CN116702776A - 基于跨中西医的多任务语义划分方法、装置、设备及介质 - Google Patents

基于跨中西医的多任务语义划分方法、装置、设备及介质 Download PDF

Info

Publication number
CN116702776A
CN116702776A CN202310610564.6A CN202310610564A CN116702776A CN 116702776 A CN116702776 A CN 116702776A CN 202310610564 A CN202310610564 A CN 202310610564A CN 116702776 A CN116702776 A CN 116702776A
Authority
CN
China
Prior art keywords
vector
task
sequence
entity
recognition task
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
CN202310610564.6A
Other languages
English (en)
Inventor
胡意仪
阮晓雯
吴振宇
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 CN202310610564.6A priority Critical patent/CN116702776A/zh
Publication of CN116702776A publication Critical patent/CN116702776A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • 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)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明涉及智慧医疗技术，揭露了一种基于跨中西医的多任务语义划分方法，包括：获取医疗数据集，将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量；分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到实体识别任务序列及意图识别任务序列；获取业务对话数据集，根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示；分别对所述局部向量及全局向量进行任务分类，得到所述业务对话数据集的任务分类结果。本发明还提出一种基于跨中西医的多任务语义划分装置、电子设备以及介质。本发明可以提高任务处理效率及数据关联性。

Description

基于跨中西医的多任务语义划分方法、装置、设备及介质
技术领域
本发明涉及智慧医疗技术领域，尤其涉及一种基于跨中西医的多任务语义划分方法、装置、电子设备及计算机可读介质。
背景技术
随着互联网的飞速发展，在健康相关的医疗领域，出现了许多中西医智能线上诊疗应用，这项应用需要发掘中西医数据的特征共性，依赖多种环节和模块的配合。例如，需要实体识别模块抽取出患者对话中的症状实体，需要识别出患者的对话意图(咨询、开药、复诊等)等。现有方法大多采用多任务技术，这是已知的一种解决数据缺少、缓解过拟合的深度学习技术，针对实体识别与意图识别已有较多运用，但现有的多任务技术极少同时在横向、纵向任务上同时开展，导致任务处理的效率较低；同时多任务技术在中医和医学领域中的应用也集中在诸如实体识别和意图识别的局部任务上，与线上诊疗的结合较有限。综上所述，现有技术存在任务处理效率低及数据关联性低的问题。
发明内容
本发明提供一种基于跨中西医的多任务语义划分方法、装置、电子设备及计算机可读介质，其主要目的在于解决任务处理效率低及数据关联性低的问题。
为实现上述目的，本发明提供的一种基于跨中西医的多任务语义划分方法，包括：
获取医疗数据集，将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量；
分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到实体识别任务序列及意图识别任务序列；
获取业务对话数据集，根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示；分别对所述局部向量及全局向量进行任务分类，得到所述业务对话数据集的任务分类结果。
可选地，所述将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量，包括：
对所述医疗数据集进行向量表示，得到输入向量；
对所述输入向量进行任务分类，得到实体识别任务向量及意图识别任务向量。
可选地，所述对所述输入向量进行任务分类，得到实体识别任务向量及所述意图识别任务向量，包括：
对所述输入向量进行实体筛选，得到实体识别任务向量以及其他向量；
将所述其他向量进行意图识别，得到所述意图识别任务向量。
可选地，所述分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到所述实体识别任务序列及所述意图识别任务序列，包括：
分别对所述实体识别任务向量及意图识别任务向量进行向量拼接，得到实体识别任务输入向量及意图识别任务输入向量；
分别对所述实体识别任务输入向量及所述意图识别任务输入向量进行非线性变换，得到实体识别任务特征向量及意图识别任务特征向量；
分别对所述实体识别任务特征向量及所述意图识别任务特征向量进行函数识别计算，得到所述实体识别任务序列及所述意图识别任务序列。
可选地，所述对所述实体识别任务输入向量及所述意图识别任务输入向量进行非线性变换，得到实体识别任务特征向量及所述图识别任务特征向量，包括：
利用下式进行非线性变换：
Fner＝g(Wner·[A1,A2,…AN]+Cner)
Fintent＝g(Wintent·[B1,B2,…BN]+Cintent)
其中，g表示为激活函数；Wner表示为预设的实体识别任务参数矩阵；Wintent表示为预设的意图识别任务参数矩阵；Cner表示为预设的实体识别任务偏移参数；Cintent表示为预设的意图识别任务偏移参数；[A1,A2,…AN]表示为所述实体识别任务输入向量；[B1,B2,…BN]表示为所述意图识别任务输入向量；Fner表示为所述实体识别任务特征向量；Finteny表示为所述图识别任务特征向量。
可选地，所述根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示，包括：
将所述业务对话数据集进行嵌入表示，得到对话嵌入向量；
结合所述对话嵌入向量分别对所述对话嵌入序列及所述实体识别任务序列及所述意图识别任务序列进行序列标注，得到实体识标记序列及所述意图识别标记序列；
对所述实体识标记序列及所述意图识别标记序列进行维度转换，得到局部向量以及全局向量。
可选地，所述分别对所述局部向量及全局向量进行任务分类，得到所述对话数据集的任务分类结果，包括：
分别对所述局部向量及全局向量进行注意力计算，得到赋权局部向量及赋权全局向量；
分别对所述赋权局部向量及所述赋权全局向量进行分类计算，根据分类计算结果得到所述对话数据集的任务分类结果。
为了解决上述问题，本发明还提供一种基于跨中西医的多任务语义划分装置，所述装置包括：
任务向量生成模块，用于数据集进行向量计算，得到实体识别任务向量及意图识别任务向量；
序列变换模块，用于分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到所述实体识别任务序列及所述意图识别任务序列；
向量表示模块，用于获取业务对话数据集，根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示；
任务分类模块，用于分别对所述局部向量及全局向量进行任务分类，得到所述对话数据集的任务分类结果。
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基于跨中西医的多任务语义划分方法。
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跨中西医的多任务语义划分方法。
本发明实施例提出了一种基于跨中西医的多任务语义划分方法，通过将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量，可以最大程度实现关联任务之间的参数共享；通过根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示，可以将医疗数据集的参数与业务对话数据集的参数共享，增加两个数据集之间的关联性，同时避免重复的数据集处理，提高任务处理的效率。因此本发明提出的基于跨中西医的多任务语义划分方法、装置、电子设备及计算机可读介质，可以解决任务处理效率低及数据关联性低的问题。
附图说明
图1为本发明一实施例提供的基于跨中西医的多任务语义划分方法的流程示意图；
图2为本发明一实施例提供的将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量的流程示意图；
图3为本发明一实施例提供的分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到所述实体识别任务序列及所述意图识别任务序列的流程示意图；
图4为本发明一实施例提供的基于跨中西医的多任务语义划分装置的功能模块图；
图5为本发明一实施例提供的实现所述基于跨中西医的多任务语义划分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跨中西医的多任务语义划分方法。所述基于跨中西医的多任务语义划分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，所述基于跨中西医的多任务语义划分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跨中西医的多任务语义划分方法的流程示意图。在本实施例中，所述基于跨中西医的多任务语义划分方法包括：
S1、获取医疗数据集，将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量；
本发明实施例中，所述医疗数据集是包括中医及西医的综合诊断类的文本数据，分别包含实体和意图两类标签；实体标签为症状、检查、药物、治疗等实体类型的标签(包括实体在文本中的起始和终止位置)，意图标签为多分类标签，如：症状问询、随访复诊、开药、做检查等；所述医疗数据集的来源可以为线上或线下。例如，患者在网络医疗平台上的网络行为数据：问诊挂号、网络购药等，患者在医院就诊产生的终端采集数据：通过可穿戴设备收集的体征类的健康管理数据。
请参阅图2所示，本发明实施例中，所述将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量，包括：
S21、对所述医疗数据集进行向量表示，得到输入向量；
S22、对所述输入向量进行任务分类，得到实体识别任务向量及意图识别任务向量。
本发明实施例中，向量表示可以利用预设的多任务学习网络模型的嵌入层及编码层完成,其中所述多任务学习网络模型包括嵌入层、编码层和任务层；所述嵌入层是用于提取所述医疗数据集的文本特征，得到所述医疗数据集的特征向量,首先利用所述编码层的Segment(分割)参数对所述医疗数据集的文本进行分割，得到词向量，再对所述词向量进行文本特征提取，得到所述医疗数据集的特征向量；所述编码层是用于将所述特征向量转换成包含维度信息的输入向量并将所述输入向量输入到所述任务层，同时可以实现对所述特征向量的降维处理，所述维度信息是通过在所述特征向量中插入position embedding(位置向量)得到的，所述编码层通过对position embedding进行读取，从而判定所述特征向量的维度信息。
本发明实施例中，所述对所述输入向量进行任务分类，得到实体识别任务向量及意图识别任务向量，包括：
对所述输入向量进行实体筛选，得到实体识别任务向量以及其他向量；
将所述其他向量进行意图识别，得到所述意图识别任务向量。
本发明实施例中，实体筛选可以利用Softmax函数(归一化函数)对所述输入向量进行概率预测，根据所述函数计算得到的概率大小对所述输入向量进行分类，得到实体识别任务向量；所述意图识别是依赖所述实体识别任务向量的输出，例如，M层的参数针对实体识别任务，N层的参数针对意图识别任务，N层的输入是M层的输出，根据所述多任务学习网络模型的错误反向传播原理，位于M层的参数优化同时受到N层的任务参数优化的影响，即实体识别任务同样依赖了意图识别任务。在医疗场景中，当患者描述中存在较多症状实体时，一般情况下患者的意图是症状问询，如存在较多药物实体，则很有可能是开药意图，由此可以实现实体识别任务和意图识别任务的参数共享。
S2、分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到实体识别任务序列及意图识别任务序列；
请参阅图3所示，本发明实施例中，所述分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到实体识别任务序列及意图识别任务序列，包括：
S31、分别对所述实体识别任务向量及意图识别任务向量进行向量拼接，得到实体识别任务输入向量及意图识别任务输入向量；
S32、分别对所述实体识别任务输入向量及所述意图识别任务输入向量进行非线性变换，得到实体识别任务特征向量及图识别任务特征向量；
S33、分别对所述实体识别任务特征向量及所述意图识别任务特征向量进行函数识别计算，得到所述实体识别任务序列及所述意图识别任务序列。
本发明实施例中，以实体识别任务为例，假设所述实体识别任务向量有A1,A2t,……,AN(N表示为所述实体识别任务向量的个数)，向量拼接即为将所述实体识别任务向量依次进行连接，得到一个一维向量[A1,A2,…AN]。
本发明实施例中，可以利用下式进行非线性变换：
Fner＝g(Wner·[A1,A2,…AN]+Cner)
Fintent＝g(Wintent·[B1,B2,…BN]+Cintent)
其中，g表示为激活函数；Wner表示为预设的实体识别任务参数矩阵；Wintent表示为预设的意图识别任务参数矩阵；Cner表示为预设的实体识别任务偏移参数；Cuntent表示为预设的意图识别任务偏移参数；[A1,A2,…AN]表示为所述实体识别任务输入向量；[B1,B2,…BN]表示为所述意图识别任务输入向量；Fner表示为所述实体识别任务特征向量；Fintent表示为所述图识别任务特征向量。
具体地，本发明实施例中，所述实体识别任务特征向量与所述实体识别任务偏移参数的维度是相等的；所述激活函数是一个非线性激活函数，例如函数tan()。
本发明实施例中，可以利用下式进行函数识别计算：
其中，表示为第i个所述实体识别任务序列；/>表示为第j个所述意图识别任务序列；Fner表示为所述实体识别任务特征向量；Fintent表示为所述图识别任务特征向量；/>表示为第i个实体识别函数序列；/>表示为第j个意图识别函数序列；Ai表示为第i个所述实体识别任务向量；Bj表示为第j个所述意图识别任务向量。
S3、获取业务对话数据集，根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示；
本发明实施例中，所述业务对话数据集由患者和医师的文本对话组成。一轮对话被界定为完成一次医患之间的信息交互，例如，医师提出一个问题：“哪里不舒服”，患者回复：“头疼”，即为一轮。多轮对话组成一个对话上下文一次完整的对话是由多个上下文组成。上下文之间往往存在着一定的话题转折，如上面的例子，是由主要症状问询到补充症状问询的转折。
本发明实施例中，所述根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示，包括：将所述业务对话数据集进行嵌入表示，得到对话嵌入向量；
结合所述对话嵌入向量分别对所述对话嵌入序列及所述实体识别任务序列及所述意图识别任务序列进行序列标注，得到实体识标记序列及意图识别标记序列；
对所述实体识标记序列及所述意图识别标记序列进行维度转换，得到局部向量以及全局向量。
本发明实施例中，序列标注是将所述利用所述实体识别任务序列及所述意图识别任务序列输入到所述多任务学习网络模型的嵌入层，在所述嵌入层中对所述对话数据集进行向量嵌入，从而输出所述实体识标记序列及所述意图识别标记序列；所述嵌入层不仅是对所述业务对话数据集的对话文字内容进行嵌入表示，同时对话者的角色进行嵌入表示，在每一句对话中插入一个随机初始化的向量表示为该对话语句的嵌入向量；所述嵌入层的输出方法可以为BIO范式输出，B-X代表实体X的开头，I-X则代表实体X的结尾，O则代表所述实体X不属于任何类型。
本发明实施例中，维度转换是将所述实体识标记序列及所述意图识别标记序列的嵌入维度与所述业务对话数据集的句子数量相结合，得到所述局部向量及所述全句向量的维度，维度转换可以利用仿射变换实现，假设输入的句子嵌入维度为d,那么转换后的所述局部向量及所述全部向量的总维度分别为N×dlc和N×dgb，其中N为句子的数量，dlc表示为每个所述局部向量的维度，dgb表示为每个所述全部向量的维度。
S4、分别对所述局部向量及全局向量进行任务分类，得到所述业务对话数据集的任务分类结果。
本发明实施例中，所述分别对所述局部向量及全局向量进行任务分类，得到所述业务对话数据集的任务分类结果，包括：
分别对所述局部向量及全局向量进行注意力计算，得到赋权局部向量及赋权全局向量；
分别对所述赋权局部向量及所述赋权全局向量进行分类计算，根据分类计算结果得到所述业务对话数据集的任务分类结果。
本发明实施例中，注意力计算是利用所述多任务学习网络对所述局部向量及全局向量对应的句子进行赋权处理，这里也可以采用softmax函数对所述局部向量及全局向量进行概率计算，得到每个句子的概率即为所述局部向量及所述全局向量的权重系数；分类计算是将所述权重系数进行平均值计算，根据预设的均值区间对所述平均值对应的句子进行任务分类；所述预设的均值区间为[0.3,0.65],在这一区间的所述赋权局部向量对应的句子划分为话题分类任务及意图分类任务，在这一区间的所述赋权全局向量对应的句子进行划分为转折识别任务。
本发明提出了一种基于跨中西医的多任务语义划分方法，通过将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量，可以最大程度实现关联任务之间的参数共享；通过根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示，可以将医疗数据集的参数与业务对话数据集的参数共享，增加两个数据集之间的关联性，同时避免重复的数据集处理，提高任务处理的效率。因此本发明提出的基于跨中西医的多任务语义划分方法，可以解决任务处理效率低及数据关联性低的问题。
如图4所示，是本发明一实施例提供的基于跨中西医的多任务语义划分装置的功能模块图。
本发明所述基于跨中西医的多任务语义划分装置100可以安装于电子设备中。根据实现的功能，所述基于跨中西医的多任务语义划分装置100可以包括任务向量生成模块101、序列变换模块102、向量表示模块103、任务分类模块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：
所述任务向量生成模块101，用于获取医疗数据集，将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量；
所述序列变换模块102，用于分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到实体识别任务序列及意图识别任务序列；
所述向量表示模块103，用于获取业务对话数据集，根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示；
所述任务分类模块104，用于分别对所述局部向量及全局向量进行任务分类，得到所述业务对话数据集的任务分类结果。
详细地，本发明实施例中所述基于跨中西医的多任务语义划分装置100中所述的各模块在使用时采用与附图中所述的基于跨中西医的多任务语义划分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基于跨中西医的多任务语义划分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，如基于跨中西医的多任务语义划分程序。
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(例如执行基于跨中西医的多任务语义划分程序等)，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，例如基于跨中西医的多任务语义划分程序的代码等，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5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5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存储的基于跨中西医的多任务语义划分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：
获取医疗数据集，将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量；
分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到实体识别任务序列及意图识别任务序列；
获取业务对话数据集，根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示；
分别对所述局部向量及全局向量进行任务分类，得到所述业务对话数据集的任务分类结果。
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：
获取医疗数据集，将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量；
分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到实体识别任务序列及意图识别任务序列；
获取业务对话数据集，根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示；
分别对所述局部向量及全局向量进行任务分类，得到所述业务对话数据集的任务分类结果。
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)

1.一种基于跨中西医的多任务语义划分方法，其特征在于，所述方法包括：
获取医疗数据集，将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量；
分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到实体识别任务序列及意图识别任务序列；
获取业务对话数据集，根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示；
分别对所述局部向量及全局向量进行任务分类，得到所述业务对话数据集的任务分类结果。
2.如权利要求1所述的基于跨中西医的多任务语义划分方法，其特征在于，所述将所述医疗数据集进行向量计算，得到实体识别任务向量及意图识别任务向量，包括：
对所述医疗数据集进行向量表示，得到输入向量；
对所述输入向量进行任务分类，得到实体识别任务向量及意图识别任务向量。
3.如权利要求2所述的基于跨中西医的多任务语义划分方法，其特征在于，所述对所述输入向量进行任务分类，得到实体识别任务向量及所述意图识别任务向量，包括：
对所述输入向量进行实体筛选，得到实体识别任务向量以及其他向量；
将所述其他向量进行意图识别，得到所述意图识别任务向量。
4.如权利要求1所述的基于跨中西医的多任务语义划分方法，其特征在于，所述分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到所述实体识别任务序列及所述意图识别任务序列，包括：
分别对所述实体识别任务向量及意图识别任务向量进行向量拼接，得到实体识别任务输入向量及意图识别任务输入向量；
分别对所述实体识别任务输入向量及所述意图识别任务输入向量进行非线性变换，得到实体识别任务特征向量及意图识别任务特征向量；
分别对所述实体识别任务特征向量及所述意图识别任务特征向量进行函数识别计算，得到所述实体识别任务序列及所述意图识别任务序列。
5.如权利要求4所述的基于跨中西医的多任务语义划分方法，其特征在于，所述对所述实体识别任务输入向量及所述意图识别任务输入向量进行非线性变换，得到实体识别任特征向量及所述图识别任务特征向量，包括：
利用下式进行非线性变换：
Fner＝g(Wner·[A1,A2,…AN]+Cner)
Fintent＝g(Wintent·[B1，B2，…BN]+Cintent)
其中，g表示为激活函数；Wner表示为预设的实体识别任务参数矩阵；Wintent表示为预设的意图识别任务参数矩阵；Cner表示为预设的实体识别任务偏移参数；Cintent表示为预设的意图识别任务偏移参数；[A1,A2,…AN]表示为所述实体识别任务输入向量；[B1，B2,…BN]表示为所述意图识别任务输入向量；Fner表示为所述实体识别任务特征向量；Fintent表示为所述图识别任务特征向量。
6.如权利要求1述的基于跨中西医的多任务语义划分方法，其特征在于，所述根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示，包括：
将所述业务对话数据集进行嵌入表示，得到对话嵌入向量；
结合所述对话嵌入向量分别对所述对话嵌入序列及所述实体识别任务序列及所述意图识别任务序列进行序列标注，得到实体识标记序列及意图识别标记序列；
对所述实体识标记序列及所述意图识别标记序列进行维度转换，得到局部向量以及全局向量。
7.如权利要求1至6任一项所述的基于跨中西医的多任务语义划分方法，其特征在于，所述分别对所述局部向量及全局向量进行任务分类，得到所述对话数据集的任务分类结果，包括：
分别对所述局部向量及全局向量进行注意力计算，得到赋权局部向量及赋权全局向量；
分别对所述赋权局部向量及所述赋权全局向量进行分类计算，根据分类计算结果得到所述对话数据集的任务分类结果。
8.一种基于跨中西医的多任务语义划分装置，其特征在于，所述装置包括：
任务向量生成模块，用于数据集进行向量计算，得到实体识别任务向量及意图识别任务向量；
序列变换模块，用于分别对所述实体识别任务向量及意图识别任务向量进行序列变换，得到所述实体识别任务序列及所述意图识别任务序列；
向量表示模块，用于获取业务对话数据集，根据所述实体识别任务序列及所述意图识别任务序列对所述业务对话数据集进行局部向量及全局向量表示；
任务分类模块，用于分别对所述局部向量及全局向量进行任务分类，得到所述对话数据集的任务分类结果。
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中任意一项所述的基于跨中西医的多任务语义划分方法。
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跨中西医的多任务语义划分方法。
CN202310610564.6A 2023-05-29 2023-05-29 基于跨中西医的多任务语义划分方法、装置、设备及介质 Pending CN116702776A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310610564.6A CN116702776A (zh) 2023-05-29 2023-05-29 基于跨中西医的多任务语义划分方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310610564.6A CN116702776A (zh) 2023-05-29 2023-05-29 基于跨中西医的多任务语义划分方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116702776A true CN116702776A (zh) 2023-09-05

Family

ID=87823117

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310610564.6A Pending CN116702776A (zh) 2023-05-29 2023-05-29 基于跨中西医的多任务语义划分方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116702776A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992861A (zh) * 2023-09-25 2023-11-03 四川健康久远科技有限公司 基于数据处理的医疗服务智慧处理方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116992861A (zh) * 2023-09-25 2023-11-03 四川健康久远科技有限公司 基于数据处理的医疗服务智慧处理方法及系统
CN116992861B (zh) * 2023-09-25 2023-12-08 四川健康久远科技有限公司 基于数据处理的医疗服务智慧处理方法及系统

Similar Documents

Publication Publication Date Title
CN112131393A (zh) 一种基于bert和相似度算法的医疗知识图谱问答系统构建方法
CN113707303A (zh) 基于知识图谱的医疗问题解答方法、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
CN113111162A (zh) 科室推荐方法、装置、电子设备及存储介质
CN115238670B (zh) 信息文本抽取方法、装置、设备及存储介质
WO2023178978A1 (zh) 基于人工智能的处方审核方法、装置、设备及介质
CN113657105A (zh) 基于词汇增强的医学实体抽取方法、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
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
CN116578704A (zh) 文本情感分类方法、装置、设备及计算机可读介质
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
CN116861875A (zh) 基于人工智能的文本处理方法、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
CN116741358A (zh) 问诊挂号推荐方法、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
CN116737933A (zh) 文本分类方法、装置、电子设备及计算机可读存储介质
CN116796840A (zh) 医疗实体信息抽取方法、装置、计算机设备及存储介质
CN116705345A (zh) 医疗实体标注方法、装置、设备及存储介质
CN116757193A (zh) 基于对比学习的多轮对话生成方法、装置、设备及介质
CN116468025A (zh) 电子病历结构化方法、装置、电子设备及存储介质
CN116521867A (zh) 文本聚类方法、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
CN116644336A (zh) 中医术语识别方法、装置、设备及存储介质
CN118097345A (zh) 医学影像识别方法、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

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