CN117235241A - 一种面向高血压问诊随访场景人机交互方法 - Google Patents

Abstract

本申请涉及一种面向高血压问诊随访场景人机交互方法，包括：接收用户的本轮输入信息；调取所述用户的人机交互历史信息；根据人机交互历史信息以及本轮输入信息，对所述用户的意图进行识别，根据意图识别结果生成本轮回复信息。通过将用户的本轮输入信息和人机交互历史信息进行融合，最终得到融合后的信息表示，使信息表示中包含更多的上下文相关信息，从而更好地进行语义理解。解决了现有面向高血压问诊随访场景的人机交互方法中语义理解准确度低的问题。

Description

一种面向高血压问诊随访场景人机交互方法

技术领域

本发明涉及自然语言处理领域，尤其是一种面向高血压问诊随访场景的人机交互方法。

背景技术

在现代社会，高血压病已经成为一种常见且严重的公共卫生问题。由于高血压病的患病率相对较高，因此，对高血压病用户的有效管理和控制显得尤为重要。常规的高血压管理包括定期的问诊随访，以便医生了解用户的病情变化，调整治疗方案。然而，由于医疗资源的有限性，以及用户地理位置的分散性，传统的面对面问诊随访方式存在效率低下、成本高昂等问题。

随着人工智能技术的快速发展，人工智能已经在诸多领域内得到了广泛的应用，包括医疗健康领域。其中，自然语言处理技术使得机器能够理解和生成人类语言，从而实现人机之间的自然交互。然而，现有的人机交互方法在处理高血压病用户问诊随访场景时，由于用户的症状描述、用药情况、生活习惯等信息复杂多变，容易出现理解误差，导致交互效果不佳。

如何提高面向高血压问诊随访场景的人机交互方法中语义理解准确度，是本领域亟待解决的重要问题之一。

发明内容

在本实施例中提供了一种面向高血压问诊随访场景的人机交互方法，以解决相关技术中如何提高面向高血压问诊随访场景的人机交互方法中语义理解准确度的问题。

第一个方面，在本发明中提供了一种面向高血压问诊随访场景人机交互方法，包括：

接收用户的本轮输入信息；

调取所述用户的人机交互历史信息；

根据人机交互历史信息以及本轮输入信息，对所述用户的意图进行识别，根据意图识别结果生成本轮回复信息。

在其中的一些实施例中，所述根据人机交互历史信息以及本轮输入信息，对所述用户的意图进行识别包括：

将所述本轮输入信息与所述人机交互历史信息进行文本拼接与分词处理，输入预训练的神经网络模型，对所述用户的意图进行识别。

在其中的一些实施例中，所述神经网络模型包括Bert编码层、attention编码层和softmax层，所述attention编码层用于语义增强，所述softmax层用于将语义增强后的内容进行意图分类。

在其中的一些实施例中，在接收所述用户的本轮输入信息之后，还包括：根据所述本轮输入信息调取所述用户的患者画像；

所述根据意图识别结果生成本轮回复信息包括：

根据所述意图识别结果和所述患者画像生成所述本轮回复信息。

在其中的一些实施例中，所述患者画像的标签体系根据业务需要以及专家经验建立。

在其中的一些实施例中，所述标签体系包括多个标签，所述标签的标签内容通过所述用户的病历信息和人机交互历史信息获得。

在其中的一些实施例中，在根据所述本轮输入信息调取所述用户的患者画像之后，还包括：

根据所述本轮输入信息判断是否更新所述患者画像，如果所述本轮输入信息中对应于所述患者画像的标签内容与调取的所述患者画像的标签内容不同，则更新所述患者画像对应的标签内容。

在其中的一些实施例中，在根据所述本轮输入信息调取所述用户的患者画像之后，还包括：

判断所述患者画像的标签内容是否缺失；如果缺失，则检测所述本轮输入信息中是否具有所述患者画像缺失的标签内容；如果具有，则补齐所述患者画像缺失的标签内容。

在其中的一些实施例中，所述患者画像的标签内容为统一术语，所述病历中的内容转化为统一术语的方式包括：提取所述病历文本中的目标医学信息，将提取到的目标医学信息转化为统一术语。

在其中的一些实施例中，所述输入信息的方式包括语音输入或文本输入。

第二个方面，在本发明中提供了一种面向高血压问诊随访场景人机交互装置，包括：

信息接收模块，用于接收用户的本轮输入信息；

信息调取模块，用于调取所述用户的人机交互历史信息；

信息生成模块，用于根据人机交互历史信息以及本轮输入信息，对所述用户的意图进行识别，根据意图识别结果生成本轮回复信息。

第三个方面，在本发明中提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一个方面所述的面向高血压问诊随访场景的人机交互方法。

第四个方面，在本发明中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的面向高血压问诊随访场景的人机交互方法。

与相关技术相比，在本发明中提供的面向高血压问诊随访场景人机交互方法，通过将用户的本轮输入信息和人机交互历史信息进行融合，最终得到融合后的信息表示，使信息表示中包含更多的上下文相关信息，从而更好地进行语义理解。解决了现有面向高血压问诊随访场景的人机交互方法中语义理解准确度低的问题。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是执行本发明中提供的面向高血压问诊随访场景人机交互方法的终端硬件结构框图；

图2是本发明的面向高血压问诊随访场景人机交互方法的流程图；

图3是本发明一实施例中的人机交互流程示意图；

图4是本发明一实施例中的数据处理流程示意图；

图5是本发明一实施例中的人机交互流程示意图；

图6是本发明的面向高血压问诊随访场景人机交互装置的结构框图。

具体实施方式

为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。

除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块（单元）的过程、方法和系统、产品或设备并未限定于列出的步骤或模块（单元），而可包括未列出的步骤或模块（单元），或者可包括这些过程、方法、产品或设备固有的其他步骤或模块（单元）。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。

在本发明中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是执行本发明中提供的面向高血压问诊随访场景人机交互方法的终端硬件结构框图。如图1所示，终端可以包括一个或多个（图1中仅示出一个）处理器120和用于存储数据的存储器140，其中，处理器120可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备160以及输入输出设备180。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。

存储器140可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本发明中的面向高血压问诊随访场景人机交互方法对应的计算机程序，处理器120通过运行存储在存储器140内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器140可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器140可进一步包括相对于处理器120远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备160用于经由网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备160包括网络适配器（Network InterfaceController，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备160可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

在本发明中提供了一种面向高血压问诊随访场景人机交互方法，图2是本发明的面向高血压问诊随访场景人机交互方法的流程图，如图2所示，该流程包括如下步骤：

S210，接收用户的本轮输入信息；

S220，调取用户的人机交互历史信息；

S230，根据人机交互历史信息以及本轮输入信息，对用户的意图进行识别，根据意图识别结果生成本轮回复信息。

具体的，在人机交互过程中，用户可以通过语音或是文本向终端输入交互信息。因此，输入信息的方式可以是语音输入或文本输入。示例性地，在高血压随访场景下的人机交互过程中，系统通过语音识别技术，将用户（此场景下，用户通常为具有高血压问题的患者）的语音输入转化为文本数据，经自然语言处理技术，对转换得到的文本数据进行语义理解，基于语义理解交互文本进行意图识别，根据语义理解的结果，系统生成相应的回应，可以是文本回应，也可以是语音回应。在基于语音的人机交互中，人机交互的实现主要依赖的技术有语音识别（ASR）、语音合成（TTS）、语义理解（SLU）、关键词抽取（KIE）、文本生成（NLG）。

图3是本发明一实施例中的人机交互流程示意图。参照图3，首先接收用户输入的语音，其次进行语音识别后转为文本，再对文本进行语义理解得到文本的语义表示，之后生成对应回复或进入下一轮交互。回复生成过程则是先确定回复的语义表示，其次基于语义表示进行自然语言生成，得到回复的文本，再基于文本进行语音合成，最终将语音发送给用户。在执行上述人机交互流程时，本发明还会将用户的本轮输入信息和人机交互历史信息进行融合，最终得到融合后的信息表示，使信息表示中包含更多的上下文相关信息，从而更好地进行语义理解，进而生成更加准确的回复内容。相比于仅通过用户的本轮输入信息识别用户的当前意图。解决了现有面向高血压问诊随访场景的人机交互方法中语义理解的准确度低的问题。

在其中的一些实施例中，S230，根据人机交互历史信息以及本轮输入信息，对用户的意图进行识别包括：将本轮输入信息与人机交互历史信息进行文本拼接与分词处理，输入预训练的神经网络模型，对用户的意图进行识别。

在本实施例中，提供一种人机交互历史信息和本轮输入信息的具体结合方式。具体的，可以通过语音识别技术，将用户的语音输入转化为文本数据，则可以先将本轮输入信息与人机交互历史信息进行文本拼接与分词处理，再将拼接处理后的文本序列输入预训练的神经网络模型，通过该神经网络模型对拼接处理后的文本序列进行识别处理，最终得到用户的意图。

在其中的一些实施例中，神经网络模型包括Bert编码层、attention编码层和softmax层，attention编码层用于语义增强，softmax层用于将语义增强后的内容进行意图分类。当采用上述结构的神经网络模型，可以进一步提高用户的意图识别准确率。

进一步的，上述两个实施例可以进行结合。图4是本发明一实施例中的数据处理流程示意图。具体的，请参照图4，人机交互历史信息建模的结果与本轮输入信息进入神经网络模型进行合并编码，具体过程如下：

S131，在每一轮对话中选择上一轮的问题以及上一轮的答案（人机交互历史信息）与当前用户回答（本轮输入信息）进行拼接，句子间通过第一标记进行标记分离，将第二标记附加在输入的开头作为整个输入的语义表示。第一标记为[SEP]，第二标记为[CLS]。

S132，对于对应的文本序列X={x1,x2…xn}，其中的xn表句子中的第n个token，文本序列经过Bert编码层的计算过程表示为：

H=Pool(Bert(X))

其中，Pool表示取Bert编码层中第二标记对应token位输出，为512维的向量输出。只取句子矩阵，[CLS]中token对应的512维的数字串，即矩阵的第一列，用H来作为整个句子的表示，首先，X={x1,x2…xn}中的X表示一句话，其中的每一个小x表示句子中的字或符号，包括前文加入的特殊标记[SEP]，[CLS]，例：X=‘[CLS]那您最近一次测量血压值是多少[SEP]忘记了’，x1对应‘[CLS]’、x2对应‘那’、x3对应‘您’、以此类推，则x14对应‘多’。然后，经过Bert编码层进行编码后，每一个字或符号会变为一个长度为512的数字串来表示，这个数字串就是向量，而512维是模型本身提前确定的一个参数，根据业务可以调整修改，至此整个句子的表示就变为了一个矩阵，矩阵的大小为“句子长度 * 512”。其中，第二标记为[CLS]，token表示每一个字或者符号。

S133，对由Bert编码层输出的特征向量进行attention编码，获得最终的句子语义表示。该步骤的目的是为了更好的融合拼接文本的特征信息，获得更全面的句子语义表示。其计算表示为：

=Attention(H)

其中，同样为512维的句子向量，由H的计算过程表示可知，经过一层注意力计算输出/>，计算过程可以理解为是H乘以一个注意力矩阵，H的维度为512 *1，注意力矩阵的维度为512*512，所以最终输出的/>的维度仍然是512*1，获得最终的句子表示后，将句子表示送入Softmax函数进行意图分类，具体的类别数量以当前任务所涉及的意图为准。

S134，得到每个用户回答的句子意图分类结果P，具体的计算过程表示为：

P=Softmax()

在高血压随访场景中，用户多为大龄或高龄人群，且随访中用户对自身情况可能表述不够清晰明了，导致样本语义理解难度增加，并且具有各个意图类别的样本分布不均匀的问题，为此采用Focal Loss和GHM Loss联合作为损失函数，并采用随机梯度下降法进行优化。Focal Loss损失函数的主要思想为降低简单样本损失所占的权重，提高复杂样本损失所占的权重，促使模型更加关注语义理解难度高、难以分类的样本。在高血压的随访场景中，用户的回答非常随性且口语化，也因此复杂样本较多。但只应用Focal Loss会使模型过度关注数量过少的复杂样本，导致模型训练中难以收敛，因此引入GHM Loss，它可以动态平衡复杂样本的权重，用来调节模型对复杂样本的关注度。复杂样本分布稀疏且跳脱，过多的关注这类样本会错误的引导模型的优化方向。综上，模型的Loss表示如下：

其中，为Focal Loss，/>为GHM Loss，/>为超参数配置，用于平衡整体Loss中GHM Loss的占比，可根据业务涉及的数据分布动态调整。

进一步的，在人机交互过程中，还可以结合用户的患者画像。此时，可以基于患者画像中的重点内容和缺失内容对用户进行有针对性的回复。

因此，在其中的一些实施例中，在步骤S210中，接收用户的本轮输入信息之后，还包括：根据本轮输入信息调取用户的患者画像。步骤S230中，根据意图识别结果生成本轮回复信息包括：根据意图识别结果和患者画像生成本轮回复信息。其中，较优的，患者画像的标签体系根据业务需要以及专家经验建立，标签体系包括多个标签，标签的标签内容通过用户的病历信息和人机交互历史信息获得。

具体的，基于业务的需要以及专家经验，对患者画像进行了标签体系设计，主要分为三个大的模块，分别为基本信息、病情、治疗处置。基本信息中包含用户的姓名、性别、年龄、职业、个人史、人群、文化程度、家族史和科室等相关信息；病情中包含症状、体征、检查、检验和疾病等信息；治疗处置中包含药物治疗、手术治疗、生活方式干预和其他操作治疗等信息。

在患者画像的标签体系构建完成后，需要填充各个标签内容，此时可以基于患者病历中的文本信息填充标签内容。优先的，患者画像的标签内容为统一术语，病历中的内容转化为统一术语的方式包括：提取病历文本中的目标医学信息，将提取到的目标医学信息转化为统一术语。具体的，首先可以获取用户病历文书信息，在文书结构化的基础上，通过信息规整、规则的映射和推理实现画像标签构建。然后提取文本中的关键医学信息，如症状、诊断、用药名称等，将提取到的关键信息全部转化为统一的标准术语，完成患者画像的标签内容填充。同时在人机交互过程中，可以基于已交互的人机交互历史信息，对患者画像的标签内容进行填充。进一步的，还可以根据当前的本轮输入信息更新或是补充对应的标签内容。相应的，在交互过程中，还可以结合意图识别结果和患者画像中的重点或缺失的标签内容，进行有针对性的交互。进而可以解决现有的交互技术具有高度的模板化且交互流程死板单一，未能结合高血压病患者的症状描述、用药情况、生活习惯等信息，而这些信息复杂多变，容易出现理解误差的问题。

图5是本发明一实施例中的人机交互流程示意图。如图5所示，人机交互系统首先读取用户的结构化患者画像信息，获取患者画像信息中包含的患者基本信息，以及相关的症状、疾病和药物治疗情况，并对此进行针对性随访，如正在服用的药物情况，是否持续服用，过往症状是否有好转等，使随访更具有人性化，从而实现个性化问询，可以对不同患者的不同情况进行针对性的随访。

具体的，在高血压随访中，随访以标签节点为单位，首先是身份确认，接通后根据患者信息对用户进行身份确认，接着根据回答及患者画像其中需重点关注的标签内容或者缺失内容进行节点跳转，如跳转至症状节点，根据患者画像中的症状信息对用户进行症状情况问询，同样的，继续根据患者画像及用户回答，针对性的进行节点跳转，更贴合高血压病患者的实际需求。

进一步的，在上述交互过程中，可以根据当前的本轮输入信息更新或是补充对应的标签内容。

因此，在其中的一些实施例中，在根据本轮输入信息调取用户的患者画像之后，还包括：根据本轮输入信息判断是否更新患者画像，如果本轮输入信息中对应于患者画像的标签内容与调取的患者画像的标签内容不同，则更新患者画像对应的标签内容；和/或，判断患者画像的标签内容是否缺失；如果缺失，则检测本轮输入信息中是否具有患者画像缺失的标签内容；如果具有，则补齐患者画像缺失的标签内容。

具体的，在人机交互过程中，可以针对一些重点关注的标签内容进行节点跳转，实现有针对性的交互。此时，如果本轮输入信息中对应于患者画像的标签内容与调取的患者画像的标签内容不同，则可以根据本轮输入信息对相应的标签内容进行更新。同时在人机交互过程中，还可以针对缺失的标签内容进行节点跳转，实现有针对性的交互。此时，用户的本轮输入信息中通常包括对应的缺失内容，则可以检测本轮输入信息中是否具有患者画像缺失的标签内容；如果具有，则根据本轮输入信息补齐患者画像缺失的标签内容。

综上，在上述实施例中，本发明通过根据人机交互历史信息以及本轮输入信息，进行患者画像构建，通过设计对应的患者画像标签达到对用户特征的精准刻画，同时在随访交互过程中利用患者画像提供的用户特有信息，实现针对性、个性化的交互内容和交互流程设计。并在具体的对用户回答进行语义理解过程中，融入历史交互信息，有效的提升高血压病用户问诊随访场景下的人机交互语义理解效果

在本发明中还提供了一种面向高血压问诊随访场景人机交互装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图6是本发明的面向高血压问诊随访场景人机交互装置的结构框图，如图6所示，该装置包括：

信息接收模块610，用于接收用户的本轮输入信息；

信息调取模块620，用于调取用户的人机交互历史信息；

信息生成模块630，用于根据人机交互历史信息以及本轮输入信息，对用户的意图进行识别，根据意图识别结果生成本轮回复信息。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

在本发明中还提供了一种电子设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

需要说明的是，本电子设备的具体示例可以参考上述方法的实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。

此外，结合上述本发明中提供的面向高血压问诊随访场景人机交互方法，在本发明中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种面向高血压问诊随访场景人机交互方法。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。

应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。

显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。

“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。

Claims (10)

1.一种面向高血压问诊随访场景人机交互方法，其特征在于，包括：

接收用户的本轮输入信息；

调取所述用户的人机交互历史信息；

根据所述人机交互历史信息以及所述本轮输入信息，对所述用户的意图进行识别，根据意图识别结果生成本轮回复信息。

2.根据权利要求1所述的面向高血压问诊随访场景人机交互方法，其特征在于，所述根据所述人机交互历史信息以及所述本轮输入信息，对所述用户的意图进行识别包括：

将所述本轮输入信息与所述人机交互历史信息进行文本拼接与分词处理，输入预训练的神经网络模型，对所述用户的意图进行识别。

3.根据权利要求2所述的面向高血压问诊随访场景人机交互方法，其特征在于，所述神经网络模型包括Bert编码层、attention编码层和softmax层，所述attention编码层用于语义增强，所述softmax层用于将语义增强后的内容进行意图分类。

4.根据权利要求1所述的面向高血压问诊随访场景人机交互方法，其特征在于，在接收所述用户的本轮输入信息之后，还包括：根据所述本轮输入信息调取所述用户的患者画像；

所述根据意图识别结果生成本轮回复信息包括：

根据所述意图识别结果和所述患者画像生成所述本轮回复信息。

5.根据权利要求4所述的面向高血压问诊随访场景人机交互方法，其特征在于，所述患者画像的标签体系根据业务需要以及专家经验建立。

6.根据权利要求5所述的面向高血压问诊随访场景人机交互方法，其特征在于，所述标签体系包括多个标签，所述标签的标签内容通过所述用户的病历信息和人机交互历史信息获得。

7.根据权利要求4所述的面向高血压问诊随访场景人机交互方法，其特征在于，在根据所述本轮输入信息调取所述用户的患者画像之后，还包括：

根据所述本轮输入信息判断是否更新所述患者画像，如果所述本轮输入信息中对应于所述患者画像的标签内容与调取的所述患者画像的标签内容不同，则更新所述患者画像对应的标签内容。

8.根据权利要求1所述的面向高血压问诊随访场景人机交互方法，其特征在于，在根据所述本轮输入信息调取所述用户的患者画像之后，还包括：

判断所述患者画像的标签内容是否缺失；如果缺失，则检测所述本轮输入信息中是否具有所述患者画像缺失的标签内容；如果具有，则补齐所述患者画像缺失的标签内容。

9.根据权利要求6所述的面向高血压问诊随访场景人机交互方法，其特征在于，所述患者画像的标签内容为统一术语，所述病历中的内容转化为统一术语的方式包括：提取所述病历文本中的目标医学信息，将提取到的目标医学信息转化为统一术语。

10.根据权利要求1所述的面向高血压问诊随访场景人机交互方法，其特征在于，所述输入信息的方式包括语音输入或文本输入。