CN116860944A - 对话生成方法、装置、电子设备及介质 - Google Patents
对话生成方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116860944A CN116860944A CN202310879218.8A CN202310879218A CN116860944A CN 116860944 A CN116860944 A CN 116860944A CN 202310879218 A CN202310879218 A CN 202310879218A CN 116860944 A CN116860944 A CN 116860944A
- Authority
- CN
- China
- Prior art keywords
- dialogue
- data
- model
- replies
- reply
- 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 57
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000005070 sampling Methods 0.000 claims abstract description 47
- 238000005457 optimization Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims description 75
- 238000012216 screening Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 239000004973 liquid crystal related substance Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 13
- 238000003745 diagnosis Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 206010020772 Hypertension Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 239000012634 fragment Substances 0.000 description 4
- 229940079593 drug Drugs 0.000 description 3
- 208000024891 symptom Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 235000005911 diet Nutrition 0.000 description 2
- 230000000378 dietary effect Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly 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
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数字医疗场景下的人工智能技术,揭露一种对话生成方法,包括:提取对话数据集中的对话拼接数据和参考回复数据,根据对话拼接数据和参考回复数据构建训练数据对;将训练数据对中的对话拼接数据输入至对话生成模型中,根据核采样算法生成对话拼接数据对应的多个模型回复;计算多个模型回复与真实回复之间的相似度,得到多个相似度值,基于多个相似度值构建对话生成模型的最终优化损失函数,利用最终优化损失函数对对话生成模型进行训练得到标准生成模型;将待处理数据输入至标准生成模型中,得到待处理数据对应的对话集。本发明还提出一种对话生成装置、电子设备以及存储介质。本发明可以提高数字医疗场景下对话生成的效率。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种对话生成方法、装置、电子设备及存储介质。
背景技术
在数字医疗领域中,互联网医院也在普及,患者希望能够在互联网医院中进行问诊并得到准确的回复。在互联网医院问诊的背后,是通过医学对话模型来实现对患者进行回复,其中,医学对话模型可以学习海量的医学文本和医患对话,来模拟医生与患者进行沟通,同时收集症状信息来提供诊断或者提供用药建议。因此,医学对话模型的优化十分重要,现有的优化模型方法通常是通过有监督微调的方法实现,有监督微调的方法需要非常高质量的标注数据去训练模型,以激发大模型的生成能力,但是这种方法对标注数据的要求很高,进而导致对话生成的效率较低。因此,亟待提出一种效率更高的对话生成方法。
发明内容
本发明提供一种对话生成方法、装置、电子设备及存储介质,其主要目的在于提高数字医疗场景下对话生成的效率。
为实现上述目的,本发明提供的一种对话生成方法,包括:
获取对话数据集,提取所述对话数据集中的对话拼接数据和参考回复数据,并根据所述对话拼接数据和所述参考回复数据构建训练数据对;
将所述训练数据对中的对话拼接数据输入至预设对话生成模型中,并根据核采样算法生成所述对话拼接数据对应的多个模型回复;
利用预设指标公式计算所述多个模型回复与预设真实回复之间的相似度,得到多个相似度值,基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型;
将待处理数据输入至所述标准生成模型中,得到所述待处理数据对应的对话集。
可选地,所述提取所述对话数据集中的对话拼接数据,包括:
识别所述对话数据集中不同对话数据对应的对话标识,并根据所述对话标识对所述对话数据集进行数据划分,得到多个对话数据;
将所述多个对话数据进行拼接处理,得到对话拼接数据。
可选地,所述根据核采样算法生成所述对话拼接数据对应的多个模型回复,包括:
将所述对话拼接数据输入至所述对话生成模型中,得到多个初始回复;
根据预构建的核采样矩阵对所述多个初始回复进行排序处理,得到排序后的初始回复;
抽取所述排序后的初始回复中符合预设筛选要求的回复作为筛选回复集,并对所述筛选回复集中的回复进行随机采样,得到多个模型回复。
可选地,所述根据预构建的核采样矩阵对所述多个初始回复进行排序处理之前,所述方法还包括:
获取预设参考阈值和温度参数,根据所述参考阈值和温度参数构造核采样函数;
根据所述核采样函数构造对应的核采样矩阵。
可选地,所述抽取所述排序后的初始回复中符合预设筛选要求的回复作为筛选回复集,包括:
识别所述排序后的初始回复中不同初始回复对应的回复概率,并按照排序后的初始回复的顺序对回复的概率进行逐个相加;
当逐个相加后的概率相加值大于预设参考阈值时,将相加之前的初始回复作为筛选回复集。
可选地,所述基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,包括:
根据预设排序值计算公式计算所述训练数据对的训练排序值,根据所述训练排序值和所述多个相似度值构建排序损失函数;
构建所述真实回复对应的回复损失函数,将所述排序损失函数和所述回复损失函数进行求和处理,得到最终优化损失函数。
可选地,所述利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型,包括:
根据所述最终优化损失函数计算所述对话生成模型中训练数据对的最终优化损失值;
将所述最终优化损失值与预设的参考阈值进行比较,当所述最终优化损失值大于或者等于所述参考阈值时,对所述对话生成模型进行参数调整,直至参数调整后的对话生成模型的最终优化损失值小于所述参考阈值时,将参数调整后的对话生成模型作为标准生成模型;
当所述最终优化损失值小于所述参考阈值时,将对话生成模型作为标准生成模型。
为了解决上述问题,本发明还提供一种对话生成装置,所述装置包括:
数据对构建模块,用于获取对话数据集,提取所述对话数据集中的对话拼接数据和参考回复数据,并根据所述对话拼接数据和所述参考回复数据构建训练数据对;
模型回复生成模块,用于将所述训练数据对中的对话拼接数据输入至预设对话生成模型中,并根据核采样算法生成所述对话拼接数据对应的多个模型回复;
模型训练模块,用于利用预设指标公式计算所述多个模型回复与预设真实回复之间的相似度,得到多个相似度值,基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型;
对话生成模块,用于将待处理数据输入至所述标准生成模型中,得到所述待处理数据对应的对话集。
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对话生成方法。
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对话生成方法。
本发明实施例中,通过核采样算法生成预设对话生成模型的多个模型回复,并根据模型回复对预设对话生成模型进行模型优化处理,在优化处理的过程中以指标公式作为衡量对话生成模型质量的奖励函数,不需要额外的复杂算法和网络结构,进一步提高了对话生成模型的优化效率。提升了根据对话生成模型生成待处理数据对应的对话集的效率。因此本发明提出的对话生成方法、装置、电子设备及存储介质,可以提高数字医疗场景下对话生成的效率低的问题。
附图说明
图1为本发明一实施例提供的对话生成方法的流程示意图;
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对话生成装置的功能模块图;
图4为本发明一实施例提供的实现所述对话生成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对话生成方法。所述对话生成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,所述对话生成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对话生成方法的流程示意图。
在本实施例中,所述对话生成方法包括:
S1、获取对话数据集,提取所述对话数据集中的对话拼接数据和参考回复数据,并根据所述对话拼接数据和所述参考回复数据构建训练数据对。
本发明实施例中,所述对话数据集是由一段或者多段用户之间的提问和回答构成的数据集,其中,对话数据集可以是在医疗保健领域中医生与患者之间的沟通对话,可以涉及症状信息的询问,提供诊断的专业建议或者用药建议等相关领域。
例如,所述对话数据集可以为医生A:“根据你的检验报告和信息可以确诊为高血压。”患者B:“那我平时有什么要注意的吗?”医生A:“关于高血压我们一般建议可以注意监测血压,以及在平时的饮食生活中也要多加注意。”患者B:“好的,谢谢医生。”
具体地,所述提取所述对话数据集中的对话拼接数据,包括:
识别所述对话数据集中不同对话数据对应的对话标识,并根据所述对话标识对所述对话数据集进行数据划分,得到多个对话数据;
将所述多个对话数据进行拼接处理,得到对话拼接数据。
详细地,不同对话数据对应的对话标识是指产生对话数据的用户,故所述对话标识可以为医生A、或者所述对话标识为患者B,按照医生A的对话标识对所述对话数据集进行划分,将所有关于医生A的对话汇总在一起,按照患者B的对话标识对所述对话数据集进行划分,将所有关于患者B的对话汇总在一起,将所述多个对话数据进行拼接处理,得到对话拼接数据,即将所述对话数据集中所有数据进行拼接。
进一步地,提取所述对话数据集中的参考回复数据,其中,所述参考回复数据为针对提问进行回答的数据集合。根据所述对话拼接数据和所述参考回复数据构建训练数据对,所述训练数据对为(context,response)。
S2、将所述训练数据对中的对话拼接数据输入至预设对话生成模型中,并根据核采样算法生成所述对话拼接数据对应的多个模型回复。
本发明实施例中,预设对话生成模型可以应用于医疗保健领域的沟通和诊断过程中进行对话生成,其中,所述对话生成模型可以是由神经网络构成的。
具体地,参阅图2所示,所述根据核采样算法生成所述对话拼接数据对应的多个模型回复,包括:
S21、将所述对话拼接数据输入至所述对话生成模型中,得到多个初始回复;
S22、根据预构建的核采样矩阵对所述多个初始回复进行排序处理,得到排序后的初始回复;
S23、抽取所述排序后的初始回复中符合预设筛选要求的回复作为筛选回复集,并对所述筛选回复集中的回复进行随机采样,得到多个模型回复。
详细地,所述核采样算法(Nucleus Sampling)可以解决生成文本重复的问题,因此在本发明中采用所述核采样算法可以解决所述对话生成模型生成的多个初始回复可能存在重复的情况,进而对所述对话生成模型进行优化。
进一步地,所述根据预构建的核采样矩阵对所述多个初始回复进行排序处理之前,所述方法还包括:
获取预设参考阈值和温度参数,根据所述参考阈值和温度参数构造核采样函数;
根据所述核采样函数构造对应的核采样矩阵。
具体地,所述抽取所述排序后的初始回复中符合预设筛选要求的回复作为筛选回复集,包括:
识别所述排序后的初始回复中不同初始回复对应的回复概率,并按照排序后的初始回复的顺序对回复的概率进行逐个相加;
当逐个相加后的概率相加值大于预设参考阈值时,将相加之前的初始回复作为筛选回复集。
例如,初始回复A的回复概率为0.5,初始回复B的回复概率为0.3,初始回复C的回复概率为0.1,排序后的初始回复为{初始回复A,初始回复B,初始回复C},按照排序后的初始回复的顺序对回复的概率进行逐个相加,当预设参考阈值为0.7时,初始回复A与初始回复B的概率相加值为0.8,因此逐个相加后的概率相加值大于预设参考阈值,则将初始回复A和初始回复B作为筛选回复集。
S3、利用预设指标公式计算所述多个模型回复与预设真实回复之间的相似度,得到多个相似度值,基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型。
本发明实施例中,所述利用预设指标公式计算所述多个模型回复与预设真实回复之间的相似度,得到多个相似度值,包括:
所述预设指标公式为:
其中,ri为第i个模型回复对应的相似度值,BP为预设惩罚因子,N为所述模型回复中的回复片段个数,n为所述模型回复中第n个回复片段,pn为所述模型回复中的第n个回复片段与预设真实回复对应的回复片段之间的片段相似值。
具体地,所述基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,包括:
根据预设排序值计算公式计算所述训练数据对的训练排序值,根据所述训练排序值和所述多个相似度值构建排序损失函数;
构建所述真实回复对应的回复损失函数,将所述排序损失函数和所述回复损失函数进行求和处理,得到最终优化损失函数。
详细地,对于每一个训练数据对,计算所述训练数据对所对应的训练排序值为:
其中,Ri为第i个模型的训练排序值,yi为预设真实回复,||yi||为预设真实回复对应的模,t为时间参数,x为固定参数,Pπ为概率计算。
进一步地,所述排序损失函数为:
其中,Lrank为排序损失值,ri为第i个模型回复对应的相似度值,Ri为第i个模型的训练排序值,rj为第j个模型回复对应的相似度值,Rj为第j个模型的训练排序值。
具体地,所述回复损失函数为:
其中,Lft为回复损失值,t为时间参数,yi为预设真实回复,Pπ为概率计算,x为固定参数。
进一步地,所述利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型,包括:
根据所述最终优化损失函数计算所述对话生成模型中训练数据对的最终优化损失值;
将所述最终优化损失值与预设的参考阈值进行比较,当所述最终优化损失值大于或者等于所述参考阈值时,对所述对话生成模型进行参数调整,直至参数调整后的对话生成模型的最终优化损失值小于所述参考阈值时,将参数调整后的对话生成模型作为标准生成模型;
当所述最终优化损失值小于所述参考阈值时,将对话生成模型作为标准生成模型。
详细地,利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型,得到的标准生成模型是经过优化后的模型,在后续进行对话生成的过程中可以使得生成的回复更接近真实回复,从而提升对话生成质量。
S4、将待处理数据输入至所述标准生成模型中,得到所述待处理数据对应的对话集。
本发明实施例中,所述待处理数据是指需要生成对应回复的提问数据,可以是在数字医疗领域中不同场景下的患者的提问,将待处理数据输入至所述标准生成模型中,得到所述待处理数据对应的对话集。
本发明实施例中,通过核采样算法生成预设对话生成模型的多个模型回复,并根据模型回复对预设对话生成模型进行模型优化处理,在优化处理的过程中以指标公式作为衡量对话生成模型质量的奖励函数,不需要额外的复杂算法和网络结构,进一步提高了对话生成模型的优化效率。提升了根据对话生成模型生成待处理数据对应的对话集的效率。因此本发明提出的对话生成方法,可以提高数字医疗场景下对话生成的效率低的问题。
如图3所示,是本发明一实施例提供的对话生成装置的功能模块图。
本发明所述对话生成装置100可以安装于电子设备中。根据实现的功能,所述对话生成装置100可以包括数据对构建模块101、模型回复生成模块102、模型训练模块103及对话生成模块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:
所述数据对构建模块101,用于获取对话数据集,提取所述对话数据集中的对话拼接数据和参考回复数据,并根据所述对话拼接数据和所述参考回复数据构建训练数据对;
所述模型回复生成模块102,用于将所述训练数据对中的对话拼接数据输入至预设对话生成模型中,并根据核采样算法生成所述对话拼接数据对应的多个模型回复;
所述模型训练模块103,用于利用预设指标公式计算所述多个模型回复与预设真实回复之间的相似度,得到多个相似度值,基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型;
所述对话生成模块104,用于将待处理数据输入至所述标准生成模型中,得到所述待处理数据对应的对话集。
详细地,所述对话生成装置100各模块的具体实施方式如下:
步骤一、获取对话数据集,提取所述对话数据集中的对话拼接数据和参考回复数据,并根据所述对话拼接数据和所述参考回复数据构建训练数据对。
本发明实施例中,所述对话数据集是由一段或者多段用户之间的提问和回答构成的数据集,其中,对话数据集可以是在医疗保健领域中医生与患者之间的沟通对话,可以涉及症状信息的询问,提供诊断的专业建议或者用药建议等相关领域。
例如,所述对话数据集可以为医生A:“根据你的检验报告和信息可以确诊为高血压。”患者B:“那我平时有什么要注意的吗?”医生A:“关于高血压我们一般建议可以注意监测血压,以及在平时的饮食生活中也要多加注意。”患者B:“好的,谢谢医生。”
具体地,所述提取所述对话数据集中的对话拼接数据,包括:
识别所述对话数据集中不同对话数据对应的对话标识,并根据所述对话标识对所述对话数据集进行数据划分,得到多个对话数据;
将所述多个对话数据进行拼接处理,得到对话拼接数据。
详细地,不同对话数据对应的对话标识是指产生对话数据的用户,故所述对话标识可以为医生A、或者所述对话标识为患者B,按照医生A的对话标识对所述对话数据集进行划分,将所有关于医生A的对话汇总在一起,按照患者B的对话标识对所述对话数据集进行划分,将所有关于患者B的对话汇总在一起,将所述多个对话数据进行拼接处理,得到对话拼接数据,即将所述对话数据集中所有数据进行拼接。
进一步地,提取所述对话数据集中的参考回复数据,其中,所述参考回复数据为针对提问进行回答的数据集合。根据所述对话拼接数据和所述参考回复数据构建训练数据对,所述训练数据对为(context,response)。
步骤二、将所述训练数据对中的对话拼接数据输入至预设对话生成模型中,并根据核采样算法生成所述对话拼接数据对应的多个模型回复。
本发明实施例中,预设对话生成模型可以应用于医疗保健领域的沟通和诊断过程中进行对话生成,其中,所述对话生成模型可以是由神经网络构成的。
具体地,所述根据核采样算法生成所述对话拼接数据对应的多个模型回复,包括:
将所述对话拼接数据输入至所述对话生成模型中,得到多个初始回复;
根据预构建的核采样矩阵对所述多个初始回复进行排序处理,得到排序后的初始回复;
抽取所述排序后的初始回复中符合预设筛选要求的回复作为筛选回复集,并对所述筛选回复集中的回复进行随机采样,得到多个模型回复。
详细地,所述核采样算法(Nucleus Sampling)可以解决生成文本重复的问题,因此在本发明中采用所述核采样算法可以解决所述对话生成模型生成的多个初始回复可能存在重复的情况,进而对所述对话生成模型进行优化。
进一步地,所述根据预构建的核采样矩阵对所述多个初始回复进行排序处理之前,所述方法还包括:
获取预设参考阈值和温度参数,根据所述参考阈值和温度参数构造核采样函数;
根据所述核采样函数构造对应的核采样矩阵。
具体地,所述抽取所述排序后的初始回复中符合预设筛选要求的回复作为筛选回复集,包括:
识别所述排序后的初始回复中不同初始回复对应的回复概率,并按照排序后的初始回复的顺序对回复的概率进行逐个相加;
当逐个相加后的概率相加值大于预设参考阈值时,将相加之前的初始回复作为筛选回复集。
例如,初始回复A的回复概率为0.5,初始回复B的回复概率为0.3,初始回复C的回复概率为0.1,排序后的初始回复为{初始回复A,初始回复B,初始回复C},按照排序后的初始回复的顺序对回复的概率进行逐个相加,当预设参考阈值为0.7时,初始回复A与初始回复B的概率相加值为0.8,因此逐个相加后的概率相加值大于预设参考阈值,则将初始回复A和初始回复B作为筛选回复集。
步骤三、利用预设指标公式计算所述多个模型回复与预设真实回复之间的相似度,得到多个相似度值,基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型。
本发明实施例中,所述利用预设指标公式计算所述多个模型回复与预设真实回复之间的相似度,得到多个相似度值,包括:
所述预设指标公式为:
其中,ri为第i个模型回复对应的相似度值,BP为预设惩罚因子,N为所述模型回复中的回复片段个数,n为所述模型回复中第n个回复片段,pn为所述模型回复中的第n个回复片段与预设真实回复对应的回复片段之间的片段相似值。
具体地,所述基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,包括:
根据预设排序值计算公式计算所述训练数据对的训练排序值,根据所述训练排序值和所述多个相似度值构建排序损失函数;
构建所述真实回复对应的回复损失函数,将所述排序损失函数和所述回复损失函数进行求和处理,得到最终优化损失函数。
详细地,对于每一个训练数据对,计算所述训练数据对所对应的训练排序值为:
其中,Ri为第i个模型的训练排序值,yi为预设真实回复,||yi||为预设真实回复对应的模,t为时间参数,x为固定参数,Pπ为概率计算。
进一步地,所述排序损失函数为:
其中,Lrank为排序损失值,ri为第i个模型回复对应的相似度值,Ri为第i个模型的训练排序值,rj为第j个模型回复对应的相似度值,Rj为第j个模型的训练排序值。
具体地,所述回复损失函数为:
其中,Lft为回复损失值,t为时间参数,yi为预设真实回复,Pπ为概率计算,x为固定参数。
进一步地,所述利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型,包括:
根据所述最终优化损失函数计算所述对话生成模型中训练数据对的最终优化损失值;
将所述最终优化损失值与预设的参考阈值进行比较,当所述最终优化损失值大于或者等于所述参考阈值时,对所述对话生成模型进行参数调整,直至参数调整后的对话生成模型的最终优化损失值小于所述参考阈值时,将参数调整后的对话生成模型作为标准生成模型;
当所述最终优化损失值小于所述参考阈值时,将对话生成模型作为标准生成模型。
详细地,利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型,得到的标准生成模型是经过优化后的模型,在后续进行对话生成的过程中可以使得生成的回复更接近真实回复,从而提升对话生成质量。
步骤四、将待处理数据输入至所述标准生成模型中,得到所述待处理数据对应的对话集。
本发明实施例中,所述待处理数据是指需要生成对应回复的提问数据,可以是在数字医疗领域中不同场景下的患者的提问,将待处理数据输入至所述标准生成模型中,得到所述待处理数据对应的对话集。
本发明实施例中,通过核采样算法生成预设对话生成模型的多个模型回复,并根据模型回复对预设对话生成模型进行模型优化处理,在优化处理的过程中以指标公式作为衡量对话生成模型质量的奖励函数,不需要额外的复杂算法和网络结构,进一步提高了对话生成模型的优化效率。提升了根据对话生成模型生成待处理数据对应的对话集的效率。因此本发明提出的对话生成装置可以提高数字医疗场景下对话生成的效率低的问题。
如图4所示,是本发明一实施例提供的实现对话生成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,如对话生成程序。
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(例如执行对话生成程序等),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,例如对话生成程序的代码等,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存储的对话生成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:
获取对话数据集,提取所述对话数据集中的对话拼接数据和参考回复数据,并根据所述对话拼接数据和所述参考回复数据构建训练数据对;
将所述训练数据对中的对话拼接数据输入至预设对话生成模型中,并根据核采样算法生成所述对话拼接数据对应的多个模型回复;
利用预设指标公式计算所述多个模型回复与预设真实回复之间的相似度,得到多个相似度值,基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型;
将待处理数据输入至所述标准生成模型中,得到所述待处理数据对应的对话集。
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:
获取对话数据集,提取所述对话数据集中的对话拼接数据和参考回复数据,并根据所述对话拼接数据和所述参考回复数据构建训练数据对;
将所述训练数据对中的对话拼接数据输入至预设对话生成模型中,并根据核采样算法生成所述对话拼接数据对应的多个模型回复;
利用预设指标公式计算所述多个模型回复与预设真实回复之间的相似度,得到多个相似度值,基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型;
将待处理数据输入至所述标准生成模型中,得到所述待处理数据对应的对话集。
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)
1.一种对话生成方法,其特征在于,所述方法包括:
获取对话数据集,提取所述对话数据集中的对话拼接数据和参考回复数据,并根据所述对话拼接数据和所述参考回复数据构建训练数据对;
将所述训练数据对中的对话拼接数据输入至预设对话生成模型中,并根据核采样算法生成所述对话拼接数据对应的多个模型回复;
利用预设指标公式计算所述多个模型回复与预设真实回复之间的相似度,得到多个相似度值,基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型;
将待处理数据输入至所述标准生成模型中,得到所述待处理数据对应的对话集。
2.如权利要求1所述的对话生成方法,其特征在于,所述提取所述对话数据集中的对话拼接数据,包括:
识别所述对话数据集中不同对话数据对应的对话标识,并根据所述对话标识对所述对话数据集进行数据划分,得到多个对话数据;
将所述多个对话数据进行拼接处理,得到对话拼接数据。
3.如权利要求1所述的对话生成方法,其特征在于,所述根据核采样算法生成所述对话拼接数据对应的多个模型回复,包括:
将所述对话拼接数据输入至所述对话生成模型中,得到多个初始回复;
根据预构建的核采样矩阵对所述多个初始回复进行排序处理,得到排序后的初始回复;
抽取所述排序后的初始回复中符合预设筛选要求的回复作为筛选回复集,并对所述筛选回复集中的回复进行随机采样,得到多个模型回复。
4.如权利要求3所述的对话生成方法,其特征在于,所述根据预构建的核采样矩阵对所述多个初始回复进行排序处理之前,所述方法还包括:
获取预设参考阈值和温度参数,根据所述参考阈值和温度参数构造核采样函数;
根据所述核采样函数构造对应的核采样矩阵。
5.如权利要求3所述的对话生成方法,其特征在于,所述抽取所述排序后的初始回复中符合预设筛选要求的回复作为筛选回复集,包括:
识别所述排序后的初始回复中不同初始回复对应的回复概率,并按照排序后的初始回复的顺序对回复的概率进行逐个相加;
当逐个相加后的概率相加值大于预设参考阈值时,将相加之前的初始回复作为筛选回复集。
6.如权利要求1所述的对话生成方法,其特征在于,所述基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,包括:
根据预设排序值计算公式计算所述训练数据对的训练排序值,根据所述训练排序值和所述多个相似度值构建排序损失函数;
构建所述真实回复对应的回复损失函数,将所述排序损失函数和所述回复损失函数进行求和处理,得到最终优化损失函数。
7.如权利要求1所述的对话生成方法,其特征在于,所述利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型,包括:
根据所述最终优化损失函数计算所述对话生成模型中训练数据对的最终优化损失值;
将所述最终优化损失值与预设的参考阈值进行比较,当所述最终优化损失值大于或者等于所述参考阈值时,对所述对话生成模型进行参数调整,直至参数调整后的对话生成模型的最终优化损失值小于所述参考阈值时,将参数调整后的对话生成模型作为标准生成模型;
当所述最终优化损失值小于所述参考阈值时,将对话生成模型作为标准生成模型。
8.一种对话生成装置,其特征在于,所述装置包括:
数据对构建模块,用于获取对话数据集,提取所述对话数据集中的对话拼接数据和参考回复数据,并根据所述对话拼接数据和所述参考回复数据构建训练数据对;
模型回复生成模块,用于将所述训练数据对中的对话拼接数据输入至预设对话生成模型中,并根据核采样算法生成所述对话拼接数据对应的多个模型回复;
模型训练模块,用于利用预设指标公式计算所述多个模型回复与预设真实回复之间的相似度,得到多个相似度值,基于所述多个相似度值构建对话所述生成模型的最终优化损失函数,利用所述最终优化损失函数对所述对话生成模型进行训练处理,得到标准生成模型;
对话生成模块,用于将待处理数据输入至所述标准生成模型中,得到所述待处理数据对应的对话集。
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中任意一项所述的对话生成方法。
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中任意一项所述的对话生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879218.8A CN116860944A (zh) | 2023-07-18 | 2023-07-18 | 对话生成方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310879218.8A CN116860944A (zh) | 2023-07-18 | 2023-07-18 | 对话生成方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116860944A true CN116860944A (zh) | 2023-10-10 |
Family
ID=88223203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310879218.8A Pending CN116860944A (zh) | 2023-07-18 | 2023-07-18 | 对话生成方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116860944A (zh) |
-
2023
- 2023-07-18 CN CN202310879218.8A patent/CN116860944A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861768B (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
CN113674858B (zh) | 在线医疗处方用药智能检查方法、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 | |
CN114420279A (zh) | 一种医疗资源推荐方法、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 | |
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 | |
CN116884612A (zh) | 疾病风险等级的智能分析方法、装置、设备及存储介质 | |
CN116403693A (zh) | 问诊单派单方法、装置、设备及存储介质 | |
CN114841165B (zh) | 用户数据分析及展示方法、装置、电子设备及存储介质 | |
CN115982454A (zh) | 基于用户画像的问卷推送方法、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 | |
CN116631608A (zh) | 问诊症状识别方法、装置、设备及存储介质 | |
CN116386831B (zh) | 一种基于智慧医院管理平台的数据可视化展示方法及系统 | |
CN113688319B (zh) | 医疗产品推荐方法及相关设备 | |
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 | |
CN114864032B (zh) | 基于his系统的临床数据采集方法及装置 | |
CN116525142A (zh) | 基于线上问诊的意图识别方法、装置、电子设备及介质 | |
CN116487059A (zh) | 患者医疗费用的分析方法、装置、电子设备及介质 | |
CN117059240A (zh) | 医疗评价方法、装置、电子设备及可读存储介质 | |
CN116504424A (zh) | 医疗话术推荐方法、装置、电子设备及存储介质 | |
CN116881558A (zh) | 基于药品的问卷推送方法、装置、设备及存储介质 | |
CN116822669A (zh) | 体检预约方法、装置、设备及介质 | |
CN116860935A (zh) | 基于提示词问答交互的内容管理方法、装置、设备及介质 | |
CN116646096A (zh) | 诊后随访系统智能搭建方法、装置、电子设备及存储介质 | |
CN116705345A (zh) | 医疗实体标注方法、装置、设备及存储介质 |
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 |