CN116861875A - 基于人工智能的文本处理方法、装置、设备及存储介质 - Google Patents

基于人工智能的文本处理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116861875A
CN116861875A CN202310802793.8A CN202310802793A CN116861875A CN 116861875 A CN116861875 A CN 116861875A CN 202310802793 A CN202310802793 A CN 202310802793A CN 116861875 A CN116861875 A CN 116861875A
Authority
CN
China
Prior art keywords
text
task
description text
target
sample
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
CN202310802793.8A
Other languages
English (en)
Inventor
陈思玥
周晓峰
李松岭
王科强
倪渊
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 CN202310802793.8A priority Critical patent/CN116861875A/zh
Publication of CN116861875A publication Critical patent/CN116861875A/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
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • 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
    • G06F16/335—Filtering based on additional data, e.g. user or group profiles
    • 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
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/374—Thesaurus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • 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
    • G06F40/284—Lexical analysis, e.g. tokenisation or collocates
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)

Abstract

本申请属于人工智能领域与数字医疗领域，涉及一种基于人工智能的文本处理方法，包括：获取任务描述文本；获取与任务描述文本对应的应用场景文本；从样本数据库获取与任务描述文本匹配的样本描述文本；基于语言类型对样本描述文本进行改写得到目标样本描述文本；基于目标任务数量生成任务要求文本；对任务描述文本、应用场景文本、目标样本描述文本以及任务要求文本进行组合得到组合文本；通过大型语言模型输出组合文本的目标文本数据。本申请还提供一种基于人工智能的文本处理装置、计算机设备及存储介质。此外，目标文本数据可存储于区块链中。本申请可应用于医疗领域的文本生场景，有效提高了基于生成的与组合文本对应的目标文本数据的准确度。

Description

基于人工智能的文本处理方法、装置、设备及存储介质
技术领域
本申请涉及人工智能开发技术领域与数字医疗领域，尤其涉及基于人工智能的文本处理方法、装置、计算机设备及存储介质。
背景技术
在自然语言处理领域中，基于大规模数据训练的大型语言模型如GPT-3、GPT-4，它们具有强大的学习能力。但是，由于这些大型语言模型是基于大规模数据训练构建的，虽然可以适用于多种下游任务，但是对于特定领域下的文本处理任务的准确性往往不高。例如医疗领域下的患者问答的文本处理任务，通过大型语言模型对患者输入的任务描述文本进行直接处理，往往只会输出符合大主题却不完全符合细分主题的较为宽泛的问答文本数据，从而导致大型语言模型在处理一些细化的特定领域的任务时存在精确度较低的问题。
发明内容
本申请实施例的目的在于提出一种基于人工智能的文本处理方法、装置、计算机设备及存储介质，以解决现有的大型语言模型对输入的任务描述文本进行直接处理，往往只会输出符合大主题却不完全符合细分主题的较为宽泛的问答文本数据，从而导致大型语言模型在处理一些细化的特定领域的任务时存在精确度较低的问题的技术问题。
为了解决上述技术问题，本申请实施例提供一种基于人工智能的文本处理方法，采用了如下所述的技术方案：
获取待处理的任务描述文本；
获取与所述任务描述文本对应的应用场景文本；
从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本；
基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本；
获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本；
对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本；
将所述组合文本输入至预设的大型语言模型内，通过所述大型语言模型输出与所述组合文本对应的目标文本数据。
进一步的，所述获取与所述任务描述文本对应的应用场景文本的步骤，具体包括：
对所述任务描述文本进行分词处理，得到第一词语集；
对所述第一词语集进行过滤处理，得到第二词语集；
基于预设的关键词提取算法对所述第二词语集进行关键词提取，得到目标关键词；
基于所述目标关键词对预设的领域词典进行查询处理，得到与所述目标关键词对应的目标领域；
获取与所述目标领域对应的领域描述文本；
将所述领域描述文本作为所述应用场景文本。
进一步的，所述从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本的步骤，具体包括：
将所述任务描述文本与所述样本数据库中包含的所有任务文本进行相似度计算，得到所述任务描述文本与各所述任务文本之间的相似度；
从所有所述相似度中筛选出数值最高的指定相似度，并获取与所述指定相似度对应的指定任务文本；
从所述样本数据库中获取与所述指定任务样本对应的指定样本描述文本；
将所述指定样本描述文本作为所述样本描述文本。
进一步的，所述基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本的步骤，具体包括：
获取所述样本描述文本中的初始描述语句；
基于所述语言类型对所述初始描述语句进行改写，得到与所述语言类型对应的目标初始描述语句；
基于所述目标初始描述语句对所述样本描述文本中的所述初始描述语句进行替换处理，得到替换后的样本描述文本；
将所述替换后的样本描述文本作为所述目标样本描述文本。
进一步的，所述获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本的步骤，具体包括：
获取预设的任务要求文本模板；
确定所述任务要求文本模板中的任务数量位置；
基于所述任务数量位置，在所述任务要求文本模板中对所述目标任务数量进行填充处理，得到填充后的任务要求文本模板；
将所述填充后的任务要求文本模板作为所述任务要求文本。
进一步的，所述对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本的步骤，具体包括：
获取预设的组合模板；
基于所述组合模板对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合后的组合模板；
将所述处理后的组合模板作为所述组合文本。
进一步的，所述获取待处理的任务描述文本的步骤，具体包括：
获取用户输入的初始任务描述文本；
判断在所述初始任务描述文本中是否存在违规词；
若不存在违规词，判断所述初始任务描述文本是否符合预设的任务描述规范；
若符合所述任务描述规范，则将所述初始任务描述文本作为所述任务描述文本。
为了解决上述技术问题，本申请实施例还提供一种基于人工智能的文本处理装置，采用了如下所述的技术方案：
第一获取模块，用于获取待处理的任务描述文本；
第二获取模块，用于获取与所述任务描述文本对应的应用场景文本；
第三获取模块，用于从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本；
第一处理模块，用于基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本；
生成模块，用于获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本；
第二处理模块，用于对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本；
输出模块，用于将所述组合文本输入至预设的大型语言模型内，通过所述大型语言模型输出与所述组合文本对应的目标文本数据。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
获取待处理的任务描述文本；
获取与所述任务描述文本对应的应用场景文本；
从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本；
基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本；
获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本；
对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本；
将所述组合文本输入至预设的大型语言模型内，通过所述大型语言模型输出与所述组合文本对应的目标文本数据。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
获取待处理的任务描述文本；
获取与所述任务描述文本对应的应用场景文本；
从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本；
基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本；
获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本；
对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本；
将所述组合文本输入至预设的大型语言模型内，通过所述大型语言模型输出与所述组合文本对应的目标文本数据。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例首先获取待处理的任务描述文本；然后获取与所述任务描述文本对应的应用场景文本；之后从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本，并基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本；后续获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本；进一步对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本；最后将所述组合文本输入至预设的大型语言模型内，通过所述大型语言模型输出与所述组合文本对应的目标文本数据。本申请通过在待处理的任务描述文本的样本描述文本中添加包含应用场景文本、目标样本描述文本以及任务要求文本的提示指令以生成组合文本，后续再将组合文本输入至大型语言模型内进行处理，可以有效提高大型语言模型对于与任务描述文本对应的文本生成任务的理解，有利于引导大型语言模型能够根据组合文本中的提示指令能够更加理解用户的意图与需求，从而输出更加合理、自然、流畅且准确的目标文本数据，有效地提高了生成的目标文本数据的准确度与质量。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，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是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的基于人工智能的文本处理方法的一个实施例的流程图；
图3是根据本申请的基于人工智能的文本处理装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的基于人工智能的文本处理方法一般由服务器/终端设备执行，相应地，基于人工智能的文本处理装置一般设置于服务器/终端设备中。
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。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的基于人工智能的文本处理方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的基于人工智能的文本处理方法能够应用于任意一种需要进行文本数据生成的场景中，则该基于人工智能的文本处理方法能够应用于这些场景的产品中，例如，数字医疗领域中的医疗文本数据生成。所述的基于人工智能的文本处理方法，包括以下步骤：
步骤S201，获取待处理的任务描述文本。
在本实施例中，基于人工智能的文本处理方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取待处理的任务描述文本。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。本申请的基于人工智能的文本处理方法，具体可应用于数字医疗领域中的智能客服、问答系统、聊天机器人中的场景。示例性的，上述待处理的任务描述文本可为文本生成任务对应的描述文本，例如可为患者输入的“得了妊娠糖尿病会有什么危害”的医疗问题文本。
在本实施例中，上述获取待处理的任务描述文本的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S202，获取与所述任务描述文本对应的应用场景文本。
在本实施例中，上述获取与所述任务描述文本对应的应用场景文本的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S203，从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本。
在本实施例中，上述样本数据库为预先创建的存储有不同类型的任务文本，以及与各种任务文本相对应的样本描述文本的数据库。上述从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S204，基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本。
在本实施例中，上述语言类型具体可为英文。上述基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S205，获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本。
在本实施例中，上述获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
步骤S206，对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本。
在本实施例中，上述组合文本中的所述应用场景文本、所述目标样本描述文本以及所述任务要求文本可以视作为所述任务描述文本的提示指令(prompt)，通过对任务要求文本进行合理的prompt设计可以帮助模型缓解数据稀疏性问题，并且能够显著提高后续的大型语言模型生成的文本数据的质量和效果。其中，上述对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。本申请在
步骤S207，将所述组合文本输入至预设的大型语言模型内，通过所述大型语言模型输出与所述组合文本对应的目标文本数据。
在本实施例中，大型语言模型(LLM，Large Language Models)是指使用大量文本数据训练的深度学习模型，可以生成自然语言文本或理解语言文本的含义。大语言模型可以处理多种自然语言任务，如文本分类、问答、对话等，是通向人工智能的一条重要途径。大型语言模型是一种强大的话术生成框架，它能够在一定程度上模拟人类产生话术的方式，并且可以应用于多种实际场景，例如智能客服、问答系统、聊天机器人等。本申请中的大型语言模型具体可采用GPT-3、GPT-4、PaLM、Galactica、LLaMA、科大讯飞等。通过将组合文本输入至大型语言模型进行推理，大型语言模型会输出一个文本(即目标文本数据)作为该组合文本对应的结果。示例性的，该目标文本数据可以为话术数据。
本申请首先获取待处理的任务描述文本；然后获取与所述任务描述文本对应的应用场景文本；之后从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本，并基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本；后续获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本；进一步对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本；最后将所述组合文本输入至预设的大型语言模型内，通过所述大型语言模型输出与所述组合文本对应的目标文本数据。本申请通过在待处理的任务描述文本的样本描述文本中添加包含应用场景文本、目标样本描述文本以及任务要求文本的提示指令以生成组合文本，后续再将组合文本输入至大型语言模型内进行处理，可以有效提高大型语言模型对于与任务描述文本对应的文本生成任务的理解，有利于引导大型语言模型能够根据组合文本中的提示指令能够更加理解用户的意图与需求，从而输出更加合理、自然、流畅且准确的目标文本数据，有效地提高了生成的目标文本数据的准确度与质量。
在一些可选的实现方式中，步骤S202包括以下步骤：
对所述任务描述文本进行分词处理，得到第一词语集。
在本实施例中，可通过使用分词工具，例如jieba工具对对所述任务描述文本进行分词处理，得到第一词语集。
对所述第一词语集进行过滤处理，得到第二词语集。
在本实施例中，可通过基于预设的停用词数据表对对所述第一词语集进行过滤处理，得到第二词语集。
基于预设的关键词提取算法对所述第二词语集进行关键词提取，得到目标关键词。
在本实施例中，上述关键词提取算法具体可采用图排序算法。基于图排序算法对所述第二词语集进行关键词提取的过程可包括：根据所述词语集构建有向有权图；其中，所述有向有权图中的一个节点表示所述第二词语集中的一个分词；根据权重计算公式计算所述有向有权图中各个节点的权重；筛选所述有向有权图中权重超过预设阈值的节点，作为所述第二词语集的目标关键词。其中，对于预设阈值的取值不做具体限定，可根据实际的使用需求进行设置。
基于所述目标关键词对预设的领域词典进行查询处理，得到与所述目标关键词对应的目标领域。
在本实施例中，上述领域词典为预先构建的存储有不同领域下的具有标识性与代表性的领域中的词语，且各个词语与其对应的领域具有映射关系。可通过先从领域词典中确定出与目标关键词匹配的指定领域词语，再获取该指定领域词语的领域，得到上述目标领域。示例性的，对于数字医疗领域，数字医疗领域内的词语至少可包括：医院,医生,护士,病人,患者,病历,会诊,手术,治疗,门诊,挂号,候诊,看病,取药,治疗,处方,开方,病史,医嘱,急诊,住院,分诊,接诊,候诊,医疗,诊断,就医,就诊,问诊,医学,健康管理,健康档案,健康信息,慢病,慢性病,医患,医共体,疾病,急诊,复诊,预诊,智能影像,医学影像,医疗影像,药,诊疗,用药,误诊,社康,康复,临床,疗效,转诊,病例,医学,计生,卫健,卫生健康,药械,家医,医保,诊所,医护,看护,护理,体检,辅医,传染病,流行病,急症,重症,发热,药店,药房,智慧医疗,数字医疗,智慧就医,数字就医,智慧就诊,数字就诊,智慧挂号,数字挂号,智慧问诊,数字问诊,医疗云,医疗大数据,医疗物联网,医疗综合,医疗平台,就医云,就医大数据,就医物联网,就医综合,就医平台,就诊云,就诊大数据,就诊物联网,就诊综合,就诊平台,挂号云,挂号大数据,挂号物联网,挂号综合,挂号平台,问诊云,问诊大数据,问诊物联网,问诊综合,问诊平台,医疗管理,医疗监管,医疗监督,就医管理,就医监督,就医监管,问诊管理,问诊监督,问诊监管,就诊管理,就诊监督,就诊监管,挂号管理,挂号监督,医患信息,医患数据,医患管理，医共体,慢病大数据,慢病云平台,慢病综合,慢病管理,慢病平台,互联网医院,医院平台,医院综合,医院云.
获取与所述目标领域对应的领域描述文本。
在本实施例中，对于不同的领域，预先会构建出与该领域匹配的领域描述文本并进行存储。示例性的，对于医疗问诊领域，该医疗问诊领域的描述文本包括：“假如你是个医生，现在需要给病人提供一些建议”。对于实体识别应用领域，该实体识别应用领域的描述文本包括：“假设你现在正被用作实体识别”等等。
将所述领域描述文本作为所述应用场景文本。
本申请通过对所述任务描述文本进行分词处理，得到第一词语集；然后对所述第一词语集进行过滤处理，得到第二词语集；之后基于预设的关键词提取算法对所述第二词语集进行关键词提取，得到目标关键词；后续基于所述目标关键词对预设的领域词典进行查询处理，得到与所述目标关键词对应的目标领域；最后获取与所述目标领域对应的领域描述文本，并将所述领域描述文本作为所述应用场景文本。本申请在对任务描述文本进行分词与过滤处理得到第二词语集后，进而基于关键词提取算法对第二词语集进行关键词提取得到目标关键词，之后基于领域词典的使用来实现快速地查询出与所述目标关键词对应的目标领域的领域描述文本，从而得到与任务描述文本对应的应用场景文本，提高了应用场景文本的获取效率。且后续通过在待处理的任务描述文本中添加对任务描述文本的应用场景描述后再输入至大型语言模型内进行处理，可以有效提高任务描述文本与应用场景领域的适配程度，有利于引导大型语言模型能够基于应用场景描述能够更加理解用户的意图与需求，从而输出更准确的目标文本数据，提高了生成的目标文本数据的质量。
在本实施例的一些可选的实现方式中，步骤S203包括以下步骤：
将所述任务描述文本与所述样本数据库中包含的所有任务文本进行相似度计算，得到所述任务描述文本与各所述任务文本之间的相似度。
在本实施例中，可采用相似度算法计算得到所述任务描述文本与各所述任务文本之间的相似度。其中，对于相似度算法的选取不做具体限定，例如可采用欧式距离、杰卡德(Jaccard)相似度、余弦相似度、皮尔逊(Pearson)相似度，等等。
从所有所述相似度中筛选出数值最高的指定相似度，并获取与所述指定相似度对应的指定任务文本。
在本实施例中，可通过对计算得到的所有相似度进行大小比较，从而筛选出数值最高的指定相似度。
从所述样本数据库中获取与所述指定任务样本对应的指定样本描述文本。
在本实施例中，上述样本数据库为预先创建的存储有不同类型的任务文本，以及与各种任务文本相对应的样本描述文本的数据库。样本描述文本也可简称为样本，样本的案例以结构化的格式撰写，能够提高文本生成任务和所需形式的贴合程度。示例性的，样本描述文本可包括“这是一些正样本：得了妊娠糖尿病，这会导致胎儿超重和过大，使得难产的风险增加，并可能需要剖腹产手术。还会增加胚胎发育缺陷的风险，例如神经管缺陷、心脏病等。”，“下面是一些负样本：XXX”，等等。
将所述指定样本描述文本作为所述样本描述文本。
本申请通过将所述任务描述文本与所述样本数据库中包含的所有任务文本进行相似度计算，得到所述任务描述文本与各所述任务文本之间的相似度；然后从所有所述相似度中筛选出数值最高的指定相似度，并获取与所述指定相似度对应的指定任务文本；之后从所述样本数据库中获取与所述指定任务样本对应的指定样本描述文本；后续将所述指定样本描述文本作为所述样本描述文本。本申请基于样本数据库的使用，根据所述任务描述文本与所述样本数据库中包含的所有任务文本之间的相似度来确定出数值最高的指定相似度，进而可以从样本数据库中快速地查询出与指定相似度匹配的指定任务样本所对应的指定样本描述文本，并用作与所述任务描述文本匹配的样本描述文本，提高了样本描述文本的获取效率。本申请通过在待处理的任务描述文本中添加对任务描述文本的样本描述文本后再输入至大型语言模型内进行处理，可以有效提高提高文本生成的质量，以及与文本生任务的贴合程度，有利于引导大型语言模型能够基于样本描述文本能够更加理解用户的意图与需求，从而输出更准确的目标文本数据，提高了生成的目标文本数据的质量。
在一些可选的实现方式中，步骤S204包括以下步骤：
获取所述样本描述文本中的初始描述语句。
在本实施例中，上述初始描述语句是指样本描述文本中的引导句子。示例性的，如果样本描述文本为“这是一些正样本：得了妊娠糖尿病，这会导致胎儿超重和过大，使得难产的风险增加，并可能需要剖腹产手术。还会增加胚胎发育缺陷的风险，例如神经管缺陷、心脏病等。”，则对应的初始描述语句为“这是一些正样本”。
基于所述语言类型对所述初始描述语句进行改写，得到与所述语言类型对应的目标初始描述语句。
在本实施例中，上述语言类型具体可为英文。示例性的，对于初始描述语句“这是一些正样本”，对该初始描述语句进行改写后可得到对应的目标初始描述语句为：“Hereare some positive samples”。通过适当的在中文描述中加入一些英文指令，能够提高对正样本的模仿程度。这是由于英文语料数量和质量都大幅优于中文语料，目前市面所有的大型语言模型都有经过中文语料和英文语料的训练，英文指令能够达到更优的效果。
基于所述目标初始描述语句对所述样本描述文本中的所述初始描述语句进行替换处理，得到替换后的样本描述文本。
在本实施例中，可通过将所述样本描述文本中的所述初始描述语句进行删除，再将该目标初始描述语句填充至所述初始描述语句的删除位置，以得到替换处理后的样本描述文本。
将所述替换后的样本描述文本作为所述目标样本描述文本。
本申请通过获取所述样本描述文本中的初始描述语句；然后基于所述语言类型对所述初始描述语句进行改写，得到与所述语言类型对应的目标初始描述语句；后续基于所述目标初始描述语句对所述样本描述文本中的所述初始描述语句进行替换处理，得到替换后的样本描述文本，并将所述替换后的样本描述文本作为所述目标样本描述文本。本申请通过使用预设的语言类型对样本描述文本中的初始描述语句进行改写得到对应的目标初始描述语句，进而使用目标初始描述语句对所述样本描述文本中的所述初始描述语句进行替换处理，从而可以实现快速地得到目标样本描述文本。本申请通过在待处理的任务描述文本的样本描述文本中添加与预设语言对应的改写后再输入至大型语言模型内进行处理，可以有效提高大型语言模型对于文本生成任务的理解，进而提高文本生成的质量，有利于引导大型语言模型能够基于样本描述文本能够更加理解用户的意图与需求，从而输出更准确的目标文本数据，提高了生成的目标文本数据的质量。
在一些可选的实现方式中，步骤S205包括以下步骤：
获取预设的任务要求文本模板。
在本实施例中，上述任务要求文本模板为根据实际的业务使用需求预先构建的要求文本模板。实例性的，请尽量简明化、口语化地生成(数量)条文本。
确定所述任务要求文本模板中的任务数量位置。
在本实施例中，上述任务数量位置是指任务要求文本模板中的括号位置处。
基于所述任务数量位置，在所述任务要求文本模板中对所述目标任务数量进行填充处理，得到填充后的任务要求文本模板。
在本实施例中，可通过将目标任务数量填充至所述任务要求文本模板中的任务数量位置处，以得到填充后的任务要求文本模板。其中，对于上述目标任务数量的数值不做具体限定，可根据实际的使用需求进行设置。优选设置为5。每次要求的生成数量不宜太多，根据经验5条能够达到数量和质量平衡上的最优。这是因为生成过程中会基于生成出来的上文，过长的生成文本会导致任务对任务要求的理解产生损失。
将所述填充后的任务要求文本模板作为所述任务要求文本。
本申请通过获取预设的任务要求文本模板；然后确定所述任务要求文本模板中的任务数量位置；后续基于所述任务数量位置，在所述任务要求文本模板中对所述目标任务数量进行填充处理，得到填充后的任务要求文本模板，并将所述填充后的任务要求文本模板作为所述任务要求文本。本申请基于任务要求文本模板的使用，将获取到的目标任务数量填充至任务要求文本模板内的任务数量位置处，可以实现快速准确地生成相应的任务要求文本，提高了任务要求文本的生成效率。本申请通过在待处理的任务描述文本的样本描述文本中添加基于目标任务数量生成的任务要求文本后，再输入至大型语言模型内进行处理，可以有效提高大型语言模型生成的目标文本数据能够达到数量和质量平衡上的最优，有利于输出与待处理的任务描述文本对应的更准确的目标文本数据，提高了生成的目标文本数据的质量。
在本实施例的一些可选的实现方式中，步骤S206包括以下步骤：
获取预设的组合模板。
在本实施例中，上述组合模板为根据实际的实验效果构建的组合模板。具体地，组合模板中包括多个文本的填充区域，且各个文本的填充区域之间具有填充的顺序关系。组合模板包括：{应用场景文本；任务描述文本；目标样本描述文本；任务要求文本}。
基于所述组合模板对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合后的组合模板。
在本实施例中，可根据组合模板中包含的各个文本的填充区域之间填充的顺序关系，将所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本填充至组合模板中，以得到组合后的组合模板。
将所述处理后的组合模板作为所述组合文本。
在本实施例中，示例性的，得到的组合文本的内容可包括：假如你是个医生，用简明扼要的语言向病人解释得了妊娠糖尿病会有什么危害。
Here are some positive samples
1.得了妊娠糖尿病，这会导致胎儿超重和过大，使得难产的风险增加，并可能需要剖腹产手术。还会增加胚胎发育缺陷的风险，例如神经管缺陷、心脏病等。
2.孕期妊娠糖尿病也容易转变成2型糖尿病，对以后的身体健康产生潜在影响。妊娠糖尿病还会增加胚胎发育缺陷的风险，例如神经管缺陷、心脏病等。如果您不积极治疗妊娠糖尿病，它可能导致妊娠高血压、羊水过多等严重并发症。
生成5条文本，每条文本里面至少包括两点危害。
本申请通过获取预设的组合模板；然后基于所述组合模板对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合后的组合模板；后续将所述处理后的组合模板作为所述组合文本。本申请基于组合模板的使用对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，可以实现快速准确地生成所需的用于输入至大型语言模型内进行处理的组合文本，提高了组合文本的生成效率与生成准确度。
在本实施例的一些可选的实现方式中，步骤S201包括以下步骤：
获取用户输入的初始任务描述文本。
在本实施例中，上述初始任务描述文本为用户需要触发文本生成任务所对应的初始任务描述文本。
判断在所述初始任务描述文本中是否存在违规词。
在本实施例中，可通过调用预设的违规词集合，并将所述初始任务描述文本中的词语与该违规词集合中的所有违规词进行匹配，若违规词集合中存在与该初始任务描述文本中的词语匹配的指定违规词语，则判定初始任务描述文本中存在违规词，而若违规词集合中不存在与该初始任务描述文本中的词语匹配的指定违规词语，则判定初始任务描述文本中不存在违规词。
若不存在违规词，判断所述初始任务描述文本是否符合预设的任务描述规范。
在本实施例中，上述任务描述规范可为根据实际的文本生成任务的处理规范生成的任务描述规范。如果上述初始任务描述文本符合该任务描述规范，则表明该初始任务描述文本为可进行正常处理的文本生成任务的文本问题。
若符合所述任务描述规范，则将所述初始任务描述文本作为所述任务描述文本。
在本实施例中，如果上述初始任务描述文本不符合该任务描述规范，可生成文本改写提醒信息，以提醒用户基于该任务描述规范对初始任务描述文本进行适应性的修改。
本申请通过获取用户输入的初始任务描述文本；然后判断在所述初始任务描述文本中是否存在违规词；若不存在违规词，判断所述初始任务描述文本是否符合预设的任务描述规范；若符合所述任务描述规范，则将所述初始任务描述文本作为所述任务描述文本。本申请在基于大型语言模型对任务描述文本进行处理之前，还会智能地对初始任务描述文本进行违规词检测与任务描述规范校验，只有在初始任务描述文本均通过了违规词检测与任务描述规范校验时，后续才会对该初始任务描述文本进行进一步的模型处理，提高了对于初始任务描述文本的处理智能性与处理规范性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
需要强调的是，为进一步保证上述目标文本数据的私密和安全性，上述目标文本数据还可以存储于一区块链的节点中。
本申请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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种基于人工智能的文本处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的基于人工智能的文本处理装置300包括：第一获取模块301、第二获取模块302、第三获取模块303、第一处理模块304、生成模块305、第二处理模块306以及输出模块307。其中：
第一获取模块301，用于获取待处理的任务描述文本；
第二获取模块302，用于获取与所述任务描述文本对应的应用场景文本；
第三获取模块303，用于从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本；
第一处理模块304，用于基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本；
生成模块305，用于获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本；
第二处理模块306，用于对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本；
输出模块307，用于将所述组合文本输入至预设的大型语言模型内，通过所述大型语言模型输出与所述组合文本对应的目标文本数据。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的文本处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二获取模块302包括：
第一处理子模块，用于对所述任务描述文本进行分词处理，得到第一词语集；
第二处理子模块，用于对所述第一词语集进行过滤处理，得到第二词语集；
提取子模块，用于基于预设的关键词提取算法对所述第二词语集进行关键词提取，得到目标关键词；
第三处理子模块，用于基于所述目标关键词对预设的领域词典进行查询处理，得到与所述目标关键词对应的目标领域；
第一获取子模块，用于获取与所述目标领域对应的领域描述文本；
第一确定子模块，用于将所述领域描述文本作为所述应用场景文本。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的文本处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,第三获取模块303包括：
计算子模块，用于将所述任务描述文本与所述样本数据库中包含的所有任务文本进行相似度计算，得到所述任务描述文本与各所述任务文本之间的相似度；
筛选子模块，用于从所有所述相似度中筛选出数值最高的指定相似度，并获取与所述指定相似度对应的指定任务文本；
第二获取子模块，用于从所述样本数据库中获取与所述指定任务样本对应的指定样本描述文本；
第二确定子模块，用于将所述指定样本描述文本作为所述样本描述文本。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的文本处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第一处理模块304包括：
第三获取子模块，用于获取所述样本描述文本中的初始描述语句；
改写子模块，用于基于所述语言类型对所述初始描述语句进行改写，得到与所述语言类型对应的目标初始描述语句；
替换子模块，用于基于所述目标初始描述语句对所述样本描述文本中的所述初始描述语句进行替换处理，得到替换后的样本描述文本；
第三确定子模块，用于将所述替换后的样本描述文本作为所述目标样本描述文本。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的文本处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，生成模块305包括：
第四获取子模块，用于获取预设的任务要求文本模板；
第四确定子模块，用于确定所述任务要求文本模板中的任务数量位置；
填充子模块，用于基于所述任务数量位置，在所述任务要求文本模板中对所述目标任务数量进行填充处理，得到填充后的任务要求文本模板；
第五确定子模块，用于将所述填充后的任务要求文本模板作为所述任务要求文本。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的文本处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二处理模块306包括：
第五获取子模块，用于获取预设的组合模板；
组合子模块，用于基于所述组合模板对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合后的组合模板；
第六确定子模块，用于将所述处理后的组合模板作为所述组合文本。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的文本处理方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第一获取模块301包括：
第六获取子模块，用于获取用户输入的初始任务描述文本；
第一判断子模块，用于判断在所述初始任务描述文本中是否存在违规词；
第二判断子模块，用于若不存在违规词，判断所述初始任务描述文本是否符合预设的任务描述规范；
第七确定子模块，用于若符合所述任务描述规范，则将所述初始任务描述文本作为所述任务描述文本。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的基于人工智能的文本处理方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41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、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4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(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如基于人工智能的文本处理方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述基于人工智能的文本处理方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，通过在待处理的任务描述文本的样本描述文本中添加包含应用场景文本、目标样本描述文本以及任务要求文本的提示指令以生成组合文本，后续再将组合文本输入至大型语言模型内进行处理，可以有效提高大型语言模型对于与任务描述文本对应的文本生成任务的理解，有利于引导大型语言模型能够根据组合文本中的提示指令能够更加理解用户的意图与需求，从而输出更加合理、自然、流畅且准确的目标文本数据，有效地提高了生成的目标文本数据的准确度与质量。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的基于人工智能的文本处理方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，通过在待处理的任务描述文本的样本描述文本中添加包含应用场景文本、目标样本描述文本以及任务要求文本的提示指令以生成组合文本，后续再将组合文本输入至大型语言模型内进行处理，可以有效提高大型语言模型对于与任务描述文本对应的文本生成任务的理解，有利于引导大型语言模型能够根据组合文本中的提示指令能够更加理解用户的意图与需求，从而输出更加合理、自然、流畅且准确的目标文本数据，有效地提高了生成的目标文本数据的准确度与质量。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于人工智能的文本处理方法，其特征在于，包括下述步骤：
获取待处理的任务描述文本；
获取与所述任务描述文本对应的应用场景文本；
从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本；
基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本；
获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本；
对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本；
将所述组合文本输入至预设的大型语言模型内，通过所述大型语言模型输出与所述组合文本对应的目标文本数据。
2.根据权利要求1所述的基于人工智能的文本处理方法，其特征在于，所述获取与所述任务描述文本对应的应用场景文本的步骤，具体包括：
对所述任务描述文本进行分词处理，得到第一词语集；
对所述第一词语集进行过滤处理，得到第二词语集；
基于预设的关键词提取算法对所述第二词语集进行关键词提取，得到目标关键词；
基于所述目标关键词对预设的领域词典进行查询处理，得到与所述目标关键词对应的目标领域；
获取与所述目标领域对应的领域描述文本；
将所述领域描述文本作为所述应用场景文本。
3.根据权利要求1所述的基于人工智能的文本处理方法，其特征在于，所述从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本的步骤，具体包括：
将所述任务描述文本与所述样本数据库中包含的所有任务文本进行相似度计算，得到所述任务描述文本与各所述任务文本之间的相似度；
从所有所述相似度中筛选出数值最高的指定相似度，并获取与所述指定相似度对应的指定任务文本；
从所述样本数据库中获取与所述指定任务样本对应的指定样本描述文本；
将所述指定样本描述文本作为所述样本描述文本。
4.根据权利要求1所述的基于人工智能的文本处理方法，其特征在于，所述基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本的步骤，具体包括：
获取所述样本描述文本中的初始描述语句；
基于所述语言类型对所述初始描述语句进行改写，得到与所述语言类型对应的目标初始描述语句；
基于所述目标初始描述语句对所述样本描述文本中的所述初始描述语句进行替换处理，得到替换后的样本描述文本；
将所述替换后的样本描述文本作为所述目标样本描述文本。
5.根据权利要求1所述的基于人工智能的文本处理方法，其特征在于，所述获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本的步骤，具体包括：
获取预设的任务要求文本模板；
确定所述任务要求文本模板中的任务数量位置；
基于所述任务数量位置，在所述任务要求文本模板中对所述目标任务数量进行填充处理，得到填充后的任务要求文本模板；
将所述填充后的任务要求文本模板作为所述任务要求文本。
6.根据权利要求1所述的基于人工智能的文本处理方法，其特征在于，所述对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本的步骤，具体包括：
获取预设的组合模板；
基于所述组合模板对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合后的组合模板；
将所述处理后的组合模板作为所述组合文本。
7.根据权利要求1所述的基于人工智能的文本处理方法，其特征在于，所述获取待处理的任务描述文本的步骤，具体包括：
获取用户输入的初始任务描述文本；
判断在所述初始任务描述文本中是否存在违规词；
若不存在违规词，判断所述初始任务描述文本是否符合预设的任务描述规范；
若符合所述任务描述规范，则将所述初始任务描述文本作为所述任务描述文本。
8.一种基于人工智能的文本处理装置，其特征在于，包括：
第一获取模块，用于获取待处理的任务描述文本；
第二获取模块，用于获取与所述任务描述文本对应的应用场景文本；
第三获取模块，用于从预设的样本数据库中获取与所述任务描述文本匹配的样本描述文本；
第一处理模块，用于基于预设的语言类型对所述样本描述文本进行改写，得到对应的目标样本描述文本；
生成模块，用于获取预设的目标任务数量，并基于所述目标任务数量生成任务要求文本；
第二处理模块，用于对所述任务描述文本、所述应用场景文本、所述目标样本描述文本以及所述任务要求文本进行组合处理，得到组合文本；
输出模块，用于将所述组合文本输入至预设的大型语言模型内，通过所述大型语言模型输出与所述组合文本对应的目标文本数据。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的基于人工智能的文本处理方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的基于人工智能的文本处理方法的步骤。
CN202310802793.8A 2023-06-30 2023-06-30 基于人工智能的文本处理方法、装置、设备及存储介质 Pending CN116861875A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310802793.8A CN116861875A (zh) 2023-06-30 2023-06-30 基于人工智能的文本处理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310802793.8A CN116861875A (zh) 2023-06-30 2023-06-30 基于人工智能的文本处理方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116861875A true CN116861875A (zh) 2023-10-10

Family

ID=88218360

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310802793.8A Pending CN116861875A (zh) 2023-06-30 2023-06-30 基于人工智能的文本处理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116861875A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151247A (zh) * 2023-10-30 2023-12-01 腾讯科技（深圳）有限公司 机器学习任务建模的方法、装置、计算机设备和存储介质
CN118606727A (zh) * 2024-08-08 2024-09-06 中电数据产业集团有限公司 基于语料库的提示文本优化方法、装置及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117151247A (zh) * 2023-10-30 2023-12-01 腾讯科技（深圳）有限公司 机器学习任务建模的方法、装置、计算机设备和存储介质
CN117151247B (zh) * 2023-10-30 2024-02-02 腾讯科技（深圳）有限公司 机器学习任务建模的方法、装置、计算机设备和存储介质
CN118606727A (zh) * 2024-08-08 2024-09-06 中电数据产业集团有限公司 基于语料库的提示文本优化方法、装置及电子设备

Similar Documents

Publication Publication Date Title
Fanni et al. Natural language processing
CN109599185B (zh) 疾病数据处理方法、装置、电子设备及计算机可读介质
WO2022007823A1 (zh) 一种文本数据处理方法及装置
US11232365B2 (en) Digital assistant platform
CN110931137B (zh) 机器辅助对话系统、方法及装置
CN116861875A (zh) 基于人工智能的文本处理方法、装置、设备及存储介质
US20200311610A1 (en) Rule-based feature engineering, model creation and hosting
CN113707307A (zh) 病情分析方法、装置、电子设备及存储介质
US11532387B2 (en) Identifying information in plain text narratives EMRs
WO2021114635A1 (zh) 患者分群模型构建方法、患者分群方法及相关设备
CN113707299A (zh) 基于问诊会话的辅助诊断方法、装置及计算机设备
CN113409907A (zh) 一种基于互联网医院的智能预问诊方法及系统
US20220059228A1 (en) Systems and methods for healthcare insights with knowledge graphs
WO2023178978A1 (zh) 基于人工智能的处方审核方法、装置、设备及介质
US11875884B2 (en) Expression of clinical logic with positive and negative explainability
CN113658662A (zh) 基于用药大数据的配药方法、装置、设备及存储介质
CN113657086B (zh) 词语处理方法、装置、设备及存储介质
Li et al. A scoping review of using large language models (llms) to investigate electronic health records (ehrs)
Yang et al. LMKG: A large-scale and multi-source medical knowledge graph for intelligent medicine applications
CN117350291A (zh) 一种电子病历命名实体识别方法、装置、设备及存储介质
CN116796840A (zh) 医疗实体信息抽取方法、装置、计算机设备及存储介质
Lal et al. NLP chatbot for Discharge Summaries
WO2023242878A1 (en) System and method for generating automated adaptive queries to automatically determine a triage level
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
US11238988B2 (en) Large scale identification and analysis of population health risks

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