通过对图片的分析获得用户需要传达的信息，如果是语音可以通过语音识别技术转换成对应的文本信息即可。

示例性地，问诊信息经过信息处理过后得到的文本，信息处理的方式可以是图像识别、语音识别等等，用户相关信息可以是患者或潜在患者的基础信息如年龄、性别，用户历史的诊疗记录，用户历史的查询路径记录，截止当前节点之前的路径。如表1中的数据格式。

步骤S3：根据问诊信息及意图跳转路径确定与问诊信息匹配的问诊意图集合。

示例性地，根据对问诊信息进行分析，将分析结果与意图跳转路径相结合进而获得与问诊信息匹配的问诊意图集合，例如表2中“我最近脸上泛红，起红点点”的问诊信息，其与意图跳转路径相结合可以得到的问诊意图集合为科室问诊、症状判断、科室导诊。

在一些实施方式中，根据问诊信息及意图跳转路径确定与问诊信息匹配的问诊意图集合，包括：对问诊信息进行关键词提取，并根据关键词确定问诊信息所咨询的问题分类；从意图跳转路径的意图节点中确定与问题分类匹配的目标意图节点，根据目标意图节点获取与问诊信息匹配的问诊意图集合。

示例性地，对问诊信息采用tf-idf或者text-rank的方式获得与问诊信息匹配的关键词，再利用关键词对问诊信息所咨询的问题进行问题分类，其中，问题分类的类别可以是健康查询、评估测试、健康诊断、健康治疗、效果追踪。健康查询表示知识科普性质的问诊查询；评估测试表示负责收集患者信息，进行健康状况的评估测试；健康诊断表示负责导诊，寻找对口专家医师，辅助中医师开展智能问诊，以及随访复诊；健康治疗表示治疗方案的推荐，包括用药和饮食调理；效果追踪类别表示负责治疗效果的追踪，同时包含病友社群或相似病友社群的推荐匹配。

例如，当问题分类模型构建完成后，其中，问题分类类别包括：健康查询、评估测试、健康诊断、健康治疗、效果追踪。当问诊信息为“我最近脸上泛红，起红点点”则问题分类的类别可以是健康诊断，也可以是健康治疗，还可以是健康诊断和健康治疗。问题分类的类别与构建问题分类时标注的数据有关，可以是多分类也可以是单分类。

示例性地，当根据问诊信息确定问诊信息所咨询的问题分类后，不同的问题分类类别对应不同的意图，例如问题类别为“健康查询”则其意图可以为“症状、疾病查询”、“调治方法查询”、“健康建议查询”、“古今名医名案查询”、“药物查询”。因此，当确定问题分类类别后，可以将意图跳转路径中的意图节点不属于相应问题类别的意图节点进行过滤，进而获得与问诊信息匹配的问诊意图集合。

例如，当问诊信息为“我头疼好几天了，可能是什么病，想请医生看看”，则问题分类的类别健康查询和健康诊断。则获得问诊意图集合内容包括“症状、疾病查询”、“调治方法查询”、“健康建议查询”、“古今名医名案查询”、“药物查询”、“症状判断”。

步骤S4:根据所述问诊信息、所述用户相关信息及所述意图分布模型确定所述问诊意图集合中各个问诊意图的概率分布。

示例性地，通过对问诊信息、用户相关信息进行特征提取，将提取的特征进行特征融合，将融合后的特征输入意图分布模型中获得问诊意图集合中各个问诊意图的概率分布。

请参阅图3及图4，在一些实施方式中，意图分布模型包括第一特征提取网络、第二特征提取网络、向量融合网络及信息输出网络如图3所示。

如图4所示，步骤S4包括步骤S41至步骤S44。

步骤S41：将问诊信息输入至第一特征提取网络，得到第一特征向量。

示例性地，将问诊信息中的文本信息输入至第一特征提取网络输出为该问诊信息中文本的向量表示，其中第一特征提取网络可以采用非深度学习的手工特征工程方法或者采用基于深度学习的文本数据表征方法。其中非深度学习的手工特征工程方法由特征提取的人员手工设置一些转换规则，将文本转换为向量；基于深度学习的文本数据表征方法就是针对历史诊疗信息数据训练一个深度学习模型，对应的输入诊疗信息的文本进而输出一个表示该文本的向量。

例如，将第一特征提取网路设计为深度学习的文本表征方式，可以采用bert(Bidirectional Encoder Representation from Transformers)完成第一特征向量的提取。将问诊信息传输至bert模型中得到问诊信息的文本表达，也即得到了第一特征向量。随着问诊信息的增多，也可以根据实际使用中获得的数据进行bert模型的训练，增加模型的表征能力，使得模型针对实际使用的效果更好。

步骤S42：将用户相关信息输入至所述第二特征提取网络，得到第二特征向量。

示例性地，将用户相关信息输入至所述第二特征提取网络，得到该用户相关信息对应的第二特征向量，其中，第二特征提取网络的设计与第一特征提取网络的构建方式一致，可以采用非深度学习的手工特征工程方法或者采用基于深度学习的文本数据表征方法，具体方式可以由实际情况确定。

例如，用户相关信息包括可以是用户的基础信息如年龄、性别，用户历史的诊疗记录，用户历史的查询路径记录，截止当前节点之前的路径。例如将用户的年龄转换为特征向量可以采用one-hot的文本特征提取的方式，其中，可以用[0,1,0,0,0,0]表示男性，[1,0,0,0,0,0]表示女性，向量的长度可以根据实际的需求进行修改。例如用户历史的查询路径记录也可以采用one-hot的文本特征提取的方式，以表1中的目标问诊意图路径为例：假设当前的意图类型只有科室问诊、症状判断、科室导诊、科室路径推荐、复诊开药。将当前的意图类型进行标号获得科室问诊：1、症状判断:2、科室导诊:3、科室路径推荐:4、复诊开药:5；则对表1中的目标问诊意图进行特征转化得到[2,4,4,4,5,0,0]，其中特征向量的长度可以根据实际需求进行调整，当特征向量的长度不足时可以用0进行补齐。

步骤S43：将第一特征向量和第二特征向量利用向量融合网络进行拼接融合，获得组合特征向量。

示例性地，第一特征向量和第二特征向量利用向量融合网络进行拼接融合，向量融合网络可以设计为逐个位相加，即融合第一特征向量和第二特征向量进行对应元素的相加，但是需要保证两个向量的维度是相同的，如果维度不同，则可以通过线性变换转换成同维度向量。向量融合网络也可以设计为向量拼接。也可以设计为特征融合使得第一特征向量个第二特征向量进行加权求和，使得不同的特征向量专注度不同。

例如，将问诊信息输入至第一特征提取网络，得到第一特征向量，将用户相关信息输入至所述第二特征提取网络，得到第二特征向量。假设第一特征向量为[1,2,3,56,42,12,0,0,34,2,3]，第二特征向量为[0,1,2,4,0,3,0,1,2,2,5]，则若向量融合网络采用逐个位相加方法，可以获得组合特征向量为[1,3,5,60,42,15,0,1,36,4,8]；若采用向量拼接的方式可以得到组合特征向量为[1,2,3,56,42,12,0,0,34,2,3；0,1,2,4,0,3,0,1,2,2,5]；若采用加权求和的拼接方式可以得到[1,2,3,56,42,12,0,0,34,2,3]*0.8+[0,1,2,4,0,3,0,1,2,2,5]*0.2，其中，权重0.8，0.2可以根据实际需求进行设计，也可以根据训练得到。

可选地，第一特征向量中的问诊信息可以是多条问诊记录，例如前述表1中的“我最近脸上泛红，起红点点”和“皮肤科怎么走”。这样第一特征向量中将会获得两个特征向量。将用户相关信息输入至所述第二特征提取网络，得到第二特征向量，用户相关信息包括可以是用户的基础信息如年龄、性别，用户历史的诊疗记录，用户历史的查询路径记录，截止当前节点之前的路径，这样每个信息都对应一个特征向量。此时，融合特征向量的计算方式可以是，将第一特征向量中的向量进行拼接，将第二特征向量中的向量进行拼接，其中拼接方式为逐个位相加、向量拼接、权重加和；再将第一特征向量中的向量进行拼接获得的拼接结果和第二特征向量中的向量进行拼接的拼接结果进行融合，获得组合特征向量。

步骤S44：将组合特征向量输入信息输出网络中,得到问诊意图集合中各个问诊意图的概率分布。

示例性地，将组合特征向量输入至信息输出网络中，获得问诊意图集合中各个问诊意图的概率分布值。并且各个问诊意图的概率分布总和为1。将组合特征向量依次通过全连接层和softmax层，获得问诊意图集合中各个问诊意图的概率分布，其中，全连接层，通俗来讲就是前面一层的每个单元都与后面一层的相连接；softmax可以理解为归一化，比如：假设问诊意图集合中有10种意图，那么，经过softmax层的输出就是一个10维的向量，向量中的第一个值就是第一个意图的概率值，向量中的第二个值就是第二个意图的概率值...这10维的向量之和为1。

例如，当问诊意图集合为“症状、疾病查询”、“调治方法查询”、“健康建议查询”、“古今名医名案查询”、“药物查询”、“症状判断”，则经过信息输出网络后，可以输出得到的各个问诊意图概率分布可以为“症状、疾病查询”：0.1、“调治方法查询”:0.2、“健康建议查询”:0.1、“古今名医名案查询”:0.1、“药物查询”:0.1、“症状判断”:0.4。

步骤S5：根据所述概率分布从所述问诊意图集合中确定所述目标对象的目标问诊意图，并根据所述目标问诊意图输出对应的问诊结果。

示例性地，当确定问诊意图集合中各个问诊意图的概率后，选择概率值最大值对应的问诊意图作为目标问诊意图，根据目标问诊意图获取对应的意图推荐模型，根据意图推荐模型输出对应的问诊结果。

在一些实施方式中，根据所述概率分布从问诊意图集合中确定目标对象的目标问诊意图，并根据目标问诊意图输出对应的问诊结果，包括：从问诊意图集合中选择概率分布超过预设值的问诊意图作为目标问诊意图；根据目标问诊意图获取与目标问诊意图匹配的意图推荐模型，并根据意图推荐模型输出对应的问诊结果。

示例性地，设置预设值为0.5，则当问诊意图集合中选择概率分布超过0.5的问诊意图将还被筛选出来，并作为目标问诊意图。例如各个问诊意图概率分布为“症状、疾病查询”：0.1、“健康建议查询”:0.1、“古今名医名案查询”:0.1、“药物查询”:0.1、“症状判断”:0.6，则目标问诊意图为症状判断。后续会根据症状判断对应的意图推荐模型推荐对应的问诊结果。

示例性地，不同的问诊意图会对应不用的意图推荐模型，例如症状判断会有对应的症状判断的意图推荐模型，该模型根据症状判断的历史对话数据训练得到，可以使得模型更具有针对性，模型推荐的结果也更加精准。

在一些实施方式中，当问诊意图集合未存在概率分布超过预设值的问诊意图时，根据概率分布对问诊意图集合中的各个问诊意图进行排序，并将排序后的问诊意图发送问诊请求的用户终端；接收用户终端的反馈信息，并根据反馈信息从问诊意图集合中确定与目标问诊意图匹配的意图推荐模型，及根据意图推荐模型输出对应的问诊结果。

示例性地，设置预设值为0.5，则当问诊意图集合中选择概率分布超过0.5的问诊意图将还被筛选出来，并作为目标问诊意图。例如各个问诊意图概率分布为“症状、疾病查询”：0.2、“健康建议查询”:0.3、“古今名医名案查询”:0.1、“药物查询”:0.1、“症状判断”:0.3，则各个问诊意图中不存在超过预设值的问诊意图。此时，会将问诊意图进行排序获得“健康建议查询”、“症状判断”、症状、疾病查询”、“古今名医名案查询”、“药物查询”，将上述意图反馈至用户终端，根据用户终端反馈的结果确定目标问诊意图，再确定与目标问诊意图匹配的意图推荐模型，及根据意图推荐模型输出对应的问诊结果。例如，用户反馈结果为“药物查询”，则此时会选择药物查询意图推荐模型输出对应的问诊结果。

在一些实施方式中，当问诊意图集合未存在概率分布超过预设值的问诊意图时，根据问诊意图和意图跳转路径中意图节点之间的关联关系，获得问诊意图匹配的频率分布信息，关联关系包括意图节点之间的跳转关系和意图节点之间的跳转频率，频率分布信息用于表征意图节点之间跳转的概率；根据问诊信息和问诊信息匹配的频率分布信息从问诊意图集合中确定目标问诊意图。

示例性地，设置预设值为0.5，则当问诊意图集合中选择概率分布超过0.5的问诊意图将还被筛选出来，并作为目标问诊意图。例如各个问诊意图概率分布为“症状、疾病查询”：0.2、“健康建议查询”:0.4、“症状判断”:0.4，则各个问诊意图中不存在超过预设值的问诊意图。此时，会将问诊意图进行排序获得“健康建议查询”、“症状判断”、症状、疾病查询”。若此前意图为“症状、疾病查询”，根据意图跳转路径中查询获得“症状、疾病查询”分别跳转至“健康建议查询”、“症状判断”、“症状、疾病查询”对应的意图跳转频率为80、100、120，则可以利用意图跳转频率结合各个问诊意图概率获得目标问诊意图。

示例性地，“症状、疾病查询”跳转至“健康建议查询”、“症状判断”、“症状、疾病查询”对应的意图跳转频率为80、100、120，转换为对应的概率值，为80/(80+100+120)、100/(80+100+120)、120/(80+100+120)，进而选择概率最大值对应的意图作为目标意图结果为“症状、疾病查询”，则此时会选择症状、疾病查询意图推荐模型输出对应的问诊结果。也可以将意图跳转频率和问诊意图集合中概率分布相结合进而判断目标意图。

在一些实施方式中，在根据目标问诊意图输出对应的问诊结果之后，方法还包括：将问诊信息、问诊意图集合以及目标问诊意图作为目标数据存储至数据库中；当满足预设条件时，根据数据库中调取目标数据，并根据目标数据意图跳转路径和意图分布模型进行增量训练，以更新意图跳转路径和所述意图分布模型。

示例性地，当目标数据积累到一定程度时，可以调取数据库中的目标数据，根据目标数据意图跳转路径和意图分布模型进行增量训练，其中可以设置目标数据累积到5000时，可以进行增量训练，或者在服务器空闲时期进行增量训练。不断优化模型的质量，提升意图反馈结果的准确度，实现更加精准的推荐。

示例性地，当增量训练完成得到新的意图跳转路径和意图分布模型时，对新的意图跳转路径和意图分布模型利用测试集进行测试，当测试通过后，则将更新新的意图跳转路径和意图分布模型，因此，当再次接收新的问诊请求时，根据更新后的所述意图跳转路径和所述意图分布模型响应所述新的问诊请求输出对应的问诊结果。

请参阅图5，图5为本申请实施例提供的一种基于问诊意图的信息推荐装置200，该信息推荐装置200包括：

模型构建模块201，用于构建意图跳转路径及意图分布模型，其中，意图跳转路径包括多个意图节点及意图节点之间的关联关系，每个意图节点表征一种问诊意图；

数据获取模块202，用于接收目标对象的问诊请求，并响应问诊请求获取目标对象的问诊信息及目标对象的用户相关信息，用户相关信息至少包括目标对象的历史问诊信息；

信息匹配模块203，用于根据问诊信息及意图跳转路径确定与问诊信息匹配的问诊意图集合；

概率计算模块204，用于根据问诊请求、用户相关信息及意图分布模型确定问诊意图集合中各个问诊意图的概率分布；

结果反馈模块205，用于根据概率分布从问诊意图集合中确定目标对象的目标问诊意图，并根据目标问诊意图输出对应的问诊结果。

在一些实施方式中，信息匹配模块203在根据问诊信息及意图跳转路径确定与问诊信息匹配的问诊意图集合过程中，执行：

对问诊信息进行关键词提取，并根据关键词确定问诊信息所咨询的问题分类；

从意图跳转路径的意图节点中确定与问题分类匹配的目标意图节点，根据目标意图节点获取与问诊信息匹配的问诊意图集合。

在一些实施方式中，意图分布模型包括第一特征提取网络、第二特征提取网络、向量融合网络及信息输出网络，概率计算模块204中在根据问诊信息、用户相关信息及意图分布模型确定问诊意图集合中各个问诊意图的概率分布过程中，执行：

将问诊信息输入至第一特征提取网络，得到第一特征向量；

将用户相关信息输入至第二特征提取网络，得到第二特征向量；

将第一特征向量和第二特征向量利用向量融合网络进行拼接融合，获得组合特征向量；

将组合特征向量输入信息输出网络中,得到问诊意图集合中各个问诊意图的概率分布。

在一些实施方式中，结果反馈模块205在根据概率分布从问诊意图集合中确定目标对象的目标问诊意图，并根据目标问诊意图输出对应的问诊结果过程中，执行：

从问诊意图集合中选择概率分布超过预设值的问诊意图作为目标问诊意图；

根据目标问诊意图获取与目标问诊意图匹配的意图推荐模型，并根据意图推荐模型输出对应的问诊结果。

在一些实施方式中，结果反馈模块205，还用于：当问诊意图集合未存在概率分布超过预设值的问诊意图时，根据概率分布对问诊意图集合中的各个问诊意图进行排序，并将排序后的问诊意图发送问诊请求的用户终端；

接收用户终端的反馈信息，并根据反馈信息从问诊意图集合中确定与目标问诊意图匹配的意图推荐模型，及根据意图推荐模型输出对应的问诊结果。

在一些实施方式中，结果反馈模块205，还用于：

当问诊意图集合未存在概率分布超过预设值的问诊意图时，根据问诊意图和意图跳转路径中意图节点之间的关联关系，获得问诊意图匹配的频率分布信息，关联关系包括意图节点之间的跳转关系和意图节点之间的跳转频率，频率分布信息用于表征意图节点之间跳转的概率；

根据问诊信息和问诊信息匹配的频率分布信息从问诊意图集合中确定目标问诊意图。

在一些实施方式中，结果反馈模块205在根据目标问诊意图输出对应的问诊结果之后，还用于：

将问诊信息、问诊意图集合以及目标问诊意图作为目标数据存储至数据库中；

当满足预设条件时，根据数据库中调取目标数据，并根据目标数据意图跳转路径和意图分布模型进行增量训练，以更新所述意图跳转路径和所述意图分布模型。

可选地，基于问诊意图的信息推荐装置200应用于终端设备。

请参阅图6，图6为本申请实施例提供的终端设备的结构示意性框图。

如图6所示，终端设备300包括处理器301和存储器302，处理器301和存储器302通过总线303连接，该总线比如为I2C(Inter-integrated Circuit)总线。

具体地，处理器301用于提供计算和控制能力，支撑整个服务器的运行。处理器301可以是中央处理单元(Central Processing Unit，CPU)，该处理器301还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

具体地，存储器302可以是Flash芯片、只读存储器(ROM，Read-Only Memory)磁盘、光盘、U盘或移动硬盘等。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请实施例方案相关的部分结构的框图，并不构成对本申请实施例方案所应用于其上的终端设备的限定，具体的终端设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

其中，处理器301用于运行存储在存储器中的计算机程序，并在执行计算机程序时实现本申请实施例提供的任意一种基于问诊意图的信息推荐方法。

在一些实施方式中，处理器301用于运行存储在存储器中的计算机程序，并在执行计算机程序时实现如下步骤：

构建意图跳转路径及意图分布模型，其中，意图跳转路径包括多个意图节点及意图节点之间的关联关系，每个意图节点表征一种问诊意图；

接收目标对象的问诊请求，并响应问诊请求获取目标对象的问诊信息及目标对象的用户相关信息，用户相关信息至少包括目标对象的历史问诊信息；

根据问诊信息及意图跳转路径确定与问诊信息匹配的问诊意图集合；

根据问诊信息、用户相关信息及意图分布模型确定问诊意图集合中各个问诊意图的概率分布；

根据概率分布从问诊意图集合中确定目标对象的目标问诊意图，并根据目标问诊意图输出对应的问诊结果。

在一些实施方式中，处理器301在根据问诊信息及意图跳转路径确定与问诊信息匹配的问诊意图集合过程中，执行：

对问诊信息进行关键词提取，并根据关键词确定问诊信息所咨询的问题分类；

从意图跳转路径的意图节点中确定与问题分类匹配的目标意图节点，根据目标意图节点获取与问诊信息匹配的问诊意图集合。

在一些实施方式中，意图分布模型包括第一特征提取网络、第二特征提取网络、向量融合网络及信息输出网络，处理器301在根据所述问诊信息、用户相关信息及意图分布模型确定问诊意图集合中各个问诊意图的概率分布过程中，执行：

将问诊信息输入至第一特征提取网络，得到第一特征向量；

将用户相关信息输入至第二特征提取网络，得到第二特征向量；

将第一特征向量和第二特征向量利用向量融合网络进行拼接融合，获得组合特征向量；

将组合特征向量输入信息输出网络中,得到问诊意图集合中各个问诊意图的概率分布。

在一些实施方式中，处理器301在根据概率分布从问诊意图集合中确定目标对象的目标问诊意图，并根据目标问诊意图输出对应的问诊结果过程中，执行：

从问诊意图集合中选择概率分布超过预设值的问诊意图作为目标问诊意图；

根据目标问诊意图获取与目标问诊意图匹配的意图推荐模型，并根据意图推荐模型输出对应的问诊结果。

在一些实施方式中，处理器301还用于执行：

当问诊意图集合未存在概率分布超过预设值的问诊意图时，根据概率分布对问诊意图集合中的各个问诊意图进行排序，并将排序后的问诊意图发送问诊请求的用户终端；

接收用户终端的反馈信息，并根据反馈信息从问诊意图集合中确定与目标问诊意图匹配的意图推荐模型，及根据意图推荐模型输出对应的问诊结果。

在一些实施方式中，处理器301还用于执行：

当问诊意图集合未存在概率分布超过预设值的问诊意图时，根据问诊意图和意图跳转路径中意图节点之间的关联关系，获得问诊意图匹配的频率分布信息，关联关系包括意图节点之间的跳转关系和意图节点之间的跳转频率，频率分布信息用于表征意图节点之间跳转的概率；

根据问诊信息和问诊信息匹配的频率分布信息从问诊意图集合中确定目标问诊意图。

在一些实施方式中，处理器301在根据目标问诊意图输出对应的问诊结果之后，还用于执行：

将问诊信息、问诊意图集合以及目标问诊意图作为目标数据存储至数据库中；

当满足预设条件时，根据数据库中调取目标数据，并根据目标数据意图跳转路径和意图分布模型进行增量训练，以更新意图跳转路径和所述意图分布模型。

需要说明的是，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端设备的具体工作过程，可以参考前述基于问诊意图的信息推荐方法实施例中的对应过程，在此不再赘述。

本申请实施例还提供一种存储介质，用于计算机可读存储，存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如本申请说明书任一实施例提供的基于问诊意图的信息推荐方法的步骤。

其中，存储介质可以是前述实施例的终端设备的内部存储单元，例如终端设备的硬盘或内存。存储介质也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施例中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。以上，仅为本申请的具体实施例，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于问诊意图的信息推荐方法，应用于终端设备，其特征在于，所述方法包括：

构建意图跳转路径及意图分布模型，其中，所述意图跳转路径包括多个意图节点及意图节点之间的关联关系，每个所述意图节点表征一种问诊意图；

接收目标对象的问诊请求，并响应所述问诊请求获取所述目标对象的问诊信息及所述目标对象的用户相关信息，所述用户相关信息至少包括所述目标对象的历史问诊信息；

根据所述问诊信息及所述意图跳转路径确定与所述问诊信息匹配的问诊意图集合；

根据所述问诊信息、所述用户相关信息及所述意图分布模型确定所述问诊意图集合中各个问诊意图的概率分布；

根据所述概率分布从所述问诊意图集合中确定所述目标对象的目标问诊意图，并根据所述目标问诊意图输出对应的问诊结果。

2.根据权利要求1所述的方法，其特征在于，所述根据所述问诊信息及所述意图跳转路径确定与所述问诊信息匹配的问诊意图集合，包括：

对所述问诊信息进行关键词提取，并根据所述关键词确定所述问诊信息所咨询的问题分类；

从所述意图跳转路径的所述意图节点中确定与所述问题分类匹配的目标意图节点，根据所述目标意图节点获取与所述问诊信息匹配的问诊意图集合。

3.根据权利要求1所述的方法，其特征在于，所述意图分布模型包括第一特征提取网络、第二特征提取网络、向量融合网络及信息输出网络，所述根据所述问诊信息、所述用户相关信息及所述意图分布模型确定所述问诊意图集合中各个问诊意图的概率分布，包括：

将所述问诊信息输入至所述第一特征提取网络，得到第一特征向量；

将所述用户相关信息输入至所述第二特征提取网络，得到第二特征向量；

将所述的第一特征向量和所述第二特征向量利用所述向量融合网络进行拼接融合，获得组合特征向量；

将所述组合特征向量输入所述信息输出网络中,得到所述问诊意图集合中各个问诊意图的概率分布。

4.根据权利要求1所述的方法，其特征在于，所述根据所述概率分布从所述问诊意图集合中确定所述目标对象的目标问诊意图，并根据所述目标问诊意图输出对应的问诊结果，包括：

从所述问诊意图集合中选择所述概率分布超过预设值的问诊意图作为目标问诊意图；

根据所述目标问诊意图获取与所述目标问诊意图匹配的意图推荐模型，并根据所述意图推荐模型输出对应的问诊结果。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

当所述问诊意图集合未存在所述概率分布超过预设值的问诊意图时，根据所述概率分布对所述问诊意图集合中的各个所述问诊意图进行排序，并将排序后的所述问诊意图发送所述问诊请求的用户终端；

接收所述用户终端的反馈信息，并根据所述反馈信息从所述问诊意图集合中确定与所述目标问诊意图匹配的意图推荐模型，及根据所述意图推荐模型输出对应的问诊结果。

6.根据权利要求4所述的方法，其特征在于，所述方法还包括：

当所述问诊意图集合未存在所述概率分布超过预设值的问诊意图时，根据所述问诊意图和所述意图跳转路径中意图节点之间的关联关系，获得所述问诊意图匹配的频率分布信息，所述关联关系包括意图节点之间的跳转关系和意图节点之间的跳转频率，所述频率分布信息用于表征意图节点之间跳转的概率；

根据所述问诊信息和所述问诊信息匹配的所述频率分布信息从所述问诊意图集合中确定所述目标问诊意图。

7.根据权利要求1所述的方法，其特征在于，在所述根据所述目标问诊意图输出对应的问诊结果之后，所述方法还包括：

将所述问诊信息、所述问诊意图集合以及所述目标问诊意图作为目标数据存储至数据库中；

当满足预设条件时，根据所述数据库中调取所述目标数据，并根据所述目标数据所述意图跳转路径和所述意图分布模型进行增量训练，以更新所述意图跳转路径和所述意图分布模型。

8.一种基于问诊意图的信息推荐装置，其特征在于，所述装置包括：

模型构建模块，用于构建意图跳转路径及意图分布模型，其中，所述意图跳转路径包括多个意图节点及意图节点之间的关联关系，每个所述意图节点表征一种问诊意图；

数据获取模块，用于接收目标对象的问诊请求，并响应所述问诊请求获取所述目标对象的问诊信息及所述目标对象的用户相关信息，所述用户相关信息至少包括所述目标对象的历史问诊信息；

信息匹配模块，用于根据所述问诊信息及所述意图跳转路径确定与所述问诊信息匹配的问诊意图集合；

概率计算模块，用于根据所述问诊信息、所述用户相关信息及所述意图分布模型确定所述问诊意图集合中各个问诊意图的概率分布；

结果反馈模块，用于根据所述概率分布从所述问诊意图集合中确定所述目标对象的目标问诊意图，并根据所述目标问诊意图输出对应的问诊结果。

9.一种终端设备，其特征在于，所述终端设备包括存储器、处理器，存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线，所述程序被所述处理器执行时实现如权利要求1至7任一项所述的基于问诊意图的信息推荐方法的步骤。

10.一种计算机存储介质，用于计算机存储，其特征在于，所述计算机存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现权利要求1至7中任一项所述的基于问诊意图的信息推荐方法的步骤。