JP2023535849A - 問題推奨方法及びその装置及びそのシステム、及び電子機器、読み取り可能な記憶媒体 - Google Patents

Abstract

本開示は、問題推奨方法、装置、システム及び電子機器及び非一時的な読み取り可能な記憶媒体を提供する。問題推奨方法は、複数の候補問題を含むユーザの候補問題セットを取得するステップと、ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得するステップと、ユーザ興味パラメータと複数の候補問題とに基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するステップと、ユーザ基本情報と複数の候補問題と少なくとも１つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得するステップと、問題シーケンスの順序に基づいて、問題シーケンスのうちの少なくとも１つの候補問題をユーザに推奨するステップと、を含む。

Description

本開示の実施例は、問題推奨方法、問題推奨装置、問題推奨システム、電子機器及び非一時的な読み取り可能な記憶媒体に関する。

インターネット技術の急速な発展に伴い、人々の生活に多くの便利をもたらす。人々は、インターネットを通じて興味のある情報を検索したり閲覧したりすることができ、インターネットを通じてオンライン問い合わせ、オンライン問診などを行うこともできる。時間の経過とともに、インターネットには大量の内容情報が蓄積され、従来の検索エンジンのウェブページの検索結果が多く、また重複や無関係の内容が多くなる可能性があり、ユーザは短い時間で自分の興味のある情報または問い合わせたい問題などを見つけるのは困難である。

本開示の少なくとも１つの実施例は、問題推奨方法を提供し、複数の候補問題を含むユーザの候補問題セットを取得するステップと、ユーザ行為データを取得し、前記ユーザ行為データに基づいてユーザ興味パラメータを取得するステップと、前記ユーザ興味パラメータと前記複数の候補問題に基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するステップと、ユーザ基本情報と前記複数の候補問題と前記少なくとも１つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するステップと、前記問題シーケンスの順序に基づいて、前記問題シーケンスのうちの少なくとも１つの候補問題を前記ユーザに推奨するステップと、を含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記ユーザ基本情報と前記複数の候補問題と前記少なくとも１つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するステップは、ソートモデルを使用して、前記ユーザ基本情報と前記複数の候補問題と前記少なくとも１つの類似度特徴とを前記ソートモデルの入力特徴ベクトルとして構成し、前記複数の候補問題内の各候補問題に対応するスコアを取得し、前記スコアの大きさに応じて対応する複数の候補問題をソートして、前記問題シーケンスを取得するステップを含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記ユーザ興味パラメータと前記複数の候補問題とに基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するステップは、少なくとも１つの類似度マッチングモデルを使用して、前記ユーザ興味パラメータと前記複数の候補問題とに基づいて、前記各候補問題と前記ユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するステップを含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記少なくとも１つの類似度マッチングモデルは、コサイン類似度モデルと、ジェカルト類似度モデルと、編集距離類似度モデルと、単語の移動距離類似度モデルと、ディープセマンティックマッチング類似度モデルと、の少なくとも１つを含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記ソートモデルは、Ｗｉｄｅ＆Ｄｅｅｐモデルを含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記ユーザの候補問題セットを取得するステップは、複数の知識問題セットを含むデータ知識ベースをアクセスするステップと、ユーザ基本情報を取得し、前記ユーザ基本情報に基づいてユーザラベルセットを作成するステップと、前記ユーザラベルセットと前記データ知識ベースとを関連付け、前記複数の知識問題セットから前記候補問題セットを取得するステップと、を含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記ユーザラベルセットは、マルチレベルのラベルを含むマルチレベルのラベルセットを含み、レベルが異なるラベルは、種類が異なる。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記問題推奨方法は、病気に関する問題を推奨するために使用され、前記マルチレベルのラベルセットは、第１レベルのラベルが年齢帯であり、第２レベルのラベルが時間帯であり、第３レベルのラベルが病気の種類であり、第４レベルのラベルが合併症である。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記複数の知識問題セットのそれぞれは、標準問題と、前記標準問題に対応する標準回答と、前記標準問題に対応する拡張問題と、を含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記ユーザの候補問題セットを取得するステップは、前記データ知識ベースを作成するステップをさらに含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記前記データ知識ベースを作成するステップは、ネットワークからデータセットを取り込み、前記データセットを意図に従って分類して、前記複数の知識問題セットを形成して、前記データ知識ベースを作成するステップを含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記問題推奨方法は、病気に関する問題を推奨するために使用され、前記データセットは、医師と患者の間の問診データセット、前記病気に関連するホットな問題、及び前記病気に関連する懸賞問題のうちの少なくとも１つからのものである。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記ユーザラベルセットと前記データ知識ベースとを関連付け、前記複数の知識問題セットから候補問題セットを取得するステップは、前記ユーザラベルセットと前記データ知識ベースにおける標準問題との間のマッピング関係を作成し、前記ユーザラベルセットを前記データ知識ベースにおける標準問題にマッチングし、マッチングされた標準問題に対応する知識問題セットで前記候補問題セットを構成するステップを含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記ユーザの候補問題セットを取得するステップは、予め記憶された前記ユーザの候補問題セットを取得するステップを含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨方法では、前記ユーザ行為データに基づいて、前記ユーザ興味パラメータを取得するステップは、前記ユーザ行為データを分析し、ユーザがクリックした問題、またはユーザが興味を持つ単語及び語句を前記ユーザ興味パラメータに変換するステップを含む。

本開示の少なくとも１つの実施例は、問題推奨装置をさらに提供し、複数の候補問題を含むユーザの候補問題セットを取得するように構成されるセット取得回路と、ユーザ行為データを取得し、前記ユーザ行為データに基づいてユーザ興味パラメータを取得するように構成される行為分析回路と、前記ユーザ興味パラメータと前記複数の候補問題とに基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するように構成される特徴生成回路と、ユーザ基本情報と前記複数の候補問題と前記少なくとも１つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するように構成される問題ソート回路と、前記問題シーケンスの順序に基づいて、前記問題シーケンスのうちの少なくとも１つの候補問題をユーザに推奨するように構成される推奨回路と、を含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨装置では、前記問題ソート回路は、ソートモデルを使用して、前記ユーザ基本情報と前記複数の候補問題と前記少なくとも１つの類似度特徴とを前記ソートモデルの入力特徴ベクトルとして構成し、前記複数の候補問題内の各候補問題に対応するスコアを取得し、前記スコアの大きさに応じて対応する複数の候補問題をソートして、前記問題シーケンスを取得するように構成される問題ソートサブ回路を含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨装置では、前記セット取得回路は、複数の知識問題セットを含むデータ知識ベースをアクセスするように構成される知識ベースアクセス回路と、ユーザ基本情報を取得し、前記ユーザ基本情報に基づいてユーザラベルセットを作成するように構成される情報取得回路と、前記ユーザラベルセットと前記データ知識ベースとを関連付け、前記複数の知識問題セットから複数の候補問題を含む候補問題セットを取得するように構成される候補セット生成回路と、を含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨装置では、前記セット取得回路は、ネットワークからデータセットを取り込み（ｇｒａｂ）、前記データセットを意図に従って分類して、前記複数の知識問題セットを形成し、前記データ知識ベースを作成するように構成される知識ベース作成回路をさらに含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨装置では、前記候補セット生成回路は、前記ユーザラベルセットと前記データ知識ベースの標準問題との間のマッピング関係を作成し、前記ユーザラベルセットを前記データ知識ベースにおける標準問題にマッチングし、マッチングされた標準問題に対応する知識問題セットで前記候補問題セットを構成するように構成される候補セット生成サブ回路を含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨装置では、前記行為分析回路は、前記ユーザ行為データを分析し、ユーザがクリックした問題、またはユーザが興味を持つ単語及び語句を前記ユーザ興味パラメータに変換するように構成される行為分析サブ回路を含む。

例えば、本開示の少なくとも１つの実施例により提供される問題推奨装置では、特徴生成回路は、少なくとも１つの類似度マッチングモデルを使用して、前記ユーザ興味パラメータと前記複数の候補問題に基づいて、前記各候補問題と前記ユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するように構成される特徴生成サブ回路を含む。

本開示の少なくとも１つの実施例は、端末と問題推奨サーバを含む問題推奨システムをさらに提供する。前記端末は、要求データを前記問題推奨サーバに送信するように構成され、前記問題推奨サーバは、前記要求データに応答して、ユーザの候補問題セットを取得するように構成され、前記候補問題セットは、複数の候補問題を含み、ユーザ行為データを取得し、前記ユーザ行為データに基づいてユーザ興味パラメータを取得し、前記ユーザ興味パラメータと前記複数の候補問題とに基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得し、ユーザ基本情報と前記複数の候補問題と前記少なくとも１つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得し、前記端末は、さらに、前記問題シーケンス内のＮ個までの候補問題を表示するように構成され、ただし、Ｎは１以上の整数である。

本開示の少なくとも１つの実施例は、電子機器をさらに提供し、プロセッサと、１つまたは複数のコンピュータプログラムモジュールを含むメモリと、を含み、前記１つまたは複数のコンピュータプログラムモジュールは、前記メモリに記憶され、前記プロセッサによって実行されるように構成され、前記１つまたは複数のコンピュータプログラムモジュールは、上記の任意の実施例に記載の問題推奨方法を実行するための命令を含む。

本開示の少なくとも１つの実施例は、コンピュータ命令が記憶されている非一時的な読み取り可能な記憶媒体をさらに提供し、前記コンピュータ命令プロセッサによって実行される時、上記の任意の実施例に記載の問題推奨方法を実行する。

本開示の実施例の技術的解決策をより明確に説明するために、以下で実施例の図面を簡単に説明する。明らかに、以下の説明の図面は、本開示のいくつかの実施形態のみに関し、本開示に対する限定ではない。

本開示の少なくとも一実施例により提供される問題推奨方法の例示的なフローチャートである。 本開示の少なくとも一実施例により提供される別の問題推奨方法の例示的なフローチャートである。 本開示の少なくとも一実施例によるあるプラットフォームのユーザインターフェースを示す。 本開示の少なくとも一実施例によるユーザラベルセットを作成する概略図を示す。 本開示の少なくとも一実施例によるユーザラベルセットとデータ知識ベースとの間の規則スキームの概略図を示す。 本開示の少なくとも一実施例によるあるプラットフォームの別のユーザインターフェースを示す。 本開示の少なくとも一実施例により提供されるＷｉｄｅ＆Ｄｅｅｐモデルの概略構造図である。 本開示の少なくとも一実施例によるあるプラットフォームのさらに別のユーザインターフェースを示す。 本開示の少なくとも一実施例によるあるプラットフォームのさらに別のユーザインターフェースを示す。 本開示の少なくとも一実施例により提供される別の問題推奨方法の例示的なフローチャートである。 本開示の少なくとも一実施例により提供される図５Ａに示す問題推奨方法の概略ブロック図である。 本開示の少なくとも一実施例により提供される問題推奨装置の概略ブロック図である。 本開示の少なくとも一実施例により提供される問題推奨システムの概略ブロック図である。 本開示の少なくとも一実施例により提供される電子機器の概略ブロック図である。 本開示の少なくとも一実施例により提供される端末の概略ブロック図である。 本開示の少なくとも一実施例により提供される非一時的な読み取り可能な記憶媒体の概略ブロック図である。 本開示の少なくとも１つの実施例により提供される問題推奨システムの例示的なシーン図を示す。

以下、本発明の目的、技術手段、及びメリットをより明白にするため、本発明の例示的な実施例について図面を参照しながら詳細に説明する。説明された実施例が本発明の一部の実施例のみであり、本発明の全ての実施例ではないことは明らかである。説明される本開示の実施例に基づいて、創造的な労力なしに当業者によって得られた他のすべての実施形態は、本開示の保護範囲内にある。

特に断りのない限り、本開示で使用される専門用語または科学用語は、本開示が属する分野の通常の技能を有する人々によって理解される通常の意味を有するものとする。本開示で使用される「第１」、「第２」及び類似する単語は、順序、量、または重要性を示すものではなく、異なる構成要素を区別するためにのみ使用される。同様に、「一つ」、「一」、または「当該」などの類似語も数制限を意味せず、少なくとも一つの存在を意味する。「含む」または「含む」などの類似語は、この語の前にある要素または物件が、その語の後に列挙される要素または対象物と同じであることを意味し、他の要素または対象物を排除しない。「接続」や「互いに接続」などの類似語は、物理的または機械的な接続に限定されるものではなく、電気的な接続を含み、直接的にも間接的にもよい。「上」「下」「左」「右」などは相対位置関係を表すためだけに用いられ、説明対象の絶対位置が変化すると、その相対位置関係もそれに応じて変化する可能性がある。

経済発展と生活水準の向上に伴い、ますます多くの人が様々な程度の慢性病に苦しんでいる。慢性病とは、伝染を構成せず、長期にわたり蓄積して病気の形態的損害をもたらす病気の総称を指す。一般的な慢性病は、主に心脳血管疾患、ガン、糖尿病、慢性呼吸器疾患などがあり、心脳血管疾患は、高血圧、脳卒中、冠状動脈硬化などが含まれている。資料によると、慢性病の原因の一つは不健康な生活方式である。例えば、不健康な生活方式には、食事の不合理、運動不足、タバコの使用、アルコールの過剰使用などがある。したがって、慢性病患者に対しては、医師は、患者の病状に対して医療治療（例えば、薬物による治療）を行う必要がある以外、患者に合理化された慢性病への対応のアドバイス（例えば、食事のアドバイス、運動のアドバイスなど）を提供し、医療治療に協力する補助手段として、慢性病をより良く制御及び予防する必要がある。ネットワーク技術の発展に伴い、スマート医療はより多くの便利を提供している。特に慢性病予防と自分検査に関する健康知識は、患者の病気に対する認知度を高め、より効果的な予防と治療を行うことができる。したがって、慢性病患者の健康教育に向けたスマート問答システムは、患者の疑問と問題を効率的に正確に解決することができる。同時に、現在国内の医療資源が不足している状態で、医療従事者の負担を軽減し、長期的な健康管理にも役立つ。

本開示の発明者は、現在において、医療問答システムまたはオンライン問診が患者が説明した病状と患者により提出された問題に依存しているため、通常、患者からの表現が明確しないことで、システムフィードバックの答えと患者情報が適切でないか、または順序が一致しないという問題が発生していることに気づいた。また、一般医療問答システムは、ユーザ情報を利用せずに、ターゲットとなる健康知識を提供する。個性的で多様なサービスを提供するのは難しい。

本開示の少なくとも１つの実施例は、問題推奨方法、問題推奨装置、問題推奨システム、電子機器、及び非一時的な読み取り可能な記憶媒体を提供する。当該問題推奨方法は、ユーザの候補問題セットを取得するステップであって、候補問題セットは、複数の候補問題を含むステップと、ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得するステップと、ユーザ興味パラメータと複数の候補問題に基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するステップと、ユーザ基本情報と複数の候補問題と少なくとも１つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得するステップと、を含む。

本開示の少なくとも１つの実施例により提供される問題推奨方法は、患者の不明瞭な表現によって引き起こされるフィードバックの回答が適切でない問題を効果的に回避するだけでなく、個々の要因、自分の特徴など（例えば、ユーザ基本情報、ユーザのクリック行為、閲覧行為など）に対して個性化的に問題を推奨することで、ユーザが自分の健康に関する知識をより的確に把握することができる。少なくともいくつかの別の実施例において、当該問題推奨方法は、さらに、ソートモデルを使用することによって、問題推奨が相関性、個性化、及び多様化を持つことができ、同時に最終的なフィードバック順序も重視することによって、ユーザのニーズにより適合する効果を達成し、ユーザ体験を効果的に向上させることができる。

以下では、いくつかの例と実施例で本開示の実施例により提供される健康管理装置を非限定的に説明し、以下で説明するように、互いに衝突しない状況で、これらの具体的な例と実施例内の異なる特徴を互いに組み合わせて、新しい例と実施例を取得することができ、これらの新しい例と実施例もすべて本開示の保護の範囲に属する。

図１Ａは本開示の少なくとも一実施例により提供される問題推奨方法の例示的なフローチャートである。図１Ｂは本開示の少なくとも一実施例により提供される別の問題推奨方法の例示的なフローチャートである。

本開示の少なくとも一実施例により提供される問題推奨方法１０は、医療スマート問答、オンライン問診、健康相談などのシナリオに適用することができ、例えば、慢性病健康知識スマート問答システムに適用することができる。例えば、１つの実施例において、図１Ａに示すように、当該問題推奨方法１０は、以下の操作を含むことができる。
ステップＳ１００：複数の候補問題を含むユーザの候補問題セットを取得する。
ステップＳ１４０：ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得する。
ステップＳ１５０：ユーザ興味パラメータと複数の候補問題に基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得する。
ステップＳ１６０：ユーザ基本情報と複数の候補問題と少なくとも１つの類似度特徴とに基づいて複数の候補問題をソートして問題シーケンスを取得する。
ステップＳ１７０：問題シーケンスの順序に基づいて、問題シーケンスのうちの少なくとも１つの候補問題をユーザに推奨する。

例えば、１つの実施例において、図１Ｂに示すように、当該問題推奨方法１０のステップＳ１００は、具体的には、ステップＳ１１０－Ｓ１３０を含むことができ、したがって、当該問題推奨方法１０は、具体的には、ステップＳ１１０－Ｓ１７０を含むことができる。

以下では図１Ａ及び図１Ｂを組み合わせて本開示の実施例により提供される問題推奨方法１０を詳細に説明し、例えば、本開示の一実施例において、当該問題推奨方法１０は、図１Ｂに示すように、具体的には、ステップＳ１１０－ステップＳ１７０を含むことができる。例えば、ステップＳ１１０－ステップＳ１７０は、順序に実行することができ、調整後の他の順序で実行することもでき、例えば、１つの例において、まずステップＳ１１０を実行してから次にステップＳ１２０を実行することができ、別の例において、まずステップＳ１２０実行してから次にステップＳ１１０を実行することができ、また、例えば、ステップＳ１１０－ステップＳ１６０のうちの一部または全部の操作は、並行して実行することもでき、例えば、ステップＳ１１０とステップＳ１２０は、並行して実行することができ、本開示の実施例は、各ステップの実行順序について限定せず、実際の状況に応じて調整することができる。例えば、ステップＳ１１０－ステップＳ１６０は、サーバまたはローカルエンドで実現することができ、本開示の実施例は、これについて限定しない。例えば、いくつかの例において、本開示の少なくとも一実施例により提供される問題推奨方法１０を実施するのは、ステップＳ１１０－Ｓ１７０のうちの一部ステップを選択的に実行することができ、ステップＳ１１０－Ｓ１７０以外のいくつかの追加のステップを実行することもでき、本開示の実施例はこれについて具体的に限定しない。

本開示により提供される問題推奨方法１０について、以下では例と図面を組み合わせて詳細に説明する。

ステップＳ１１０：複数の知識問題セットを含むデータ知識ベースをアクセスする。例えば、問題推奨方法１０が慢性病健康知識スマート問答システムに適用される場合、データ知識ベースは、慢性病（例えば、糖尿病、高血圧など）に関連するデータ知識ベースであり、かつ慢性病に関連する完全な基本健康知識を含むことができる。データ知識ベースは、複数の知識問題セットを含み、例えば、データ知識ベース内の基本健康知識を、意図（例えば食事、運動、薬物、検査、合併症、手術、治療、症状など）に従って分類し、各意図の下で標準問題及び対応する拡張問題と標準回答を整理（例えば、手動で整理）して１つの知識問題セットを構成することによって、データ知識ベースを構成する。

例えば、本開示の少なくとも１つの実施例において、複数の知識問題セットのそれぞれは、標準問題と、当該標準問題に対応する標準回答と、当該標準問題に対応する拡張問題と、を含むことができる。例えば、１つの例において、ユーザが糖尿病患者であり、「食事」意図の下で、整理後の標準問題は、「糖尿病患者はどのような食べ物を食べたらいいですか？」を含むことができ、当該標準問題に対応する拡張問題は、例えば、「糖尿病はどんな食べ物がいいですか？」、「糖尿病に適した食べ物は何ですか？」、「糖尿病はどのような食べ物を食べて血糖値を下げるべきですか？」などを含むことができる。この場合、上記の「食事」意図の下での知識問題セットは、上記の標準問題、拡張問題、及びそれらに対応する標準回答を含むことができる。

なお、本開示の実施例で挙げられた標準問題、拡張問題は、単なる例示的なものであり、適用シナリオと医療実践などに応じて調整及び更新を行うことができる。また、同様に、標準回答も適用シナリオと医療実践などに応じて調整及び更新を行うことができ、使用される言語（例えば中国語、英語）に基づいて調整及び更新を行うこともでき、本開示の実施例はこれについて具体的に限定しない。

例えば、本開示の実施例において、データ知識ベースは、作成できたものであり、当該作成できた知識データベースは、ローカルまたはサーバに予め記憶されてもよく、当該問題推奨方法１０を実施する時、例えばサーバによって作成されてもよく、他の機器から読み取られてもよく、本開示の実施例はこれについて具体的に限定せず、実際のニーズに応じて設けることができる。データ知識ベースを作成する詳細の説明は以下で説明する。

ステップＳ１２０：ユーザ基本情報を取得し、ユーザ基本情報に基づいてユーザラベルセットを作成する。

例えば、本開示の少なくとも一実施例において、ユーザ基本情報は、例えば、ユーザの年齢、性別、身長、体重、ウエストライン（ｗａｉｓｔｌｉｎｅ）、及び生活習慣などを含むことができる。例えば、１つの例において、ユーザが糖尿病患者である場合、ユーザ基本情報は、糖尿病のタイプ、既に診断された慢性合併症、既存の症状などをさらに含む。例えば、別の例において、ユーザが糖尿病患者でない場合、ユーザ基本情報は、ユーザ病歴、空腹血糖値または食後２時間の血糖値などをさらに含む。例えば、別の例において、ユーザが高血圧患者である場合、ユーザ基本情報は、ユーザ拡張期血圧、収縮期血圧、高血圧合并症のタイプ、及び症状などをさらに含む。本開示の実施例は、ユーザ基本情報に含まれる内容に対して具体的に限定せず、実際のニーズに応じて設けることができる。

例えば、１つの例において、ユーザ基本情報は、ユーザのオンラインリアルタイム情報から取得することができ、例えば、許可を得た場合に、オンラインの健康ファイルプラットフォーム、医療機関（例えば、病院または健康診断機関）の情報管理システム（例えば、実験室情報管理システム）、体徴検査報告電子化装置などから取得することができる。

例えば、１つの例において、ユーザがあるソフトウェアプラットフォーム（例えば、健康管理プラットフォーム）の登録ユーザである場合、ユーザは登録する時に自分の基本情報（例えば、名前、性別、年齢、身長、体重、ウエストライン、生活習慣など）を主動的に記入して保存すると、直接に当該特定のプラットフォームに関連するリポジトリ（例えば、バックエンド）からユーザの基本情報を取得することができる。例えば、別の例において、ユーザが当該特定のプラットフォーム（健康管理プラットフォーム）の登録ユーザではない場合、またはユーザが当該特定のプラットフォームに自分の基本情報を完了または保存していない場合、サードパーティのプラットフォーム（例えば、ある病院または健康診断機関の情報管理システムなど）または関連する電子機器（例えば、ブレスレット、スマートウォッチなど）などを介してユーザの基本情報を収集してもよく、本開示の実施例はこれについて具体的に限定せず、実際の状況に応じて調整することができる。例えば、１つの例において、ユーザがあるウェブページまたはあるプラットフォームを初めて使用する場合、ユーザがテキストボックスに入力した個人情報に基づいてユーザの基本情報を取得することもでき、本開示の実施例はこれについて具体的に限定せず、実際の状況に応じて調整することができる。

図２Ａは本開示実施例のあるプラットフォームのユーザインターフェースを示す。図２Ａに示すように、ユーザは、自分の状況に応じて基本情報（例えば、名前、性別、年齢、身長、体重、ウエストラインを含む）を記入し、次に、ユーザインターフェースで提供される具体的な生活習慣オプション（例えば、頻繁に飲酒（週に３回以上）、喫煙、食事が塩辛すぎ、揚げ物が好き、甘い食物が好き、頻繁に夜更かし（平均寝る時間が１２時以降）、運動が少ないなどを含む）と比較し、自分に合った生活習慣にチェックマークを付けて、これらのユーザ基本情報を当該健康管理プラットフォームに関連するデータベース（例えば、バックエンド）に保存することができる。

例えば、健康管理プラットフォームは、少なくとも１つの（例えば、複数）医療機関に接続することができ、少なくとも１つの（例えば、複数の）医療機関からこれらの医療機関から体徴検査を参加した患者の基本情報及び検査結果を取得することができる。例えば、健康管理プラットフォームは、さらに、スマート端末（例えば、スマート測定器、スマートブレスレット、スマートウォッチ、スマートウェアなど）からユーザの基本情報を取得し、スマート端末内のセンサーによって検出された患者の少なくとも１つの体徴データ（例えば、脈拍、体温、心拍、呼吸、脳電、心電、血圧、血糖、筋電など）を取得することができる。例えば、健康管理プラットフォームは、定期（例えば、毎日）的に複数の医療機関からこれらの医療機関から体徴検査を参加した患者の検査結果を取得し、当該健康管理プラットフォームに関連するデータベース（またはメモリ）に予め記憶することができる。なお、本開示の実施例は、ユーザ基本情報の出所について具体的に限定せず、実際のニーズに応じて設けることができる。例えば、他のいくつかの例において、ユーザ基本情報は、ユーザがオンラインで記入することもでき、例えば、対応するウェブページを提供し、ユーザが当該ウェブページに自分の情報を記入し、当該ウェブページは、ユーザが記入した情報をサーバに送信し、サーバがこれらの情報を整理した後にユーザ基本情報を取得することができる。

例えば、１つの例において、上記の内容に基づいてユーザ基本情報を取得した後、取得されたユーザ基本情報に基づいて、ラベルセットを作成する。

例えば、ユーザのラベルは、ユーザ性別、名称、年齢などを含むことができる。例えば、１つの例において、ラベルは、Ｉ型糖尿病などの病気名をさらに含み、例えば、別の例において、ラベルは、糖尿病足などの合併症名をさらに含む。

以下では図２Ｂを組み合わせて、取得されたユーザ基本情報に基づいてラベルセットを作成するプロセスを説明する。図２Ｂは本開示の少なくとも一実施例によるユーザラベルセットを作成する概略図を示す。図２Ｂに示すように、左側の破線のボックスは、ユーザのポートレート、すなわちユーザ基本情報である。当該ユーザ基本情報は、「ユーザが糖尿病患者Ａである」、「身長１７２ｃｍ」、「体重８１ｋｇ」、「男」、「６８歳」、「記憶力の低下」、「下肢長期潰瘍」、「足の先が太く膨らんでいる」、「足の親指の骨が目立つ」、「頻繁に飲酒、喫煙」、「運動が少ない」を含む。次に、例えば、エンティティ認識などの方法によってラベルを取得し、エンティティ認識方法は、例えば、条件付き確率場、深層学習などの方法を使用してラベルを取得することを含み、例えば、右側の破線のボックスは、取得された当該ユーザの関連ラベルであり、すなわちユーザラベルセットは、「血糖」、「高齢者」、「重量超過」、「合併症」、「レシピ」、「神経病変」、および「糖尿病足」を含む。

なお、本開示の上記の実施例の説明に挙げられた具体的なラベルは、限定ではなく、単なる例示的なものである。

例えば、本開示の少なくとも一実施例において、ユーザラベルセットは、マルチレベルのラベルセットを含むことができ、マルチレベルのラベルセットは、マルチレベルのラベルを含み、レベルが異なるラベルは、種類が異なる。

例えば、本開示の少なくとも一実施例において、異なる年齢、時間帯、病気の種類、症状の有無、合併症の有無などに基づいてほぼ２００種類の基本的な規則を作成し、次に、異なる糖尿病の種類、複数の症状の組み合わせ、及び複数の合併症の種類の組み合わせに発散することができ、したがって、マルチレベルのラベルセットは、ユーザの基本情報と興味の方向付けをカバーすることができる。

例えば、１つの例において、マルチレベルのラベルセットは、第１レベルのラベルが年齢帯であり、第２レベルのラベルが時間帯であり、第３レベルのラベルが病気の種類であり、第４レベルのラベルが合併症である。

なお、本開示の実施例はユーザラベルセットの具体的な規則を限定せず、実際のニーズに応じて設けることができる。

ステップＳ１３０：ユーザラベルセットとデータ知識ベースを関連付け、複数の知識問題セットから複数の候補問題を含む候補問題セットを取得する。

例えば、本開示の少なくとも一実施例において、ステップＳ１２０で作成されたユーザラベルセットとステップＳ１１０でアクセスされたデータ知識ベースとをマッチングし、規則の関連付けに基づいて問題候補セットを取得することができる。

例えば、本開示の少なくとも一実施例において、ステップＳ１３０では、ユーザラベルセットとデータ知識ベースとを関連付け、複数の知識問題セットから候補問題セットを取得するステップは、まず、ユーザラベルセットとデータ知識ベースにおける標準問題との間のマッピング関係を作成し、ユーザラベルセットをデータ知識ベースにおける標準問題にマッチングし、次に、マッチングされた標準問題に対応する知識問題セットで候補問題セットを構成することを含むことができる。

図３Ａは本開示の少なくとも一実施例によるユーザラベルセットとデータ知識ベースとの間の規則スキームの概略図を示す。以下では、図３Ａを組み合わせて、糖尿病の基本規則スキームを例としてステップＳ１３０の操作を詳細に説明する。

図３Ａに示すように、本開示の少なくとも一実施例において、年齢帯を第１レベルのラベルとして、まずユーザ（例えば、糖尿病患者）と直接に規則関連付けを行う。例えば、ユーザが第１レベルのラベルに関連付ける場合、年齢が１８歳以下である未成年者、新生児、子供、及び年齢が１８－５９歳の範囲内にある成人、及び年齢が６０歳以上である中高年などの３つの種類に関連付けられることができる。

異なる年齢帯について、第２レベルのラベル（すなわち１日中の異なる時間帯）、第３レベルのラベル（糖尿病の種類）を組み合わせると、それぞれ対応する異なる規則スキームがある。

例えば、各レベルのラベルが具体的に実行する時に前後順序の制限がなく、例えば、年齢、時間、糖尿病の種類は単一の選択で、前で分類するのはもっと便利になり、合併症の種類などは複数選択することができ、比較的に複雑で、後の位置に置く。

例えば、本開示の少なくとも一実施例において、１型、２型の子供糖尿病患者について、朝食期間（例えば、６：００－８：００）に、彼らはレシピ及び栄養の提案、及び早食後２ｈ血糖注意事項などの関連問題を問い合わせる可能性がある。例えば、１つの例において、１型、２型の子供糖尿病患者について、朝食期間（例えば、６：００－８：００）に、それに対応するラベルは、「１型、２型糖尿病」、「子供」、及び「６：００－８：００」を含み、それに対応する複数の候補問題は、「子供糖尿病患者は朝食に何を食べるべきですか？」、「１型、２型の子供糖尿病患者は早食後にどのような注意事項がありますか？」、「糖尿病患者が血糖を測定するための機器は何ですか」などを含むことができる。１型、２型の子供糖尿病患者について、昼食期間（例えば、１１：００－１５：００）に、彼らはレシピ及び栄養の提案、運動提案及び注意事項などの関連問題を問い合わせる可能性がある。例えば、１つの例において、１型、２型の子供糖尿病患者について、昼食期間（例えば、１１：００－１５：００）に、それに対応するラベルは、「１型、２型糖尿病」、「子供」、及び「１１：００－１５：００」を含み、それに対応する複数の候補問題は、「子供糖尿病患者は昼食に何を食べるべきですか？」、「１型、２型の子供糖尿病患者は昼食後にどのような注意事項がありますか？」、「１型、２型の子供糖尿病患者は昼食後にどのような運動が適していますか？」などを含むことができる。１型、２型の子供糖尿病患者について、夕食期間（例えば、１７：００－２０：００）に、彼らはレシピ及び栄養の提案、運動提案及び注意事項、薬の使用に関する事項などの関連問題を問い合わせる可能性がある。例えば、１つの例において、１型、２型の子供糖尿病患者について、夕食期間（例えば、１７：００－２０：００）に、それに対応するラベルは、「１型、２型糖尿病」、「子供」、及び「１７：００－２０：００」を含み、それに対応する複数の候補問題は、「１型、２型の子供糖尿病患者は夕食に何を食べるべきですか？」、「糖尿病患者は夕食後にどのような注意事項がありますか？」、「子供糖尿病患者は夕食後にどのような運動が適していますか？」「１型、２型の子供糖尿病患者は夜にどのように薬を服用しますか？」などを含むことができる。なお、本開示の実施例により挙げられた推奨問題は、限定ではなく、単なる例示的なものである。

例えば、本開示の少なくとも一実施例において、１型、２型の成人糖尿病患者について、朝食期間（例えば、６：００－８：００）に彼らはレシピ及び栄養の提案、及び早食後２ｈの血糖測定の注意事項などの関連問題を問い合わせる可能性がある。例えば、１つの例において、１型、２型の成人糖尿病患者について、朝食期間（例えば、６：００－８：００）に、それに対応するラベルは、「１型、２型糖尿病」、「成人」、及び「６：００－８：００」を含み、それに対応する複数の候補問題は、「成人糖尿病患者は朝食に何を食べるべきですか？」、「１型、２型の成人糖尿病患者は早食後にどのような注意事項がありますか？」、及び「成人糖尿病患者は朝にミルクを飲むことができますか？」などを含むことができる。昼食期間（例えば、１１：００－１５：００）に彼らはレシピ及び栄養の提案、運動提案及び注意事項などの関連問題を問い合わせる可能性がある。例えば、１つの例において、１型、２型の成人糖尿病患者について、昼食期間（例えば、１１：００－１５：００）に、それに対応するラベルは、「１型、２型糖尿病」、「成人」、及び「１１：００－１５：００」を含み、それに対応する複数の候補問題は、「１型、２型の成人糖尿病患者は昼食に何を食べるべきですか？」、「成人糖尿病患者は昼食後にどのような注意事項がありますか？」、「１型、２型の成人糖尿病患者は昼食後にどのような運動が適していますか？」、「１型、２型の成人糖尿病患者は正午にどのように薬を服用しますか？」などを含むことができる。夕食期間（例えば、１７：００－２０：００）に彼らはレシピ及び栄養の提案、運動提案及び注意事項、夕食後２ｈの血糖測定の注意事項、薬の使用に関する事項などの関連問題を問い合わせる可能性がある。例えば、１つの例において、１型、２型の成人糖尿病患者について、夕食期間（例えば、１７：００－２０：００）に、それに対応するラベルは、「１型、２型糖尿病」、「成人」、及び「１７：００－２０：００」を含み、それに対応する複数の候補問題は「１型、２型の成人糖尿病患者は夕食に何を食べるべきですか？」、「１型、２型の成人糖尿病患者は夕食後にどのような注意事項がありますか？」、「１型、２型の成人糖尿病患者は夕食後にどのような運動が適していますか？」、「１型、２型の成人糖尿病患者は夜にどのように薬を服用しますか？」などを含むことができる。なお、本開示の実施例により挙げられた推奨問題は、限定ではなく、単なる例示的なものである。

例えば、本開示の少なくとも一実施例において、高齢者糖尿病患者及び妊娠糖尿病患者について、朝食期間（例えば、６：００－８：００）に彼らはレシピ及び栄養の提案、及び早食後２ｈの血糖測定の注意事項などの関連問題を問い合わせる可能性がある。例えば、１つの例において、高齢者糖尿病患者及び妊娠糖尿病患者について、朝食期間（例えば、６：００－８：００）に、それに対応するラベルは、「糖尿病」、「妊娠糖尿病」、「高齢者」、及び「６：００－８：００」を含み、それに対応する複数の候補問題は、「高齢者糖尿病患者及び妊娠糖尿病患者は朝食に何を食べるべきですか？」、「高齢者糖尿病患者及び妊娠糖尿病患者は早食後にどのような注意事項がありますか？」、及び「高齢者糖尿病患者及び妊娠糖尿病患者は朝にどのように薬を服用しますか？」などを含むことができる。昼食期間（例えば、１１：００－１５：００）に彼らはレシピ及び栄養の提案、昼食後２ｈ血糖測定の注意事項、運動提案及び注意事項などの関連問題を問い合わせる可能性がある。例えば、１つの例において、高齢者糖尿病患者及び妊娠糖尿病患者について、昼食期間（例えば、１１：００－１５：００）に、それに対応するラベルは、「糖尿病」、「妊娠糖尿病」、「高齢者」、及び「６：００－８：００」を含み、それに対応する複数の候補問題は、「高齢者糖尿病患者及び妊娠糖尿病患者は昼食に何を食べるべきですか？」、「高齢者糖尿病患者及び妊娠糖尿病患者は昼食後にどのような注意事項がありますか？」、「高齢者糖尿病患者及び妊娠糖尿病患者は昼食後にどのような運動が適していますか？」、「高齢者糖尿病患者及び妊娠糖尿病患者は正午にどのように薬を服用しますか？」などを含むことができる。夕食期間（例えば、１７：００－２０：００）に彼らはレシピ及び栄養の提案、運動提案及び注意事項、夕食後２ｈの血糖測定の注意事項、薬の使用に関する事項などの関連問題を問い合わせる可能性がある。例えば、１つの例において、高齢者糖尿病患者及び妊娠糖尿病患者について、夕食期間（例えば、１７：００－２０：００）に、それに対応するラベルは、「糖尿病」、「妊娠糖尿病」、「高齢者」、及び「１７：００－２０：００」を含み、それに対応する複数の候補問題は、「高齢者糖尿病患者及び妊娠糖尿病患者は夕食に何を食べるべきですか？」、「高齢者糖尿病患者及び妊娠糖尿病患者は夕食後にどのような注意事項がありますか？」、「高齢者糖尿病患者及び妊娠糖尿病患者は夕食後にどのような運動が適していますか？」、「高齢者糖尿病患者及び妊娠糖尿病患者は夜にどのように薬を服用しますか？」などを含むことができる。なお、本開示の実施例により挙げられた推奨問題は、限定ではなく、単なる例示的なものである。

例えば、本開示の少なくとも一実施例において、糖尿病前期患者について、朝食期間（例えば、６：００－８：００）に彼らはレシピ及び栄養の提案及び早食後２ｈ血糖注意事項などの関連問題を問い合わせる可能性がある。例えば、１つの例において、糖尿病前期患者について、朝食期間（例えば、６：００－８：００）に、それに対応する複数の候補問題は、「糖尿病前期患者は朝食に何を食べるべきですか？」、「糖尿病前期患者は早食後にどのような注意事項がありますか？」、及び「糖尿病前期患者は朝にどのように薬を服用しますか？」などを含むことができる。昼食期間（例えば、１１：００－１５：００）に彼らはレシピ及び栄養の提案、運動提案及び注意事項などの関連問題を問い合わせる可能性がある。例えば、１つの例において、糖尿病前期患者について、昼食期間（例えば、１１：００－１５：００）に、それに対応する複数の候補問題は、「糖尿病前期患者は昼食に何を食べるべきですか？」、「糖尿病前期患者は昼食後にどのような注意事項がありますか？」、及び「糖尿病前期患者は正午にどのように薬を服用しますか？」などを含むことができる。夕食期間（例えば、１７：００－２０：００）に彼らはレシピ及び栄養の提案、運動提案及び注意事項などの関連問題を問い合わせる可能性がある。例えば、１つの例において、糖尿病前期患者について、夕食期間（例えば、１７：００－２０：００）に、それに対応する複数の候補問題は、「糖尿病前期患者は夕食に何を食べるべきですか？」、「糖尿病前期患者は夕食後にどのような注意事項がありますか？」、「糖尿病前期患者は夕食後にどのような運動が適していますか？」、「糖尿病前期患者は夜にどのように薬を服用しますか？」などを含むことができる。なお、本開示の実施例により挙げられた推奨問題は、限定ではなく、単なる例示的なものである。

例えば、本開示の少なくとも一実施例において、第１レベルのラベル（例えば、年齢帯）と、第２レベルのラベル（例えば、１日中の時間帯）と、第３レベルのラベル（例えば、病気の種類）との後、合併症を第４レベルのラベルと、して規則関連付けを行う。臨床データの表現によると、糖尿病患者は、発病後の１０年ぐらいで、３０％～４０％の患者が少なくとも１つの心血管疾患、腎疾患、網膜病変、神経病変、下肢血管病変、糖尿病足などの合併症が発生する。

例えば、いくつかの例示的な規則スキームでは、診断された合併症がない場合、ユーザの既に存在している症状である１つまたは複数の合併症に関連する問題を選択及び推奨し、次に、これらに関連する問題を当該ユーザに対応する候補問題セットに返し、すなわち当該ユーザに対応する複数の候補問題を構成する。例えば、診断された合併症がない場合、ユーザの既に存在している症状で、臨床データを組み合わせて、関連する１つまたは複数の合併症に関する問題を対応的に推奨する。例えば、１つの例において、血圧が高いこと、前胸部の痛み及び心慌し、胸部圧迫感などは、心血管疾患合併症症状に属する。例えば、ユーザに血圧が高いこと、前胸部の痛み症状が既に存在する場合、ユーザのラベルセットにラベル「心血管疾患」を含むことができるため、「心血管疾患合併症はどのような症状がありますか？」、「なぜ心慌し、胸部圧迫感を感じますか？」、「心慌し、胸部圧迫感を感じでどうすればいいですか？」などの、いくつかの心血管疾患合併症に関連する問題を推奨することができ、本開示の実施例はこれについて具体的に限定しない。例えば、別の例において、小便の泡が多く、小便の困難及び下肢の水腫、眼瞼の水腫などは糖尿病腎症の合併症症状に属する。例えば、別の例において、視線のぼけ、視力が低下、目の前が黒くなるなどは、網膜病変合併症に属する。例えば、別の例において、言葉が明確でない、記憶力の低下、及び持続的な手足のしびれ、突き刺すような痛み、腫れなどは、神経病変合併症に属する。例えば、別の例において、下肢に力がなく、足の障害、及び下肢の夜間の痛みなどが断続的に現れることは、下肢血管病変合併症に属する。例えば、さらに、別の例において、下肢長期潰瘍及び手指または足の先が太く膨らんでいる、足の親指の骨が目立つなどは、糖尿病足合併症症状に属する。

例えば、既に合併症が診断された場合、当該合併症に基づいて関連問題を推奨することができ、例えば、１つの例において、ユーザのラベルに「心血管疾患」が含まれる場合、当該ラベルがデータ知識ベースにマッチングされた問題は、「糖尿病患者に心血管疾患合併症が存在し、どのように治療しますか？」、「糖尿病患者の心血管疾患合併症はどのような症状がありますか？」などを含むことができ、本開示の実施例はこれについて具体的に限定しない。

なお、本開示の実施例により説明された様々な病気の分類、様々な症状の合併症里での分類は、ユーザラベルセットとデータ知識ベースとの間のマッピング関係をどのように作成することを説明するためだけのものであり、すなわちより説明すると目的で上記の具体的な規則スキームを説明し、具体的な病気の分類及び症状分析は、大量の臨床データに基づいて、専門家の経験的判断などによって調整及び設置し、本開示の実施例はこれについて具体的に限定しない。

図３Ａを参照して分かるように、上記の説明は、いずれもユーザが自分が糖尿病があると選択した場合であり、ユーザが自分が糖尿病がないと選択した場合、以下のように操作することができる。例えば、ユーザが以下の条件、「常に静座し、１級親族は糖尿病歴があり、高血圧、血脂異常、糖の調節の損傷の歴史、巨大な子供の生産史、ユーザが妊娠糖尿病歴の女性であり、ユーザがアテローム性動脈硬化性心臓脳血管疾患患者であるなど」のうちの少なくとも３つを満たし、同時に以下の条件、「６．１ｍｍｏｌ／Ｌ＜空腹血糖＜７ｍｍｏｌ／Ｌ、７．８ｍｍｏｌ／Ｌ＜食後２ｈ血糖＜１１．１ｍｍｏｌ／Ｌ」のうちの１つをさらに備えた場合、糖尿病前期規則にしたがってデータ知識ベースにマッチングし、候補問題セットを構成する。

例えば、本開示の少なくとも一実施例において、ユーザが高血圧患者である。高血圧患者の規則スキームは、糖尿病患者の規則スキームと異なる。例えば、１つの例において、高血圧患者の規則スキームは、直接に拡張期血圧及び収縮期血圧の大きさによって高血圧前期、軽度高血圧、中等度高血圧及び重度高血圧を判断することができ、異なる規則スキームを実行することができる。例えば、高血圧患者の規則スキームでは、第１レベルのラベル（すなわち、年齢帯）について、８０歳以上高齢者の段階を特別に設置し、それを重篤な高齢者高血圧に分類し、いつでも血圧を監視する。それ以外、糖尿病は高血圧の一般的な合併症であるため、したがって、高血圧患者の規則スキームでは、さらに、特定の時間に血圧を監視する同時に血糖を監視する必要がある。

なお、本開示の実施例により提供される規則スキームは、単なる例示的なものであり、本開示の実施例は、具体的な規則スキームについて限定せず、実際のニーズに応じて設けることができる。

例えば、本開示の実施例において、ユーザラベルセットとデータ知識ベースにおける標準問題との間のマッピング関係を作成した後、例えば、エンティティ認識、キーワードマッチング、深層学習などの方法を使用することで、ユーザラベルセットをデータ知識ベースにおける標準問題にマッチングし、次に、データ知識ベースからマッチングされた標準問題に対応する知識問題セットを取得し、候補問題セットを構成する。その中、エンティティ認識は、人名、地名、時間など、テキスト内の特定の意味を持つエンティティを認識することを指す。例えば、キーワードマッチング方法は、広範なマッチング、正確なマッチング、フレーズマッチング、否定的なマッチングなどの方式を含む。例えば、１つの例において、ラベルのテキスト内容が「糖尿病」である場合、データ知識ベース内の「糖尿病」という３文字を含む推奨問題にマッチングすることができ、例えば、「糖尿病患者のレシピ？」、「糖尿病患者はどのような運動に適していますか？」、「糖尿病患者の症状？」などであり、本開示の実施例はこれについて具体的に限定しない。

例えば、１つの例において、１型糖尿病、合併症のある６０歳以上の高齢者は、正午１２時に通常、対応するレシピ、血糖監視の提案を取得し、合併症に関連する問題などを知りたいと思うことができ、上記のステップで、このユーザの基本情報に基づいて対応するユーザラベルセット（すなわち、ラベルは、「１型糖尿病」、「合併症がある」、「６０歳以上」、及び「正午１２時」を含む）を作成し、当該ユーザラベルセットをデータ知識ベースに関連付け、データ知識ベースに含まれる複数の知識問題セットから複数の候補問題を含む候補問題セットを取得する。例えば、ユーザラベルセットに基づいて、例えば、エンティティ認識、キーワードマッチング、深層学習などの方法で、データ知識ベースから複数のに関連する候補問題にマッチングして、候補問題セットを構成することができる。例えば、上記の例のユーザに対応する複数の候補問題は、「糖尿病患者の１日３食のレシピ？」、「高齢者糖尿病患者はどのような運動に適していますか？」、「糖尿病患者の毎日の血糖監視の頻度？」、「１型糖尿病の症状？」、「糖尿病合併症の周りの神経病変はどうやって治療しますか？」を含むことができる。

したがって、上記のユーザラベルセットとデータ知識ベース中標準問題との間のマッピング関係を作成することにより、後続の規則関連付けを作成する時、迅速にユーザラベルセットによってデータ知識ベースから対応する知識問題セット（標準問題、拡張問題、及び標準回答を含む）を取得するのに便利な条件を提供する。

ステップＳ１４０：ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得する。

例えば、本開示の少なくとも一実施例において、クライアント端末またはＷｅｂサーバ上のソフトウェアからユーザ行為データ（例えば、ユーザ行為ログ）を取得することができ、ユーザ行為データをカスタマイズして収集することもでき、本開示の実施例は、これについて限定しない。例えば、ユーザ行為データは、ユーザがウェブサイトにアクセスする時のすべてのアクセス、閲覧、クリックなどの行為データを含むことができ、つまり、ユーザ行為データは、ユーザがどのリンクをクリックしたか、どのページを開いたか、どの検索項目を使用したかなどの、ユーザの具体的な行為をフィードバックすることができる。例えば、本開示の少なくとも一実施例において、これらのユーザ行為データを分析することによって、ユーザ興味パラメータを取得することができる。例えば、１つの例において、ユーザのフィードバック行為は、明示的なフィードバック行為及び暗黙的なフィードバック行為を含むことができる。例えば、明示的なフィードバック行為は、ユーザが回答に対するフィードバックを明確に示すことを含み、例えば、回答が役立つか否かを明確に選択する。図３Ｂに示すように、１つの例において、ある特定のソフトウェアプラットフォーム（例えば、健康管理プラットフォーム）で、ユーザが「高血圧患者毎日血圧監視の頻度？」などのある問題を提出し、当該プラットフォームは、当該問題に対応する回答を提供した後、ユーザに「当該回答はあなたに役立ちますか？」を問い合わせる。ユーザが「はい」または「いいえ」をクリックした行為に基づいて、ユーザが回答に対するフィードバックを明確に知ることができ、ユーザの興味点及び関心点を反映することができる。暗黙的なフィードバック行為とは、ユーザの好みに直接に反応することなく、間接的な方式で、例えば、ユーザが一定の時間帯内に閲覧をクリックした頻度などである。例えば、１つの例において、最大境界類似度（ＭＭＲ）アルゴリズムによってユーザが読む健康知識を要約することができ、ＭＭＲアルゴリズムによって、文書を重要性に応じて文の抽出を行って要約を構成し、単語頻度－逆テキスト頻度指数（ｔｅｒｍ ｆｒｅｑｕｅｎｃｙ－ｉｎｖｅｒｓｅ ｄｏｃｕｍｅｎｔ ｆｒｅｑｕｅｎｃｙ、ＴＦ－ＩＤＦ）方法によって要約内の高頻度単語を取得し、これらの高頻度単語（キーワードとも呼ばれることができる）は、ユーザの興味点及び関心点を反映する重要な特徴でもある。

例えば、１つの例において、ユーザがある機器内の特定のソフトウェアプラットフォーム（例えば、健康管理プラットフォーム）を初めて使用する場合、当該機器に記憶されているアプリケーションプログラムのログの分析に基づいてユーザ行為データを取得することができる。当該ログは、当該機器が今回起動した後に記憶されたログであってもよく、当該機器が前回起動した後に記憶されたログであってもよく、本開示の実施例はこれについて具体的に限定せず、実際の状況に応じて調整することができる。

例えば、１つの例において、ユーザの興味点及び関心点を反映するユーザがクリックした問題または閲覧した高頻度単語、キーワードなどをユーザ興味パラメータに変換し、例えば、当該ユーザ興味パラメータは、数値ベクトルであってもよく、ユーザの興味点及び関心点を反映するために用いられる。例えば、ユーザがクリックした問題、またはユーザが興味を持つ単語及び語句を文字埋め込みして（Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ）、当該ユーザ興味単語及び語句の埋め込み（Ｅｍｂｅｄｄｉｎｇ）ベクトルを生成し、すなわち上記の「ユーザ興味パラメータ」を構成する。Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇは、マッピング関係として理解することができ、テキスト空間の中のある単語を、一定の方法で、別の数値ベクトル空間にマッピングまたは埋め込みし、つまり、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇは、語彙と完全な文をベクトルの形式で表現することができる。

ステップＳ１５０：ユーザ興味パラメータ及び複数の候補問題に基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得する。

例えば、在本開示の少なくとも１つの実施例において、ユーザ興味パラメータと複数の候補問題に基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するステップは、少なくとも１つの類似度マッチングモデルを使用して、ユーザ興味パラメータと複数の候補問題に基づいて、各候補問題とユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するステップを含むことができる。

例えば、在本開示の少なくとも１つの実施例において、少なくとも１つの類似度マッチングモデルは、コサイン類似度モデル、ジェカルト（Ｊａｃｃａｒｄ）類似度モデル、編集距離（Ｌｅｖｅｎｓｈｔｅｉｎ）類似度モデル、単語の移動距離（ＷＭＤ）類似度モデル及びディープセマンティックマッチング（ＤＳＳＭ）類似度モデルのうちの少なくとも１つを含む。

例えば、１つの例において、ユーザ興味パラメータＡ（例えば、１つの数値ベクトル）が与えられ、候補セット内の任意の候補問題（例えば、標準問題または拡張問題）を文字埋め込みして（Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇ）、当該候補問題の埋め込み（Ｅｍｂｅｄｄｉｎｇ）ベクトルＢを生成し、当該ベクトルＢも数値ベクトルである。Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇは、マッピング関係として理解することができ、テキスト空間内のある単語を、一定の方法で、別の数値ベクトル空間にマッピングまたは埋め込みすることができ、つまり、Ｗｏｒｄ Ｅｍｂｅｄｄｉｎｇは、語彙及び完全な文をベクトルの形式で表現することができる。ユーザ興味パラメータＡ及びある候補問題Ｂを上記の複数の類似度モデルに入力し、複数の類似度モデルのそれぞれによって、各類似度モデルが出力するのは、数値ベクトルＡ及びＢ間の類似度特徴であり、当該類似度特徴の数値が大きいほど、ベクトルＡに対応する単語及び語句とベクトルＢに対応する単語及び語句との間が近いことを示す。本開示の実施例は、使用される類似度マッチングモデルの数を制限せず、例えば、１つの例において、５つの類似度マッチングモデルを使用する場合、ベクトルＡ及びＢ間は、５つの類似度特徴を有することができる。例えば、１つの例において、３つの類似度マッチングモデルを使用する場合、ベクトルＡ及びＢの間は、３つの類似度特徴を有することができる。

以下では上記から提出されたいくつかの類似度マッチングモデルを簡単に説明する。

（１）コサイン類似度：コサイン類似度はベクトル挟角のコサイン値を使用して２つの個体間の差異の大きさを測定する。コサイン値が１に近いほど２つのベクトルＡ及びＢが似ていることを示す。通常、以下の式を使用してコサイン類似度（コサイン距離とも呼ばれる）を計算する。

また、コサイン類似度モデルによって出力される類似度特徴は連続型である。

（２）ジェカルト（Ｊａｃｃａｒｄ）距離：ジェカルト距離は、２つのセット内の異なる要素ステーションすべての要素の比率を使用して２つのセットの区別度を測定する。以下の式で表示し、その中、Ｊ（Ａ、Ｂ）は、ジェカルト類似係数である。

また、ジェカルト類似度モデルによって出力される類似度特徴は連続型である。

（３）編集距離、Ｌｅｖｅｎｓｈｔｅｉｎ距離とも呼ばれ、文字操作を使用して、文字列Ａを文字列Ｂに変換するのに必要な最少の操作数を指す。許可された文字操作は、１つの文字の変更と、１つの文字の挿入と、１つの文字の削除と、を含む。一般的に、２つの文字列の編集距離が小さいほど、それらは似ている。２つの文字列が等しい場合、それらの編集距離は０である。また、編集距離類似度モデルによって出力される類似度特徴は連続型である。

（４）単語の移動距離（ＷＭＤ）、文書全体から２つの文書間の類似性を考慮し、２つの文書の間のすべての単語の最小距離の和のペア（ｐａｉｒｉｎｇ）を見つけることによって文書のセマンティック類似度を測定する。その中、ＷＭＤ類似度モデルによって出力される類似度特徴は連続型である。

（５）ＤＳＳＭモデル：ＤＳＳＭは、ディープセマンティックマッチングモデルであり、マッチングされた両者を低次元空間にマッピングし、相関性問題を低次元空間ベクトルの距離に変換する。当該モデルは、２つの文のセマンティック類似度を予測するために使用することができ、文の低次元セマンティックベクトル表現を取得することもできる。また、ＤＳＳＭモデルによって出力される類似度特徴は離散型である。

例えば、本開示の少なくとも一実施例において、ユーザ興味パラメータと複数の候補問題とは、上記の５つの類似度マッチングモデルを同時に使用することができ、複数の候補問題内の各候補問題について、当該ユーザ興味パラメータ間の、５つの類似度マッチングモデルにそれぞれ対応する５つの類似度特徴を取得することができる。

なお、本開示の実施例で採用される類似度マッチングモデルは、以上から説明した類似度マッチングモデルだけでなく、他の類似度マッチングモデルを使用することもでき、同じまたは類似する技術的効果を実現することができればよく、すなわち、２つのベクトル間の類似度を計算することができればよい。本開示の実施例はこれについて具体的に限定しない。また、本開示の実施例は、使用する類似度マッチングモデルの数について限定せず、実際のニーズに応じて設けることができる。

ステップＳ１６０：ユーザ基本情報と複数の候補問題と少なくとも１つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得する。

例えば、本開示の少なくとも一実施例において、ユーザ基本情報と複数の候補問題と少なくとも１つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得するステップは、ソートモデルを使用して、ユーザ基本情報と複数の候補問題と少なくとも１つの類似度特徴とをソートモデルの入力特徴ベクトルとして構成し、複数の候補問題内の各候補問題に対応するスコアを取得し、スコアの大きさによって（例えば、スコアの降順）対応する複数の候補問題をソートして、問題シーケンスを取得するステップを含む。

例えば、本開示の少なくとも一実施例において、あるユーザの基本情報は、性別が男であり（例えば、それに対応する離散特徴は「０」）、糖尿病がある（例えば、それに対応する離散特徴は「１」）ことを含み、複数の候補問題内のある候補問題に対応するＥｍｂｅｄｄｉｎｇベクトルは［０．３、０．５、０．６］であり、当該候補問題とユーザ興味パラメータとの間の類似度特徴は、コサイン類似度が０．８５であること、Ｊａｃｃａｒｄ距離が０．９１であること、編集距離が３であること、ＷＭＤが１．１７であること、及び、ＤＳＳＭが２であることを含む。このような場合、これらをソートモデルの入力特徴ベクトルとして構成すると、ベクトル［０、１、０．３、０．５、０．６、０．８５、０．９１、３、１．１７、２］であり、なお、本実施例により提供される特徴データは、単なる例示的なものであり、特徴データの具体的な値は、実験結果または実際の状況に応じて設けることができ、本開示の実施例はこれについて具体的に限定しない。

ここで、ユーザ基本情報と複数の候補問題と少なくとも１つの類似度特徴とをソートモデルの入力特徴ベクトルとして構成し、ユーザの個々の要因（例えば、ユーザ基本情報、ユーザ行為データなど）を十分に考慮して個性化的に問題を推奨することで、ユーザが自分の健康に関連する知識をより的確に把握できるようにする。

例えば、本開示の少なくとも一実施例において、使用されるソートモデルはＧｏｏｇｌｅ社によって提出される古典的なモデルＷｉｄｅ＆Ｄｅｅｐモデルである。上記の例において、ベクトル［０、１、０．３、０．５、０．６、０．８５、０．９１、３、１．１７、２］を入力特徴ベクトルとしてＷｉｄｅ＆Ｄｅｅｐモデルに入力する。当該モデルのコアアイデアは、線形モデルの記憶能力とディープニューラルネットワークモデルの汎化能力を組み合わせて、推奨シナリオで相関性及び多様性の融合を反映する。このモデルで問題候補セット内の複数の候補問題をスコアリングし、スコアの降順にしたがって対応する複数の候補問題をソートして、問題シーケンスを取得する。次に、実際のニーズに応じて、問題シーケンス内のＮ個までの問題をユーザに展示し、ただし、Ｎは１以上の整数である。

例えば、本開示の少なくとも一実施例において、１つの候補問題のスコアは、１つの条件確率、ｐ（ｙ｜ｘ）として表すことができる。その中、ｙは、あるユーザ行為に対応するラベルを表し、例えば、ユーザが当該候補問題をクリックした場合、ｙ＝１であり、ユーザが当該候補問題をクリックしなかった場合、ｙ＝０である。その中、ｘは入力特徴ベクトルを表す。当該入力特徴ベクトルｘは、上記のユーザ基本情報の離散型特徴、候補問題自体の連続型Ｅｍｂｅｄｄｉｎｇベクトル、及び、当該候補問題とユーザ興味パラメータとの間の少なくとも１つの類似度特徴（類似度特徴は、連続型であってもよく、離散型であってもよい）を含む。例えば、ｙ＝１時に出力された確率値Ｐ（ｙ＝１｜ｘ）を最終的な当該候補問題のスコアとし、このソートモデル（すなわち、Ｗｉｄｅ＆Ｄｅｅｐモデル）によって、問題候補セットにおける各候補問題のスコア（すなわち、確率値）を出力することができる。

以下では図面４Ａを組み合わせてＷｉｄｅ＆Ｄｅｅｐモデルの原理を簡単に説明する。図４Ａは本開示の少なくとも一実施例により提供されるＷｉｄｅ＆Ｄｅｅｐモデルの概略構造図である。

図４Ａに示すように、Ｗｉｄｅ＆Ｄｅｅｐモデルは２つの部分を含み、すなわちＷｉｄｅ部分（図４Ａの左側）及びＤｅｅｐ部分（図４Ａの右側）である。Ｗｉｄｅ＆Ｄｅｅｐモデルは、Ｗｉｄｅモデル及びＤｅｅｐモデルの記憶能力及び汎化能力をバランスさせる。この２つの部分モデルは異なる入力特徴を必要とする。

Ｗｉｄｅ部分について、Ｗｉｄｅモデルは、１つの一般化された線形モデル（例えば、ロジスティック回帰）であり、式は以下のようである。

その中、ｘは特徴ベクトル［ｘ１、ｘ２、ｘ３…］を表し、ｗはパラメータベクトル［ｗ１、ｗ２、ｗ３…］を表し、ｂはバイアス項目であり、ｙは出力されたラベル（ｌａｂｅｌ）であり、ｓｉｇｍｏｉｄ関数を経た後、０～１間の確率値を出力する。当該Ｗｉｄｅ部分が使用する入力特徴は離散型特徴であり、例えば、ユーザ基本情報の離散型特徴及び離散型類似度特徴である。

Ｄｅｅｐ部分について、Ｄｅｅｐモデルは１つのフィードフォワードニューラルネットワークであり、一般的には、ディープニューラルネットワークモデルによって入力されるのは、連続的な稠密特徴であり、疎な高次元の特徴は、Ｅｍｂｅｄｄｉｎｇ（ダウン次元）を経て、低次元稠密特徴に変換する必要があり、次に、それを第１つの隠れ層の入力とし、最終の誤差（ｌｏｓｓ）に基づいて逆方向トレーニングして更新する。隠れ層の活性化関数ｆは、通常、勾配が消えるのを防ぐＲｅＬＵ関数を使用する。したがって、Ｄｅｅｐ部分で使用される入力特徴は、連続型特徴であり、例えば、候補問題のＥｍｂｅｄｄｉｎｇベクトル及び連続性類似度特徴である。

モデルをトレーニングする場合、最終の誤差に基づいて勾配を計算し、Ｗｉｄｅ及びＤｅｅｐ２つの部分に逆伝播して自分のモデルのパラメータを継続的に更新し、最終のモデルを取得する。Ｗｉｄｅモデル及びＤｅｅｐモデルを同時にトレーニングすることは、モデルの融合を表すことではなく、２つのモデルの結果の加重和を最終の予測結果とすることに注意する必要がある。

上記のＳｉｇｍｏｉｄ関数では、Ｗ_ｗｉｄｅはＷｉｄｅ部分の重みであり、ｘは元の特徴ベクトルであり、φ（ｘ）はクロス特徴であり、例えば、ｏｎｅ－ｈｏｔ（ワンホット）エンコード後に結合された新しい特徴であり、Ｗ_ＤｅｅｐはＤｅｅｐ部分のニューラルネットワークの最終活性化層によって出力される重みであり、ｌは隠れ層を表し、ｆは活性化関数を表し、ａは入力特徴を表し、ｂはバイアス項目である。

モデルトレーニングは、連合トレーニングを使用し、集積学習における単一モデルが単独トレーニングを行い、モデルが最終の予測段階でのみ融合することに比較して、連合トレーニングはトレーニング段階で行われるモデル融合であり、トレーニング誤差は、Ｗｉｄｅ及びＤｅｅｐモデルに同時にフィードバックされて重み更新を行う。したがって、Ｗｉｄｅモデルは、離散特徴のクロス乗算に注目し、元の特徴に対して非線形変換を行って特徴互いに作用の記憶を生成し、Ｄｅｅｐモデルは汎化に注目し、ディープニューラルネットワークは低次元稠密特徴を使用し、少量の特徴工程のみを必要とすることで、トレーニングサンプルに現れてない特徴の組み合わせをより良く汎化することができ、モデルの汎化能力を向上させる。モデルトレーニングが完了した後、それを問題推奨シナリオに配備する。

なお、Ｗｉｄｅ＆Ｄｅｅｐモデルのさらなる情報は、他の関連参考文献を参照することができ、本開示の上記の説明は単なる例示的な説明である。

例えば、本開示の一例において、問題推奨方法１０は、ソート（すなわち、Ｗｉｄｅ＆Ｄｅｅｐモデル）モデルを使用して、ユーザ基本情報と、複数の候補問題と、少なくとも１つの類似度特徴とを当該ソートモデルの入力特徴ベクトルとして構成し、問題候補セットに含まれる複数の候補問題のそれぞれに対して１つのスコアを返す。当該スコアの大きさに応じて、複数の候補問題をソートして、問題シーケンスを取得する。例えば、１つの例において、スコアの降順に従ってソートし、例えば、別の例において、スコアの昇順に従ってソートし、なお、他の順序に従ってソートすることもでき、本開示の実施例はこれについて具体的に限定しない。

ステップＳ１７０：問題シーケンスの順序に基づいて、問題シーケンスのうちの少なくとも１つの候補問題をユーザに推奨する。例えば、１つの例において、問題シーケンスがスコアの降順にしたがってソートする場合、問題シーケンス内のＮ個までの候補問題をユーザに推奨し、ただし、Ｎは１以上の整数である。例えば、当該問題シーケンス内の、例えば、前の５つの（他の数値であってもよい）問題を最終的な推奨問題として選択してユーザに推奨する。

図４Ｂはあるプラットフォーム（例えば、健康管理プラットフォーム）がユーザに提供する推奨問題のユーザインターフェース図を示す。例えば、１つの例において、図４Ｂに示すように、ユーザがテキスト入力ボックスに問い合わせたい問題を入力する前、健康管理プラットフォームは、既に上記の問題推奨方法に基づいて、５つの推奨問題（例えば「高血圧は手術で治療できますか？」、「高血圧はどのような検査をしますか？」、「高血圧の症状は何ですか？」、「高血圧患者は毎日どのくらいの頻度で血圧検査を行いますか？」、及び「高血圧患者にはどのような運動をすればいいですか？」）をユーザに推奨する。なお、最終的な推奨問題をユーザに提供する方式は、様々の方式があり、本開示の実施例はこれについて具体的に限定しない。

例えば、１つの実施例において、ユーザが入力テキストボックスに問い合わせたい問題を入力する時、当該プラットフォームは、ユーザが入力したテキスト情報に基づいて、例えば、エンティティ認識及びキーワードマッチング方法などによって、データ知識ベースにおける関連問題にマッチングし、これらの問題をユーザインターフェース内の入力テキストボックスの上方に表示することができる。例えば、図４Ｃに示すように、ユーザが入力テキストボックスに「高血圧」３つの文字を入力する時、入力テキストボックスの上方に「高血圧の食事療法」、「高血圧の食事上の注意事項」、及び「妊娠高血圧レシピ」の推奨問題を提示し、本開示の実施例はこれについて具体的に限定せず、実際の状況に応じて調整することができる。

なお、実際の状況に応じて、ステップＳ１１０－Ｓ１７０の一部のステップを選択的に実行することができ、本開示の実施例はこれについて具体的に限定しない。

例えば、１つの実施例において、同じユーザがあるプラットフォームを複数回使用する際に、その基本情報が変化していなかった場合、ステップＳ１１０－Ｓ１３０を省略し、予め記憶された当該ユーザの候補問題セットを直接に取得することができる。例えば、１つの例において、ユーザがあるプラットフォーム（例えば、健康管理プラットフォーム）を初めて使用する時、当該プラットフォームは既に当該ユーザに対して対応する候補問題セットを生成し、それをプラットフォームに関連するデータベースに保存すると、ユーザが２回目に当該プラットフォームを使用する時、ステップＳ１１０－Ｓ１３０を重複して当該ユーザの候補問題セットを取得する必要がなく、前に当該関連データベースに記憶されている候補問題セットを取得することによってユーザ候補問題セットを取得する目的を実現することができ、本開示の実施例はこれについて具体的に限定せず、実際の状況に応じて調整することができる。

本開示の少なくとも一実施例により提供される問題推奨方法１０は、患者の不明瞭な表現によって引き起こされるフィードバック回答が適切でない問題を効果的に回避するだけでなく、さらに、ユーザの個々の要因を十分に考慮して（例えば、ユーザ基本情報、ユーザ行為データなど）個性化的に問題を推奨することで、ユーザが自分の健康に関連する知識をより的確に把握できるようにし、また、ソートモデル（すなわち、Ｗｉｄｅ＆Ｄｅｅｐモデル）を介してユーザ基本情報と様々な類似度マッチングモデルの出力などの複数の特徴を融合して、問題推奨が相関性、個性化及び多様化を持ち、同時に最終のフィードバック順序も重視するようにして、ユーザのニーズにより適合した効果を達成する。

図５Ａは本開示の少なくとも一実施例により提供される別の問題推奨方法の例示的なフローチャートである。図５Ｂは本開示の少なくとも一実施例により提供される図５Ａに示す問題推奨方法の概略ブロック図である。図５に示すように、当該問題推奨方法５０は、ステップＳ５１０－ステップＳ５８０を含む。例えば、ステップＳ５１０－ステップＳ５８０順序に実行することができ、調整後の他の順序で実行することもでき、例えば、まずステップＳ５２０を実行して次にステップＳ５３０を実行することもでき、まずステップＳ５３０を実行して次にステップＳ５２０を実行することもできる。また、例えば、ステップＳ５１０－ステップＳ５８０の一部または全部の操作は並行して実行することもでき、例えば、ステップＳ５２０及びステップＳ５３０を並行して実行することができ、本開示の実施例は、各ステップの実行順序について限定せず、実際の状況に応じて調整することができる。例えば、ステップＳ５１０－ステップＳ５８０は、サーバまたはローカルエンドで実現することができ、本開示の実施例は、これについて限定しない。例えば、いくつかの例において、問題推奨方法５０を実施するのは、ステップＳ５１０－Ｓ５８０の一部ステップを選択的に実行することができ、ステップＳ５１０－Ｓ５８０以外のいくつかの追加のステップを実行することもでき、本開示の実施例はこれについて具体的に限定しない。

図５Ａ及び図１Ｂを参照し、図５Ａに示す問題推奨方法５０に含まれるステップＳ５２０－Ｓ５８０と図１Ｂに示す問題推奨方法１０に含まれるステップＳ１１０－Ｓ１７０とは基本的に一致するため、ステップＳ５２０－Ｓ５８０の説明については以上の図１ＢのステップＳ１１０－Ｓ１７０の関連説明を参照することができ、ここで説明を省略する。

図１Ｂに示す問題推奨方法１０と比較して、図５Ａは、ステップＳ５１０すなわちデータ知識ベースを作成するステップをさらに含む。例えば、本開示の一実施例において、ネットワークからデータセットを取り込み、データセットを意図に従って分類して、複数の知識問題セットを形成して、データ知識ベースを作成することができる。

例えば、１つの例において、ウェブクローラを使用して、例えば、インターネットのネットワークから大量のデータを含むデータセットを取り込むことができる。その中、ウェブクローラ、ウェブスパイダーとも呼ばれるのは、一定の規則に従って、ワールドワイドウェブ情報を自動的に取り込むプログラムまたはスクリプトである。

例えば、本開示の一実施例において、上記の問題推奨方法５０が医療スマート問答シナリオに適用される場合、問題推奨方法５０は、ある病気に対する問題を推奨するために使用され、当該データセットは、ネットワーク上の医師と患者の間の問診データセット、当該病気に関連するホットな問題、懸賞問題のうちの少なくとも１つから取得することができる。例えば、１つの例において、懸賞問題は、特定のウェブサイト（例えば、尋医問薬網、３９ヘルス網など）での有料で問い合わせする必要がある問題であり、本開示の実施例はこれについて具体的に限定しない。

例えば、ＴＦ－ＩＤＦ方法を使用してデータセットから高頻度のキーワード、例えば、「症状」、「治療」、「血糖」、「食事」、「服薬」、「検査」、「インスリン」、「糖尿病足」などを抽出する。高頻度のキーワードに従ってデータセットからの大量のデータを意図的に分類することができるため、データ知識ベースの構築が容易になる。例えば、深層学習アルゴリズムＴｅｘｔ－ＣＮＮによってデータセットを意図的に分類し、各意図の下で標準問題及び対応する拡張問題及び回答を整理（例えば、手動で整理することによって）することによって、糖尿病、高血圧など慢性病基本健康知識の完備したデータ知識ベースを作成する。例えば、１つの例において、抽出された高頻度のキーワードに基づいて、複数のタイプの意図を手動で決定することができる。例えば、手動は、人々の注目度、キーワードの出現される頻度などに基づいて意図の種類を決定することができ、本開示の実施例はこれについて具体的に限定しない。例えば、１つの例において、以下の意図カテゴリ：食事、運動、薬物、検査、合併症、手術、治療、症状などを手動で決定し、本開示の実施例はこれについて具体的に限定しない。次に、各タイプの意図の下で対応するデータ（例えば、当該タイプの意図にマッチングする問題）を手動で整理し、それをトレーニングデータとし、深層学習アルゴリズムＴｅｘｔ－ＣＮＮによってモデルトレーニングを行い、次に、データセットからの大量のデータを当該トレーニング後のモデルに入力し、当該モデルは各データに対応する意図カテゴリを出力することによって、大量のデータを意図的に分類することを実現する。意図的に分類する精度を向上させるために、各意図の下で再度に標準問題及び対応する拡張問題及び回答を手動でフィルタリング、整理、及び補充を行うことができる。例えば、当該問題推奨方法５０を初めて実行する場合、ステップＳ５１０を実行して知識データベースを作成することによって、当該知識データベースはサーバ、メモリ、またはデータベースに記憶される。その後、当該問題推奨方法５０を実行する場合、ステップＳ５１０を省略することができ、知識データベースに直接にアクセスするため、処理効率を向上させることができる。例えば、ステップＳ５１０を実行するか、または他の適用される方式を使用して知識データベースを更新することによって、知識データベースの更新及び最適化を実現し、後続のステップで取得される候補問題がユーザのニーズにより近く、現在の社会の認知レベルにもより近くようにすることができる。

図５Ａに示す問題推奨方法５０によって実現される技術的効果及び上記の図１Ｂを組み合わせて説明する問題推奨方法１０によって実現される技術的効果は類似し、ここで説明を省略する。図５Ｂに示す各ブロック図の説明については以上の図５Ａ及び図１Ｂの各ステップの詳細の説明を参照することができ、ここで説明を省略する。

本開示の少なくとも１つの実施例は、問題推奨装置をさらに提供し。図６は本開示の少なくとも一実施例により提供される問題推奨装置の概略ブロック図である。図６に示すように、当該問題推奨装置６０は、セット取得モジュール、行為分析モジュール、特徴生成モジュール、問題ソートモジュール、及び推奨モジュールを含み、これらのモジュールは、ソフトウェア、ハードウェア、ファームウェア、またはそれらの任意の組み合わせで実現することができ、例えば、セット取得回路６００、行為分析回路６４０、特徴生成回路６５０、問題ソート回路６６０、及び推奨回路６７０としてそれぞれ実現することができる。

例えば、１つの例において、セット取得回路６００は、複数の候補問題を含むユーザの候補問題セットを取得するように構成される。例えば、当該セット取得回路６００は、知識ベースアクセス回路６１０、情報取得回路６２０、及び候補セット生成回路６３０を含む。例えば、知識ベースアクセス回路６１０は、データ知識ベースをアクセスするように構成され、当該データ知識ベースは、複数の知識問題セットを含む。例えば、情報取得回路６２０は、ユーザ基本情報を取得し、ユーザ基本情報に基づいてユーザラベルセットを作成するように構成される。例えば、候補セット生成回路６３０は、ユーザラベルセットとデータ知識ベースとを関連付け、複数の知識問題セットから候補問題セットを取得するように構成され、当該候補問題セットは、複数の候補問題を含む。例えば、行為分析回路６４０は、ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得するように構成される。例えば、特徴生成回路６５０は、ユーザ興味パラメータと複数の候補問題に基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するように構成される。例えば、問題ソート回路６６０は、ユーザ基本情報と複数の候補問題と少なくとも１つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得するように構成される。例えば、推奨回路６７０は、問題シーケンスの順序に基づいて、問題シーケンスのうちの少なくとも１つの候補問題をユーザに推奨するように構成される。

例えば、知識ベースアクセス回路６１０、情報取得回路６２０、候補セット生成回路６３０、行為分析回路６４０、特徴生成回路６５０、問題ソート回路６６０、及び推奨回路６７０は、実行する具体的な操作がすべて上記の本開示の少なくとも１つの実施例により提供される問題推奨方法１０及び５０の関連説明を参照することができ、ここで説明を省略する。

例えば、本開示の少なくとも一実施例において、問題推奨装置６０の問題ソート回路６６０は、問題ソートサブ回路６６１を含む。問題ソートサブ回路６６１は、ソートモデルを使用して、ユーザ基本情報と複数の候補問題と少なくとも１つの類似度特徴とをソートモデルの入力特徴ベクトルとして構成し、複数の候補問題内の各候補問題に対応するスコアを取得し、スコアの大きさに応じて対応する複数の候補問題をソートして、問題シーケンスを取得するように構成される。

例えば、問題ソートサブ回路６６１は、実行する具体的な操作が上記の本開示の少なくとも１つの実施例により提供される問題推奨方法１０及び５０の関連説明を参照できるように構成され、ここで説明を省略する。

例えば、本開示の少なくとも一実施例において、問題推奨装置６０は、知識ベース作成回路６０１をさらに含む。当該知識ベース作成回路６０１は、ネットワークからデータセットを取り込み、データセットを意図に従って分類して、複数の知識問題セットを形成する、データ知識ベースを作成するように構成される。

例えば、知識ベース作成回路６０１は、実行する具体的な操作が本開示の少なくとも１つの実施例により提供される問題推奨方法５０の関連説明を参照できるように構成され、ここで説明を省略する。

例えば、本開示の少なくとも一実施例において、問題推奨装置６０の候補セット生成回路６３０は、候補セット生成サブ回路６３１を含む。候補セット生成サブ回路６３１は、ユーザラベルセットとデータ知識ベースの標準問題との間のマッピング関係を作成し、ユーザラベルセットをデータ知識ベースにおける標準問題にマッチングし、マッチングされた標準問題に対応する知識問題セットで候補問題セットを構成するように構成される。

例えば、候補セット生成サブ回路６３１は、実行する具体的な操作が本開示の少なくとも１つの実施例により提供される問題推奨方法１０及び５０の関連説明を参照できるように構成され、ここで説明を省略する。

例えば、本開示の少なくとも一実施例において、問題推奨装置６０の行為分析回路６４０は、行為分析サブ回路６４１を含む。行為分析サブ回路６４１は、ユーザ行為データを分析し、ユーザがクリックした問題、またはユーザが興味を持つ単語及び語句をユーザ興味パラメータに変換するように構成される。

例えば、行為分析サブ回路６４１は、実行する具体的な操作が上記の本開示の少なくとも１つの実施例により提供される問題推奨方法１０及び５０の関連説明を参照できるように構成され、ここで説明を省略する。

例えば、本開示の少なくとも一実施例において、問題推奨装置６０の特徴生成回路６５０は、特徴生成サブ回路６５１を含む。特徴生成サブ回路６５１は、少なくとも１つの類似度マッチングモデルを使用して、ユーザ興味パラメータと複数の候補問題に基づいて、各候補問題とユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するように構成される。

例えば、特徴生成サブ回路６５１は、実行する具体的な操作が本開示の少なくとも１つの実施例により提供される問題推奨方法１０及び５０の関連説明を参照できるように構成され、ここで説明を省略する。

なお、本開示実施例のセット取得回路６００、知識ベースアクセス回路６１０、情報取得回路６２０、候補セット生成回路６３０、行為分析回路６４０、特徴生成回路６５０、問題ソート回路６６０、推奨回路６７０及び特徴生成サブ回路６５１、行為分析サブ回路６４１、候補セット生成サブ回路６３１、問題ソートサブ回路６６１及び知識ベース作成回路６０１は、プロセッサ、コントローラなどのハードウェア、関連機能を実施できるソフトウェア、または両者の組み合わせで実現することができ、本開示の実施例は具体的な実施方式について限定しない。

なお、本開示の実施例において、問題推奨装置６０は、より多くの回路をさらに含むことができるが、上記のセット取得回路６００、知識ベースアクセス回路６１０、情報取得回路６２０、候補セット生成回路６３０、行為分析回路６４０、特徴生成回路６５０、問題ソート回路６６０、推奨回路６７０及び特徴生成サブ回路６５１、行為分析サブ回路６４１、候補セット生成サブ回路６３１、問題ソートサブ回路６６１及び知識ベース作成回路６０１に限らず、実際のニーズに応じて決定することができ、本開示の実施例はこれについて限定しない。

本開示実施例により提供される問題推奨装置６０は、上記の問題推奨方法１０及び５０を実施することができ、上記の問題推奨方法１０及び５０に類似する技術的効果を実現することもできることを理解でき、ここで説明を省略する。

本開示の少なくとも１つの実施例は、問題推奨システムをさらに提供する。図７は本開示の少なくとも１つの実施例により提供される問題推奨システムの示意性ブロック図である。図７に示すように、問題推奨システム７０は、端末７１０及び問題推奨サーバ７２０を含み、端末７１０と問題推奨サーバ７２０とは信号的に接続される。端末７１０は、要求データを問題推奨サーバ７２０に送信するように構成される。問題推奨サーバ７２０は、要求データに応答して、複数の知識問題セットを含むデータ知識ベースをアクセスし；複数の候補問題を含むユーザの候補問題セットを取得し、ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得し；ユーザ興味パラメータと複数の候補問題とに基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得し；ユーザ基本情報と複数の候補問題と少なくとも１つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得するように構成される。例えば、端末７１０は、さらに、問題シーケンス内のＮ個までの候補問題を表示するように構成され、ただし、Ｎは１以上の整数である。

例えば、問題サーバ７２０は、実行する上記の操作が、本開示の少なくとも１つの実施例により提供される問題推奨方法１０及び５０を参照することができ、ここで説明を省略する。

例えば、１つの例において、問題推奨システム７０に含まれる端末７１０は、クライアント（例えば携帯電話、コンピュータなど）として実現することができ、問題推奨サーバ７２０は、サーバ側（例えばサーバ）として実現することができる。

例えば、１つの例において、図７に示すように、問題推奨システム７０は、端末７１０と問題推奨サーバ７２０を含む以外、データ知識ベースが記憶されている知識ベースサーバ７３０をさらに含むことができる。知識ベースサーバ７３０と問題推奨サーバ７２０が信号的に接続され、問題推奨サーバ７２０の要求情報に応答して、データ知識ベース内の、要求情報に対応するデータを問題推奨サーバ７２０に返すように構成される。なお、問題推奨システム７０に知識ベースサーバ７３０が含まれていない場合、データ知識ベースにおけるデータは、問題推奨サーバ７２０に直接に記憶されるか、または別途で提供される他の記憶機器に記憶されることができ、問題推奨サーバ７２０が独自にデータ知識ベースを作成することもでき、次に、問題推奨サーバ７２０に記憶されるか、または別途で提供される他の記憶機器に記憶され、本開示の実施例はこれについて具体的に限定しない。

本開示の少なくとも１つの実施例により提供される問題推奨システム７０は、上記の実施例により提供される問題推奨方法１０及び５０を実施することができ、上記の実施例により提供される問題推奨方法１０及び５０と類似する技術的効果を実現することもでき、ここで説明を省略する。

本開示の少なくとも１つの実施例は、電子機器をさらに提供する。図８は本開示の少なくとも一実施例により提供される電子機器の概略図である。例えば、図８に示すように、当該電子機器８０は、プロセッサ８１０及びメモリ８２０を含む。メモリ８２０は、１つまたは複数のコンピュータプログラムモジュール８２１を含む。１つまたは複数のコンピュータプログラムモジュール８２１は、メモリ８２０に記憶され、プロセッサ８１０によって実行され、当該１つまたは複数のコンピュータプログラムモジュール８２１は、本開示の少なくとも１つの実施例により提供される任意の問題推奨方法を実行するための命令を含み、プロセッサ８１０によって実行される時、本開示の少なくとも１つの実施例により提供される問題推奨方法の１つまたは複数のステップを実行することができる。メモリ８２０とプロセッサ８１０は、バスシステム及び／又は他の形式の接続機関（図示せず）を介して互いに接続することができる。

例えば、メモリ８２０及びプロセッサ８１０は、サーバ端（またはクラウド側）に設けることができ、例えば、上記の問題推奨サーバ７２０に設けられ、図１Ａ、図１Ｂ、及び図５Ａで説明された問題推奨方法の１つまたは複数のステップを実行するために使用される。

例えば、プロセッサ８１０は、中央処理ユニット（ＣＰＵ）、デジタル信号プロセッサ（ＤＳＰ）、またはフィールドプログラマブルゲートアレイ（ＦＰＧＡ）などのデータ処理能力及び／又はプログラム実行能力を有する他の形式の処理ユニットであってもよく、例えば、中央処理ユニット（ＣＰＵ）は、Ｘ８６またはＡＲＭアーキテクチャなどであってもよい。プロセッサ８１０は、汎用プロセッサまたは専用プロセッサであってもよく、電子機器８０の他のコンポーネントを制御して所望の機能を実行することができる。

例えば、メモリ８２０は、１つまたは複数のコンピュータプログラム製品の任意の組み合わせを含むことができ、コンピュータプログラム製品は、揮発性メモリ及び／又は不揮発性メモリなどの様々な形式のコンピュータ読み取り可能な記憶媒体を含むことができる。揮発性メモリは、例えば、ランダムアクセスメモリ（ＲＡＭ）及び／又はキャッシュメモリ（ｃａｃｈｅ）などを含むことができる。不揮発性メモリは、例えば、読み取り専用メモリ（ＲＯＭ）、ハードディスク、消去可能プログラマブルリードオンリーメモリ（ＥＰＲＯＭ）、ポータブルコンパクトディスクリードオンリーメモリ（ＣＤ－ＲＯＭ）、ＵＳＢメモリ、フラッシュメモリなどを含むことができる。コンピュータ読み取り可能な記憶媒体に１つまたは複数のコンピュータプログラムモジュール８２１を記憶することができ、プロセッサ８１０は、１つまたは複数のコンピュータプログラムモジュール８２１を実行して、電子機器８０の様々な機能を実現することができる。コンピュータ読み取り可能な記憶媒体に、さらに、様々なアプリケーションプログラム及び様々なデータ及びアプリケーションプログラムによって使用及び／又は生成された様々なデータなどを記憶することができる。電子機器８０の具体的な機能及び技術的効果は、上記の問題推奨方法についての説明を参照することができ、ここで説明を省略する。

図９は本開示の少なくとも一実施例により提供される端末の概略ブロック図である。例えば、本開示の少なくとも一実施例において、当該端末は、表示端末９００であり、例えば、本開示実施例により提供される問題推奨方法に適用することができる。例えば、当該表示端末９００は、ユーザ行為データを反映するユーザアクセスログ（例えば、当該システム内のブラウザなどのアプリケーションプログラムを実行してＣｏｏｋｉｅなどによって記録されるアクセスログなど）を提供することができ、ユーザに推奨する少なくとも１つの候補問題を表示する。なお、図９に示す端末が表示端末９００であることは、単なる１つの例であり、本開示の実施例の機能及び使用範囲を何ら制限するものではない。

図９に示すように、表示端末９００は、処理装置（例えば、中央プロセッサ、グラフィックプロセッサなど）９１０を含むことができ、読み取り専用メモリ（ＲＯＭ）９２０に記憶されたプログラムまたは記憶装置９８０からランダムアクセスメモリ（ＲＡＭ）９３０にロードされたプログラムに基づいて様々な適切な動作及び処理を実行する。ＲＡＭ ９３０には、さらに、表示端末９００の操作に必要な様々なプログラム及びデータが記憶されている。処理装置９１０、ＲＯＭ９２０、及びＲＡＭ ９３０は、バス９４０を介して互いに接続される。入力／出力（Ｉ／Ｏ）インタフェース９５０もバス９４０に接続される。

通常、以下の装置は、Ｉ／Ｏインタフェース９５０と、例えば、タッチパネル、タッチタブレット、キーボード、マウス、カメラ、マイクロフォン、加速度計、ジャイロなどを含む入力装置９６０と、例えば、液晶ディスプレイ（ＬＣＤ）、スピーカ、バイブレータなどを含む出力装置９７０と、例えば、磁気テープ、ハードディスクなどを含む記憶装置９８０と、通信装置９９０と、に接続することができる。通信装置９９０は、表示端末９００が他の電子機器と無線または有線で通信してデータを交換するのを許可することができる。図９は様々な装置を有する表示端末９００を示すが、すべての示す装置を実施するかまたは備えることを要求せず、表示端末９００は、代替的に、より多いまたはより少ない装置を実施するかまたは備えることができる。

本開示の少なくとも１つの実施例は非一時的な読み取り可能な記憶媒体をさらに提供する。図１０は本開示の少なくとも１つの実施例により提供される非一時的な読み取り可能な記憶媒体１００の概略ブロック図である。例えば、図１０に示すように、当該非一時的な読み取り可能な記憶媒体１００は、非一時的な読み取り可能な記憶媒体に記憶されるコンピュータプログラム命令１１１を含む。コンピュータプログラム命令１１１がプロセッサによって実行される場合、本開示の少なくとも１つの実施例により提供される問題推奨方法１０または５０の１つまたは複数のステップを実行する。

例えば、当該記憶媒体は、１つまたは複数のコンピュータ読み取り可能な記憶媒体の任意の組み合わせであってもよく、例えば、１つのコンピュータ読み取り可能な記憶媒体は、ユーザの候補問題セットを取得するためのコンピュータ読み取り可能なプログラムコードを含み、別のコンピュータ読み取り可能な記憶媒体は、ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得するコンピュータ読み取り可能なプログラムコードを含み、さらに、別のコンピュータ読み取り可能な記憶媒体は、ユーザ興味パラメータと複数の候補問題とに基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するコンピュータ読み取り可能なプログラムコードを含み、また、１つのコンピュータ読み取り可能な記憶媒体は、ユーザ基本情報と複数の候補問題と少なくとも１つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得するコンピュータ読み取り可能なプログラムコードを含む。もちろん、上記の各プログラムコードも同じコンピュータ読み取り可能な媒体に記憶することができ、本開示の実施例はこれについて限定しない。例えば、当該プログラムコードがコンピュータによって読み取られる場合、コンピュータは、当該コンピュータ記憶媒体に記憶されているプログラムコードを実行することができ、例えば、本開示任意の実施例により提供される問題推奨方法を実行することができる。

例えば、記憶媒体は、スマートフォンのメモリカード、タブレットコンピュータの記憶手段、個人コンピュータのハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、消去可能プログラマブルリードオンリーメモリ（ＥＰＲＯＭ）、ポータブルコンパクトディスクリードオンリーメモリ（ＣＤ－ＲＯＭ）、フラッシュメモリ、または上記の記憶媒体の任意の組み合わせを含むことができ、他の適用可能な記憶媒体であってもよい。例えば、当該読み取り可能な記憶媒体は、図８のメモリ８２０であってもよく、関連説明は、上記の内容を参照することができ、ここで説明を省略する。

なお、当該記憶媒体１００は、問題推奨サーバ７２０に適用されることができ、当業者は具体的なシナリオに基づいて選択することができ、ここで限定しない。

図１１は本開示の少なくとも１つの実施例により提供される問題推奨システムの例示的なシーン図を示す。図１１に示すように、当該問題推奨システム３００は、ユーザ端末３１０、ネットワーク３２０、サーバ３３０、及びデータベース３４０を含むことができる。

例えば、ユーザ端末３１０は、図１１に示すコンピュータ３１０－１、携帯端末３１０－２であってもよい。ユーザ端末は、さらに、データの受信、処理、及び表示を行うことが可能な任意の他の種類の電子機器であってもよい、それは、デスクトップコンピュータ、ノートパソコン、タブレットコンピュータ、スマートホームデバイス、ウェアラブルデバイス、車載電子機器、医療電子機器などを含むことができるが、これらに限定しないことを理解することができる。

例えば、ネットワーク３２０は、単一のネットワーク、または少なくとも２つの異なるネットワークの組み合わせであってもよい。例えば、ネットワーク３２０は、ローカルエリアネットワーク、広域ネットワーク、パブリックネットワーク、プライベートネットワーク、インターネット、移動通信ネットワークなどの１つまたは複数の組み合わせを含むことができるが、これらに限定しない。

例えば、サーバ３３０は、１つの単独のサーバ、または１つのサーバグループであってもよく、サーバグループ内の各サーバは、有線ネットワークまたは無線ネットワークで接続する。有線ネットワークは、例えば、ツイストペア、同軸ケーブルまたは光ファイバ伝送などの方式を使用して通信することができ、無線ネットワークは、例えば、３Ｇ／４Ｇ／５Ｇ移動通信ネットワーク、ブルートゥース（登録商標）、Ｚｉｇｂｅｅ、またはＷｉＦｉなどの通信方式を使用することができる。本開示は、ネットワークの種類及び機能について限定しない。当該１つのサーバグループは、データセンターなどの集中型であってもよく、分散型であってもよい。サーバは、ローカルのまたはリモートであってもよい。例えば、当該サーバ３３０は、汎用型サーバまたは専用型サーバであってもよく、仮想サーバまたはクラウドサーバなどであってもよい。

例えば、データベース３４０は、ユーザ端末３１０及びサーバ３３０の動作から使用、生成、及び出力される様々なデータを記憶するために使用される。データベース３４０は、ネットワーク３２０を介してサーバ３３０またはサーバ３３０の一部と互いに接続または通信することができ、または直接にサーバ３３０と互いに接続または通信することができ、または上記の２つ方式の組み合わせでサーバ３３０と互いに接続または通信することを実現することができる。いくつかの実施例において、データベース３４０は、独立した機器であってもよい。別の実施例において、データベース３４０は、ユーザ端末３１０とサーバ３４０とのうちの少なくとも１つに集積することができる。例えば、データベース３４０は、ユーザ端末３１０に設けることができ、サーバ３４０に設けることもできる。また、例えば、データベース３４０は、分散型であってもよく、その一部がユーザ端末３１０に設置され、別の部分がサーバ３４０に設置されることができる。

例えば、１つの例において、まず、ユーザ端末３１０（例えば、ユーザの携帯電話）は、ネットワーク３２０または他の技術（例えば、ブルートゥース通信、赤外線通信など）を介して要求データをサーバ３３０に送信する。次に、サーバ３３０は、要求データに応答して、ユーザの候補問題セットを取得し、その中、当該候補問題セットは、複数の候補問題を含む。次に、サーバ３３０は、ユーザ行為データを取得し、ユーザ行為データに基づいてユーザ興味パラメータを取得し、例えば、ユーザ行為データは、ユーザ端末３１０がネットワーク３２０を介してサーバ３３０に伝送する。次に、サーバ３３０は、ユーザ興味パラメータと複数の候補問題とに基づいて、複数の候補問題内の各候補問題とユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得する。次に、サーバ３３０は、ユーザ基本情報と複数の候補問題と少なくとも１つの類似度特徴とに基づいて、複数の候補問題をソートして問題シーケンスを取得し、次に、表示問題シーケンス内のＮ個までの候補問題をネットワーク３２０または他の技術（例えば、ブルートゥース通信、赤外線通信など）を介してユーザ端末３１０に送信する。最終的に、ユーザ端末３１０は、サーバ３３０からのＮ個までの候補問題を受信した後、表示する。

本開示では、用語「複数」とは、特に断りのない限り、２つまたは２つ以上を指す。

当業者は、明細書を考慮し及明細書で開示された開示を実践した後、本開示の他の実施方案を容易に想起する。本開示は、本開示の任意の変形、用途、または適応性の変化をカバーし、これらの変形、用途、または適応性の変化は、本開示の一般的原理に従い、本開示に開示されていない本技術の分野の公知の常識または慣用技術手段を含む。明細書と実施例は、単なる例示的なものに見なされ、本開示の真の範囲及び精神は、以下の請求項によって示される。

本開示は、上記の既に説明され、図面に示す正確な構造に限らず、その範囲から逸脱することなく様々な修正と変更できることを理解することができる。本開示の範囲は、添付の請求項によってのみ制限される。

Claims (25)

1. 問題推奨方法であって、
   複数の候補問題を含むユーザの候補問題セットを取得するステップと、
   ユーザ行為データを取得し、前記ユーザ行為データに基づいてユーザ興味パラメータを取得するステップと、
   前記ユーザ興味パラメータと前記複数の候補問題に基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するステップと、
   ユーザ基本情報と前記複数の候補問題と前記少なくとも１つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するステップと、
   前記問題シーケンスの順序に基づいて、前記問題シーケンスのうちの少なくとも１つの候補問題を前記ユーザに推奨するステップと、を含む、
   ことを特徴とする問題推奨方法。
2. 前記ユーザ基本情報と前記複数の候補問題と前記少なくとも１つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するステップは、
   ソートモデルを使用して、前記ユーザ基本情報と前記複数の候補問題と前記少なくとも１つの類似度特徴とを前記ソートモデルの入力特徴ベクトルとして構成し、前記複数の候補問題内の各候補問題に対応するスコアを取得し、前記スコアの大きさに応じて対応する複数の候補問題をソートして、前記問題シーケンスを取得するステップを含む、
   ことを特徴とする請求項１に記載の問題推奨方法。
3. 前記ユーザ興味パラメータと前記複数の候補問題に基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するステップは、
   少なくとも１つの類似度マッチングモデルを使用して、前記ユーザ興味パラメータと前記複数の候補問題とに基づいて、前記各候補問題と前記ユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するステップを含む、
   ことを特徴とする請求項１または２に記載の問題推奨方法。
4. 前記少なくとも１つの類似度マッチングモデルは、コサイン類似度モデルと、ジェカルト類似度モデルと、編集距離類似度モデルと、単語の移動距離類似度モデルと、ディープセマンティックマッチング類似度モデルと、の少なくとも１つを含む、
   ことを特徴とする請求項３に記載の問題推奨方法。
5. 前記ソートモデルは、Ｗｉｄｅ＆Ｄｅｅｐモデルを含む、
   ことを特徴とする請求項２に記載の問題推奨方法。
6. 前記ユーザの候補問題セットを取得するステップは、
   複数の知識問題セットを含むデータ知識ベースをアクセスするステップと、
   前記ユーザ基本情報を取得し、前記ユーザ基本情報に基づいてユーザラベルセットを作成するステップと、
   前記ユーザラベルセットと前記データ知識ベースとを関連付け、前記複数の知識問題セットから前記候補問題セットを取得するステップと、を含む、
   ことを特徴とする請求項１～５のいずれかに記載の問題推奨方法。
7. 前記ユーザラベルセットは、マルチレベルのラベルを含むマルチレベルのラベルセットを含み、レベルが異なるラベルは、種類が異なる、
   ことを特徴とする請求項６に記載の問題推奨方法。
8. 前記問題推奨方法は、病気に関する問題を推奨するために使用され、
   前記マルチレベルのラベルセットは、第１レベルのラベルが年齢帯であり、第２レベルのラベルが時間帯であり、第３レベルのラベルが病気の種類であり、第４レベルのラベルが合併症である、
   ことを特徴とする請求項７に記載の問題推奨方法。
9. 前記複数の知識問題セットのそれぞれは、
   標準問題と、前記標準問題に対応する標準回答と、前記標準問題に対応する拡張問題とを含む、
   ことを特徴とする請求項６～８のいずれかに記載の問題推奨方法。
10. 前記ユーザの候補問題セットを取得するステップは、
    前記データ知識ベースを作成するステップをさらに含む、
    ことを特徴とする請求項６～９のいずれかに記載の問題推奨方法。
11. 前記前記データ知識ベースを作成するステップは、
    ネットワークからデータセットを取り込み、前記データセットを意図に従って分類して、前記複数の知識問題セットを形成して、前記データ知識ベースを作成するステップを含む、
    ことを特徴とする請求項１０に記載の問題推奨方法。
12. 前記問題推奨方法は、病気に関する問題を推奨するために使用され、
    前記データセットは、医師と患者の間の問診データセットと、前記病気に関連するホットな問題と、前記病気に関連する懸賞問題と、の少なくとも１つからのものである、
    ことを特徴とする請求項１１に記載の問題推奨方法。
13. 前記ユーザラベルセットと前記データ知識ベースとを関連付け、前記複数の知識問題セットから候補問題セットを取得するステップは、
    前記ユーザラベルセットと前記データ知識ベースにおける標準問題との間のマッピング関係を作成し、前記ユーザラベルセットを前記データ知識ベースにおける標準問題にマッチングし、マッチングされた標準問題に対応する知識問題セットで前記候補問題セットを構成するステップを含む、
    ことを特徴とする請求項９に記載の問題推奨方法。
14. 前記ユーザの候補問題セットを取得するステップは、
    予め記憶された前記ユーザの候補問題セットを取得するステップを含む、
    ことを特徴とする請求項１～５のいずれかに記載の問題推奨方法。
15. 前記ユーザ行為データに基づいて、前記ユーザ興味パラメータを取得するステップは、
    前記ユーザ行為データを分析し、ユーザがクリックした問題、またはユーザが興味を持つ単語及び語句を前記ユーザ興味パラメータに変換するステップを含む、
    ことを特徴とする請求項１～１４のいずれかに記載の問題推奨方法。
16. 問題推奨装置であって、
    複数の候補問題を含むユーザの候補問題セットを取得するように構成されるセット取得回路と、
    ユーザ行為データを取得し、前記ユーザ行為データに基づいてユーザ興味パラメータを取得するように構成される行為分析回路と、
    前記ユーザ興味パラメータと前記複数の候補問題に基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するように構成される特徴生成回路と、
    ユーザ基本情報と前記複数の候補問題と前記少なくとも１つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するように構成される問題ソート回路と、
    前記問題シーケンスの順序に基づいて、前記問題シーケンスのうちの少なくとも１つの候補問題をユーザに推奨するように構成される推奨回路と、を含む、
    ことを特徴とする問題推奨装置。
17. 前記問題ソート回路は、
    ソートモデルを使用して、前記ユーザ基本情報と前記複数の候補問題と前記少なくとも１つの類似度特徴とを前記ソートモデルの入力特徴ベクトルとして構成し、前記複数の候補問題内の各候補問題に対応するスコアを取得し、前記スコアの大きさに応じて対応する複数の候補問題をソートして、前記問題シーケンスを取得するように構成される問題ソートサブ回路を含む、
    ことを特徴とする請求項１６に記載の問題推奨装置。
18. 前記セット取得回路は、
    複数の知識問題セットを含むデータ知識ベースをアクセスするように構成される知識ベースアクセス回路と、
    ユーザ基本情報を取得し、前記ユーザ基本情報に基づいてユーザラベルセットを作成するように構成される情報取得回路と、
    前記ユーザラベルセットと前記データ知識ベースとを関連付け、前記複数の知識問題セットから複数の候補問題を含む候補問題セットを取得するように構成される候補セット生成回路と、を含む、
    ことを特徴とする請求項１６または１７に記載の問題推奨装置。
19. 前記セット取得回路は、
    ネットワークからデータセットを取り込み、前記データセットを意図に従って分類して、前記複数の知識問題セットを形成し、前記データ知識ベースを作成するように構成される知識ベース作成回路をさらに含む、
    ことを特徴とする請求項１８に記載の問題推奨装置。
20. 前記候補セット生成回路は、
    前記ユーザラベルセットと前記データ知識ベースの標準問題との間のマッピング関係を作成し、前記ユーザラベルセットを前記データ知識ベースにおける標準問題にマッチングし、マッチングされた標準問題に対応する知識問題セットで前記候補問題セットを構成するように構成される候補セット生成サブ回路を含む、
    ことを特徴とする請求項１８または１９に記載の問題推奨装置。
21. 前記行為分析回路は、
    前記ユーザ行為データを分析し、ユーザがクリックした問題、またはユーザが興味を持つ単語及び語句を前記ユーザ興味パラメータに変換するように構成される行為分析サブ回路を含む、
    ことを特徴とする請求項１６～２０のいずれかに記載の問題推奨装置。
22. 特徴生成回路は、
    少なくとも１つの類似度マッチングモデルを使用して、前記ユーザ興味パラメータと前記複数の候補問題に基づいて、前記各候補問題と前記ユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得するように構成される特徴生成サブ回路を含む、
    ことを特徴とする請求項１６～２１のいずれかに記載の問題推奨装置。
23. 問題推奨システムであって、
    端末及び問題推奨サーバを含み、
    前記端末は、要求データを前記問題推奨サーバに送信するように構成され、
    前記問題推奨サーバは、
    前記要求データに応答して、
    複数の候補問題を含むユーザの候補問題セットを取得し、
    ユーザ行為データを取得し、前記ユーザ行為データに基づいてユーザ興味パラメータを取得し、
    前記ユーザ興味パラメータと前記複数の候補問題とに基づいて、前記複数の候補問題内の各候補問題と前記ユーザ興味パラメータとの間の少なくとも１つの類似度特徴を取得し、
    ユーザ基本情報と前記複数の候補問題と前記少なくとも１つの類似度特徴とに基づいて、前記複数の候補問題をソートして問題シーケンスを取得するように構成され、
    前記端末は、さらに、前記問題シーケンス内のＮ個までの候補問題を表示するように構成され、ただし、Ｎは１以上の整数である、
    ことを特徴とする問題推奨システム。
24. 電子機器であって、
    プロセッサと、
    １つまたは複数のコンピュータプログラムモジュールを含むメモリと、を含み、
    前記１つまたは複数のコンピュータプログラムモジュールは、前記メモリに記憶され、前記プロセッサによって実行されるように構成され、前記１つまたは複数のコンピュータプログラムモジュールは、請求項１～１５のいずれかに記載の問題推奨方法を実行するための命令を含む、
    ことを特徴とする電子機器。
25. コンピュータ命令が記憶されている非一時的な読み取り可能な記憶媒体であって、
    前記コンピュータ命令がプロセッサによって実行される時、請求項１～１５のいずれかに記載の問題推奨方法が実行される、
    ことを特徴とする非一時的な読み取り可能な記憶媒体。
    

Images