KR102246827B1 - A Symptom Recognition Method of Diseases for Senior User Chatbot Based on Language Model - Google Patents
A Symptom Recognition Method of Diseases for Senior User Chatbot Based on Language Model Download PDFInfo
- Publication number
- KR102246827B1 KR102246827B1 KR1020200069062A KR20200069062A KR102246827B1 KR 102246827 B1 KR102246827 B1 KR 102246827B1 KR 1020200069062 A KR1020200069062 A KR 1020200069062A KR 20200069062 A KR20200069062 A KR 20200069062A KR 102246827 B1 KR102246827 B1 KR 102246827B1
- Authority
- KR
- South Korea
- Prior art keywords
- chatbot
- user
- information
- symptoms
- senior
- Prior art date
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 63
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 63
- 208000024891 symptom Diseases 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013145 classification model Methods 0.000 claims abstract description 22
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000002457 bidirectional effect Effects 0.000 claims description 9
- 230000009193 crawling Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 6
- 230000036541 health Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 17
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L51/00—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail
- H04L51/02—User-to-user messaging in packet-switching networks, transmitted according to store-and-forward or real-time protocols, e.g. e-mail using automatic reactions or user delegation, e.g. automatic replies or chatbot-generated messages
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Computational Linguistics (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Animal Behavior & Ethology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Surgery (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Psychiatry (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
Description
본 발명은 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법에 관한 것으로서, 보다 상세하게는, 사용자의 발화 데이터를 자연어처리 기술과 인공지능 및 챗봇 기술을 바탕으로 사용자의 발화를 처리, 분석하여 고령자(65세이상) 다빈도 질환에 관련된 증상명을 예측하는 방법에 관한 것이다.The present invention relates to a method for recognizing symptoms of a frequent disease based on a language model for a chatbot for senior users, and more specifically, processing the user's speech based on natural language processing technology, artificial intelligence, and chatbot technology for the user's speech data. , It relates to a method of analyzing and predicting the name of symptoms related to the elderly (65 years or older) frequent disease.
인공지능 음성인식 챗봇 기술은 나날이 전 방위적으로 확산되고 있으며, 여러 IT 기술과 융합하여 헬스케어 사업에 인공지능 챗봇을 이용한 의료상담 및 돌보미 기술의 발달은 다양한 형태로 연구, 발전되고 있다. Artificial intelligence voice recognition chatbot technology is spreading in all directions day by day, and the development of medical consultation and caregiver technology using artificial intelligence chatbots in healthcare business by fusion with various IT technologies is being researched and developed in various forms.
여기서, 챗봇의 원활한 대화를 위해서는 인공지능(AI)과 빅데이터 분석 기술을 기반으로 기계가 음성·문자 등을 식별할 수 있는 패턴 인식 기술, 인간의 언어를 컴퓨터에 인식시켜 질의응답·번역 등에 활용하는 자연어 처리 기술, 컴퓨터가 정보를 이해하고 논리적으로 추론할 수 있는 시멘틱 웹 기술, 문자로 구성된 데이터에서 유용한 정보를 찾아내는 텍스트마이닝 기술, 대화 상대의 상황과 문맥을 파악하는 상황인식 컴퓨팅 기술 등이 필요하다.Here, for smooth conversation of chatbots, pattern recognition technology that allows machines to identify voices and texts based on artificial intelligence (AI) and big data analysis technology, and uses for question-and-answer and translation by recognizing human language to a computer. Natural language processing technology, semantic web technology that allows computers to understand and logically infer information, text mining technology that finds useful information from data composed of characters, and context-aware computing technology that grasps the situation and context of the conversation partner. Do.
한편, 통계청의 2019 고령자 통계에 따르면, 우리나라의 65세 이상 고령 인구는 급속히 증가하여 2025년은 초고령 사회로 진입될 것으로 전망되고 있다. 이에 따라 인공지능 헬스케어 분야가 주목받고 있으며 특히, 인공지능 기술과 자연어처리 기술을 접목한 ‘챗봇’기술은 사용자와 대화를 나누며 다양한 의학적 요구를 해결할 수 있는 창구의 기능을 할 것으로 기대되고 있다.Meanwhile, according to Statistics Korea's 2019 statistics on elderly people, the number of elderly people aged 65 or older in Korea is expected to increase rapidly, and by 2025 it is expected to enter a super-aged society. Accordingly, the field of artificial intelligence healthcare is attracting attention, and in particular, the “chatbot” technology, which combines artificial intelligence technology and natural language processing technology, is expected to function as a window for solving various medical needs by talking with users.
하지만, 챗봇 기술은 사용자의 요청과 의도의 뉘앙스를 완벽히 이해하지는 못하며 응답에 관한 자유도가 낮다는 한계가 있다.However, chatbot technology does not fully understand the nuances of user requests and intentions, and has a limitation in that the degree of freedom in response is low.
따라서 일반 사용자가 사용하기에도 한계가 있는 챗봇을 시니어 사용자에게 적용하려고 한다면 그에 특화된 다른 접근 방식을 이용해야 한다.Therefore, if you want to apply a chatbot that has limitations even for general users to use to senior users, you need to use a different approach specialized for it.
본 발명의 목적은, 시니어 사용자의 발화를 통해 질환 증상을 예측하고 나아가 관련된 질병에 대한 정보를 사용자에게 제공할 수 있는 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법을 제공하는 데 있다.An object of the present invention is to provide a method for recognizing symptoms of frequent diseases based on a language model for a chatbot for senior users that can predict disease symptoms through speech of a senior user and provide information on related diseases to users. have.
본 발명의 또 다른 목적은, 사용자의 발화에서 시니어 다빈도 질환 증상을 예측하고 분류된 증상들의 조합으로 시니어 사용자들에게 의심되는 질환의 정보들을 제공하고 건강관리를 보조할 수 있는 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법을 제공하는 데 있다.Another object of the present invention is to provide a chatbot for senior users capable of predicting symptoms of a senior frequent disease in the user's utterance and providing information on a suspected disease to senior users with a combination of classified symptoms and assisting in health management. It is to provide a method for recognizing symptoms of frequent disease based on a language model for this purpose.
그 외 본 발명의 세부적인 목적은 이하에 기재되는 구체적인 내용을 통하여 이 기술 분야의 전문가나 연구자에게 자명하게 파악되고 이해될 것이다.In addition, detailed objects of the present invention will be clearly understood and understood by experts or researchers in this technical field through specific contents described below.
상기 목적은, 본 발명에 따라, 사용자 단말로부터 전송된 텍스트 형태의 질의 또는 사용자로부터 발화된 음성을 분석하여 사용자에게 해당 요청에 대한 결과를 출력시키는 챗봇; 및 상기 챗봇과 네트워크를 통해 연결되며 챗봇에서 분석된 질의 또는 음성 정보가 포함된 요청 정보를 수신하여 딥러닝 기반의 분류 모델을 통해 상기 요청 정보에 대한 처리 정보를 상기 챗봇으로 전송하는 서비스 제공서버; 로 구현되는 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법에 있어서, 사용자 단말로부터 전송된 질의 또는 사용자로부터 발화된 음성이 상기 챗봇으로 수신되는 제1단계; 상기 챗봇으로 수신된 정보를 언어 모델을 통해 분석 및 가공한 요청 정보로 변환시켜 상기 서비스 제공서버로 전송하는 제2단계; 상기 서비스 제공서버에서 수신한 요청 정보를 딥러닝 기반의 분류 모델을 통해 분류하여 요청 정보에 대한 처리 정보를 생성하여 상기 챗봇으로 전송하는 제3단계; 및 상기 챗봇이 상기 처리 정보를 사용자에게 출력시키는 제4단계; 를 포함하는 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법에 의해 달성될 수 있다.The above object is, according to the present invention, a chatbot that analyzes a query in the form of a text transmitted from a user terminal or a voice spoken by a user, and outputs a result of the request to the user; And a service providing server that is connected to the chatbot through a network and receives request information including query or voice information analyzed by the chatbot and transmits processing information on the request information to the chatbot through a deep learning-based classification model. A method for recognizing symptoms of a frequent disease based on a language model for a chatbot for a senior user implemented as, comprising: a first step of receiving a query transmitted from a user terminal or a voice uttered from a user through the chatbot; A second step of converting the information received by the chatbot into request information analyzed and processed through a language model and transmitting the converted information to the service providing server; A third step of classifying the request information received from the service providing server through a deep learning-based classification model, generating processing information for the request information, and transmitting it to the chatbot; And a fourth step of outputting, by the chatbot, the processing information to a user. It may be achieved by a method for recognizing symptoms of a frequent disease based on a language model for a chatbot for senior users including.
여기서, 상기 제2단계에서, 상기 언어 모델은 의료 및 질환 분야에 특화된 대화체 데이터의 학습을 통해 구축될 수 있다.Here, in the second step, the language model may be built through learning conversational data specialized in medical and disease fields.
또한, 상기 의료 및 질환 분야에 특화된 대화체 데이터는, 개방형 포털 사이트에 저장된 '질환 증상 질문' 중 전문의 답변이 등록된 게시글을 크롤링하여 수집될 수 있다.In addition, the conversational data specialized in the medical and disease fields may be collected by crawling posts in which a specialist answer is registered among'disease symptom questions' stored in an open portal site.
여기서, 상기 크롤링되어 수집된 데이터는 형태소 분석기를 통해 명사와 동사만을 추출하여 전처리 및 정제된다.Here, the crawled and collected data is preprocessed and refined by extracting only nouns and verbs through a morpheme analyzer.
또한, 상기 전처리 및 정제된 데이터는 단어 간 유사성을 기반으로 단어를 연속적인 벡터 공간으로 임베딩하는 word2vec 모델을 통해 학습되어 상기 언어 모델로 구축될 수 있다.In addition, the preprocessed and refined data may be learned through a word2vec model that embeds words into a continuous vector space based on similarity between words, and thus may be constructed as the language model.
한편, 상기 제3단계에서, 상기 딥러닝 기반의 분류 모델은, 의료기관 또는 의료진을 대상으로 한 설문조사 자료에 수록된 시니어 다빈도 질환 증상 내용 중 '증상명', '정의', '동의어'를 키워드로 선정하여 검색된 게시글 중 전문의 답변이 등록된 게시글을 크롤링하여 수집한 데이터의 학습을 통해 구축될 수 있다.On the other hand, in the third step, the deep learning-based classification model is a keyword for'symptom name','definition', and'synonym' among the contents of symptoms of senior multi-frequency diseases included in survey data for medical institutions or medical staff. It can be selected and constructed through learning of collected data by crawling the posts in which the full text answer is registered among the searched posts.
여기서, 상기 크롤링되어 수집된 데이터는 형태소 분석기를 통해 명사와 동사만을 추출하여 전처리 및 정제된다.Here, the crawled and collected data is preprocessed and refined by extracting only nouns and verbs through a morpheme analyzer.
또한, 상기 전처리 및 정제된 데이터는 시계열, 시퀀스 데이터 스텝 간의 양방향 장기 종속성을 학습하는 Bidirectional LSTM 모델을 통해 학습되어 상기 딥러닝 기반의 분류 모델로 구축될 수 있다.In addition, the preprocessed and refined data may be trained through a bidirectional LSTM model that learns a bidirectional long-term dependency between time series and sequence data steps, and thus may be constructed as the deep learning-based classification model.
본 발명에 의해, 시니어 사용자의 발화를 통해 질환 증상을 예측하고 나아가 관련된 질병에 대한 정보를 사용자에게 제공할 수 있다.According to the present invention, it is possible to predict disease symptoms through the speech of the senior user and further provide information on related diseases to the user.
또한, 사용자의 발화에서 시니어 다빈도 질환 증상을 예측하고 분류된 증상들의 조합으로 시니어 사용자들에게 의심되는 질환의 정보들을 제공하고 건강관리를 보조할 수 있다.In addition, it is possible to predict symptoms of a senior frequent disease from the user's utterance, provide information on a suspected disease to senior users with a combination of classified symptoms, and assist with health management.
도 1 은 본 발명에 따른 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법을 구현하는 시스템 블럭도이며,
도 2 는 본 발명에 따른 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법의 흐름도이며,
도 3 은 본 발명에 따른 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법의 챗봇 인터페이스에 대한 구성도이다.1 is a system block diagram for implementing a method for recognizing symptoms of a frequent disease based on a language model for a chatbot for a senior user according to the present invention.
2 is a flowchart of a method for recognizing symptoms of a frequent disease based on a language model for a chatbot for a senior user according to the present invention,
3 is a block diagram of a chatbot interface of a method for recognizing symptoms of a frequent disease based on a language model for a chatbot for a senior user according to the present invention.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.In the present invention, various modifications may be made and various forms may be applied, and specific embodiments will be illustrated in the drawings and described in detail in the text. However, this is not intended to limit the present invention to a specific form disclosed, it should be understood to include all changes, equivalents, and substitutes included in the spirit and scope of the present invention.
본 출원에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구비한다" 등의 용어는 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.The terms used in the present application are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the present application, terms such as "comprise" or "include" are intended to designate the presence of features, numbers, steps, actions, elements, parts, or combinations thereof described in the specification, but one or more other features. It is to be understood that the possibility of addition or presence of elements or numbers, steps, actions, elements, parts, or combinations thereof is not preliminarily excluded.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 갖는다.Unless otherwise defined, all terms used herein including technical or scientific terms have the same meaning as commonly understood by one of ordinary skill in the art to which the present invention belongs.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning of the related technology, and should not be interpreted as an ideal or excessively formal meaning unless explicitly defined in the present application. Does not.
이하 도면을 참조하여, 본 발명의 바람직한 실시예들을 보다 상세하게 설명한다.Hereinafter, preferred embodiments of the present invention will be described in more detail with reference to the drawings.
도 1 은 본 발명에 따른 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법을 구현하는 시스템 블럭도이며, 도 2 는 본 발명에 따른 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법의 흐름도이며, 도 3 은 본 발명에 따른 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법의 챗봇 인터페이스에 대한 구성도이다.1 is a system block diagram for implementing a method for recognizing symptoms of a frequent disease based on a language model for a chatbot for a senior user according to the present invention, and FIG. 2 is a language model-based multi-frequency disease for a chatbot for a senior user according to the present invention. Is a flowchart of a symptom recognition method of, and FIG. 3 is a block diagram of a chatbot interface of a method for recognizing symptoms of a frequent disease based on a language model for a chatbot for a senior user according to the present invention.
도 1 내지 도 3 을 참조하면, 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법은, 사용자 단말로부터 전송된 텍스트 형태의 질의 또는 사용자로부터 발화된 음성을 분석하여 사용자에게 해당 요청에 대한 결과를 출력시키는 챗봇(100); 및 상기 챗봇(100)과 네트워크를 통해 연결되며 챗봇(100)에서 분석된 질의 또는 음성 정보가 포함된 요청 정보를 수신하여 딥러닝 기반의 분류 모델을 통해 상기 요청 정보에 대한 처리 정보를 상기 챗봇(100)으로 전송하는 서비스 제공서버; 로 구현되는 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법에 관한 것으로서, 사용자 단말로부터 전송된 질의 또는 사용자로부터 발화된 음성이 상기 챗봇(100)으로 수신되는 제1단계(S10); 상기 챗봇(100)으로 수신된 정보를 언어 모델을 통해 분석 및 가공한 요청 정보로 변환시켜 상기 서비스 제공서버(200)로 전송하는 제2단계(S20); 상기 서비스 제공서버(200)에서 수신한 요청 정보를 딥러닝 기반의 분류 모델을 통해 분류하여 요청 정보에 대한 처리 정보를 생성하여 상기 챗봇(100)으로 전송하는 제3단계(S30); 및 상기 챗봇(100)이 상기 처리 정보를 사용자에게 출력시키는 제4단계(S40); 를 포함한다.1 to 3, a method for recognizing symptoms of a frequent disease based on a language model for a chatbot for a senior user analyzes a query in the form of a text transmitted from a user terminal or a voice uttered from the user to respond to a corresponding request to the user. Chatbot 100 for outputting a result of the response; And it is connected to the chatbot 100 through a network and receives the request information including the query or voice information analyzed by the chatbot 100, and transmits the processing information on the request information through a deep learning-based classification model. A service providing server that transmits to 100); Regarding a method for recognizing symptoms of a frequent disease based on a language model for a chatbot for a senior user implemented as a first step (S10) in which a query transmitted from a user terminal or a voice spoken from a user is received by the chatbot 100 ; A second step (S20) of converting the information received by the chatbot 100 into request information analyzed and processed through a language model and transmitting the converted information to the service providing server 200; A third step (S30) of classifying the request information received from the service providing server 200 through a deep learning-based classification model, generating processing information for the request information, and transmitting it to the chatbot 100; And a fourth step (S40) in which the chatbot 100 outputs the processing information to a user. Includes.
여기서, 도 1 에서와 같이, 상기 언어 모델은 챗봇(100)에 설치되고, 분류 모델은 서비스 제공서버(200)에 설치되어 시스템이 구축될 수 있지만 이에 한정되는 것은 아니며, 챗봇(100)에서는 수신된 사용자 질의 정보에 대한 기본적인 가공(서비스 제공서버에 적용 가능한 형태의 정보 가공)만을 처리한 후 이를 요청 정보로 생성한 후 서비스 제공서버(200)에 전송하고, 서비스 제공서버(200)에 언어 모델과 분류 모델이 모두 설치되어 언어 모델을 통한 분석 및 분류 모델을 통한 분석으로 요청 정보에 대한 처리 정보를 생성하여 챗봇(100)으로 전송하도록 구성될 수도 있다.Here, as shown in FIG. 1, the language model is installed in the chatbot 100, and the classification model is installed in the service providing server 200 to construct a system, but is not limited thereto, and the chatbot 100 receives After processing only basic processing (processing of information in a form applicable to the service providing server) for the user query information, it is generated as request information, and then transmitted to the service providing server 200, and the language model to the service providing server 200 Both the and classification models may be installed to generate processing information for request information through analysis through a language model and analysis through a classification model, and transmit it to the chatbot 100.
여기서, 상기 제2단계(S20)에서, 상기 언어 모델은 의료 및 질환 분야에 특화된 대화체 데이터의 학습을 통해 구축될 수 있다.Here, in the second step (S20), the language model may be constructed through learning conversational data specialized in medical and disease fields.
또한, 상기 의료 및 질환 분야에 특화된 대화체 데이터는, 개방형 포털 사이트에 저장된 '질환 증상 질문' 중 전문의 답변이 등록된 게시글을 크롤링하여 수집될 수 있다.In addition, the conversational data specialized in the medical and disease fields may be collected by crawling posts in which a specialist answer is registered among'disease symptom questions' stored in an open portal site.
여기서, 상기 크롤링되어 수집된 데이터는 형태소 분석기를 통해 명사와 동사만을 추출하여 전처리 및 정제된다.Here, the crawled and collected data is preprocessed and refined by extracting only nouns and verbs through a morpheme analyzer.
또한, 상기 전처리 및 정제된 데이터는 단어 간 유사성을 기반으로 단어를 연속적인 벡터 공간으로 임베딩하는 word2vec 모델을 통해 학습되어 상기 언어 모델로 구축될 수 있다.In addition, the preprocessed and refined data may be learned through a word2vec model that embeds words into a continuous vector space based on similarity between words, and thus may be constructed as the language model.
본 발명에서는 의료 및 질환 분야에 특화된 대화체 데이터의 학습을 통해 언어 모델이 구축된다.In the present invention, a language model is constructed through learning conversational data specialized in medical and disease fields.
여기서, 챗봇의 응답을 자연스럽게 하기 위해서는 방대한 학습데이터가 필요하지만, 실제 의료 데이터에는 접근 한계가 있으며, 이를 극복하기 위하여 개방형 데이터, 서비스, 크롤링 기술을 이용해 활용 가능한 데이터를 확보 하였다.Here, a vast amount of learning data is required to respond naturally to the chatbot, but there is a limit to access to actual medical data, and in order to overcome this, open data, services, and crawling technology have been used to secure data that can be used.
또한, 질환 증상 분야에 특화된 단어 임베딩 생성 언어 모델을 구축하기 위해 대화체로 작성된‘네이버 지식인 질환 증상 질문글’중 다빈도 상위 질환 증상 36가지 키워드와 유사어를 검색해 의사답변이 있는 게시글에 한정해 Title, Question, Answer, Date, URL, Keyword 등을 추출하였다.In addition, in order to build a language model for generating word embeddings specialized in the field of disease symptoms, search for 36 keywords and similar words of the most frequent high-ranking disease symptoms among the dialogue-written'Naver intellectuals disease symptoms questionnaire', and limit the postings with opinion answers to Title and Question. , Answer, Date, URL, Keyword, etc. were extracted.
이후, 추출한 Raw데이터를 파이썬 패키지 KoNLPy의 형태소 분석기를 이용해 챗봇에 활용할 수 있는 형태로 전처리 및 정제함으로써 언어 모델의 학습 데이터를 확보하였다.Thereafter, the extracted raw data was preprocessed and refined into a form that can be used for chatbots using the morpheme analyzer of the Python package KoNLPy, thereby securing the learning data of the language model.
전술한 학습 데이터를 기반으로 언어 모델을 구축하기 위하여 질환 증상에 특화된 언어 임베딩을 생성하는 word2vec 기반 사전학습 모델을 채택하였다.In order to construct a language model based on the above-described learning data, a word2vec-based pre-learning model was adopted that generates language embeddings specialized for disease symptoms.
word2vec 기반 언어 모델은 유사한 의미가 있는 어휘는 유사한 문맥에서 등장한다는 Distributional Hypothesis에 기반하여 인공 신경망을 이용해 단어를 연속적인 벡터 공간으로 임베딩하는 모델로, 유사한 의미의 단어는 거리가 가까운 벡터로, 상이한 의미를 가지는 단어는 거리가 먼 벡터로 단어 임베딩하였으며, 단어간 similarity(), doesn_match() 함수 등으로 언어 임베딩이 단어의 의미를 잘 내포하였는지 판단 후 가장 잘 훈련된 언어 모델을 결정하였다.The word2vec-based language model is a model that embeds words into a continuous vector space using artificial neural networks based on the Distributional Hypothesis that vocabularies with similar meanings appear in similar contexts. Words with similar meanings are vectors with close distances and different meanings. Words with a distance were embedded into a vector with a long distance, and the best trained language model was determined after determining whether the language embedding well contained the meaning of the word using similarity() and doesn_match() functions between words.
한편, 상기 제3단계(300)에서, 상기 딥러닝 기반의 분류 모델은, 의료기관 또는 의료진을 대상으로 한 설문조사 자료에 수록된 시니어 다빈도 질환 증상 내용 중 '증상명', '정의', '동의어'를 키워드로 선정하여 검색된 게시글 중 전문의 답변이 등록된 게시글을 크롤링하여 수집한 데이터의 학습을 통해 구축될 수 있다.On the other hand, in the third step (300), the deep learning-based classification model is the'symptom name','definition','synonym By selecting 'as a keyword, it can be constructed through learning of the collected data by crawling the posts in which the full text answer is registered among the searched posts.
여기서, 상기 크롤링되어 수집된 데이터는 형태소 분석기를 통해 명사와 동사만을 추출하여 전처리 및 정제된다.Here, the crawled and collected data is preprocessed and refined by extracting only nouns and verbs through a morpheme analyzer.
또한, 상기 전처리 및 정제된 데이터는 시계열, 시퀀스 데이터 스텝 간의 양방향 장기 종속성을 학습하는 Bidirectional LSTM 모델을 통해 학습되어 상기 딥러닝 기반의 분류 모델로 구축될 수 있다.In addition, the preprocessed and refined data may be trained through a bidirectional LSTM model that learns a bidirectional long-term dependency between time series and sequence data steps, and thus may be constructed as the deep learning-based classification model.
또한, 본 발명에서는 발화에서 질환 증상을 추출하기 위한 학습 데이터를 확보하여 이를 통한 학습으로 분류 모델을 구축하였다.In addition, in the present invention, learning data for extracting disease symptoms from speech is secured and a classification model is built through learning through this.
일 실시예로서, 가천대 길병원 의료진들을 대상으로 설문조사 및 진료 협력센터 자료를 통해 확보한 ‘질환DB 데이터’에 수록된 시니어 다빈도 질환 증상 36가지의 ‘증상명’‘정의’‘동의어’를 키워드로 사용해 지식인 데이터(2009-2020)를 크롤링하여 의사 답변이 있는 게시글만 추출하였다.As an example, the keyword'symptom name','definition','synonym' of 36 symptoms of senior multi-frequency disease contained in'Disease DB Data' obtained through survey and treatment cooperation center data for Gachon University Gil Hospital medical staff. The intellectual data (2009-2020) was crawled and only posts with a doctor's answer were extracted.
이후, KoNLPy의 ‘’형태소 분석기를 사용해 문장 내 명사와 동사만을 추출하고 정제하였다.After that, only nouns and verbs in sentences were extracted and refined using KoNLPy's ‘’ morpheme analyzer.
전술한 학습 데이터를 기반으로 분류 모델을 구축하기 위하여 발화에서 질환 증상을 추출하기 위한 신경망 학습 모델을 선정하였다.In order to construct a classification model based on the above-described learning data, a neural network learning model for extracting disease symptoms from speech was selected.
구체적으로, 추상화 자질을 만드는 'CNN' 레이어와 시퀀스 데이터의 스텝 간 양방향 장기 종속성을 학습할 수 있는 'BiLSTM(양방향 장단기 기억)' 레이어를 이용해 모델을 구성하고 실험을 통해 가장 높은 재현율과 정확도를 보이는 모델을 최종 분류 모델로 선정하였다.Specifically, the model is constructed using the'CNN' layer that creates abstract features and the'BiLSTM (Bidirectional Long-Term Memory)' layer that can learn bidirectional long-term dependencies between steps of sequence data, and shows the highest reproducibility and accuracy through experiments. The model was selected as the final classification model.
더욱 상세하게는, Keras Sequential API를 통해 모델을 구성하고 실험을 통해 precision, recall, f1-score의 값의 비교하며 하이퍼 파라미터 튜닝을 실행하였으며, 과적합 관찰 후 모델의 유닛의 수를 줄이고, 배치사이즈를 입력의 1/6에서 1/4로 감소 시킨 후 Scikit-learn의 metrics 패키지를 통해 각 클래스별 정확도, 재현율, f1-score를 관찰하였다.In more detail, the model was constructed through Keras Sequential API, the precision, recall, and f1-score values were compared through experiments, and hyperparameter tuning was performed.After overfitting observation, the number of units of the model was reduced, and the batch size After reducing the value from 1/6 to 1/4 of the input, we observed the accuracy, recall, and f1-score for each class through the metrics package of Scikit-learn.
여기서, 두 모델 출력층의 활성화(activation), 손실(loss) 함수는 Multi-class Classification 문제에 사용하는 ‘Softmax’,‘Cross-entropy’로 Keras API를 사용해 적용하였고 batch크기는 64로 학습하였다. 과적합을 방지하기 위해 Keras API EarlyStopping()을 loss기준으로 적용하였다.Here, the activation and loss functions of the two model output layers are ‘Softmax’ and ‘Cross-entropy’, which are used in the multi-class classification problem, and were applied using Keras API, and the batch size was trained to be 64. To prevent overfitting, Keras API EarlyStopping() was applied as a loss criterion.
또한, 전술한 언어 모델인 word2vec 모델과 분류 모델의 레이어 구성의 파라미터를 여러 가지로 조합해보고 최종적으로 precision, recall의 가중조화 평균지표인 f-score가 가장 뛰어난 BiLSTM(양방향 장단기 기억) 모델을 분류 모델로 선정하였다.In addition, the above-described language model word2vec model and the parameters of the layer configuration of the classification model are combined in various ways, and finally, the BiLSTM (bidirectional short-term memory) model, which has the best f-score, a weighted harmonized average index of precision and recall, is classified as a model. Was selected as.
전술한 내용을 도 3 을 참조하여 정리하면, 건강보험통계연보 기준 65세 이상 노인의 다빈도 질환을 바탕으로 41개 질환, 36개 증상에 대한 질환DB를 바탕으로 구성한 데이터 셋을 전처리 및 토큰화 과정을 거친 후 단어 임베딩을 생성(언어 모델)하고, BiLSTM기반 인코더에 생성된 단어 임베딩이 입력되고 활성화 함수를 지난 결과들을 softmax 분류 레이어로 보낸 후, 문장의 패턴을 학습한 레이어는 36가지의 클래스로 문장을 분류한다.(분류 모델)If the above is summarized with reference to Fig. 3, based on the frequent disease of the elderly 65 years or older based on the health insurance statistical yearbook, the data set composed of the disease DB for 41 diseases and 36 symptoms is pre-processed and tokenized. After the process, the word embedding is generated (language model), the word embedding generated in the BiLSTM-based encoder is input, the results of the activation function passed to the softmax classification layer are sent to the softmax classification layer, and the layer that learns the sentence pattern is 36 classes. Classify sentences with (classification model)
이후, 질환DB 스키마를 바탕으로 분류된 증상으로 예상되는 질환의 증상명, 정의, 진료과, 원인, 진단, 관련질환 등의 정보를 종합하여 챗봇으로 전송하고 이를 출력시킴으로써 전술한 예상 질환, 증상, 대응 방법 등에 대한 정보가 사용자에게 제공되는 것이다.Afterwards, information such as symptom name, definition, medical department, cause, diagnosis, related disease, etc., which are expected as symptoms classified based on the disease DB schema, are synthesized and transmitted to a chatbot and output to the expected disease, symptom, and response described above. Information about the method and the like is provided to the user.
전술한 바와 같이, 본 발명에 따른 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법은, 시니어 사용자의 발화를 통해 질환 증상을 예측하고 나아가 관련된 질병에 대한 정보를 사용자에게 제공할 수 있다.As described above, the method for recognizing symptoms of a frequent disease based on a language model for a chatbot for a senior user according to the present invention predicts disease symptoms through speech of a senior user and further provides information on related diseases to the user. have.
또한, 사용자의 발화에서 시니어 다빈도 질환 증상을 예측하고 분류된 증상들의 조합으로 시니어 사용자들에게 의심되는 질환의 정보들을 제공하고 건강관리를 보조할 수 있다.In addition, it is possible to predict symptoms of a senior frequent disease from the user's utterance, provide information on a suspected disease to senior users with a combination of classified symptoms, and assist with health management.
앞서 설명한 본 발명의 상세한 설명에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술분야의 숙련된 당업자 또는 해당 기술분야에 통상의 지식을 갖는 자라면 후술될 특허청구범위에 기재된 본 발명의 사상 및 기술 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.In the detailed description of the present invention described above, it has been described with reference to preferred embodiments of the present invention, but those skilled in the art or those of ordinary skill in the art, the spirit of the present invention described in the claims to be described later. And it will be understood that various modifications and changes can be made to the present invention within a range not departing from the technical field.
100 : 챗봇
200 : 서비스 제공서버100: Chatbot
200: service providing server
Claims (8)
사용자 단말로부터 전송된 질의 또는 사용자로부터 발화된 음성이 상기 챗봇으로 수신되는 제1단계;
상기 챗봇으로 수신된 정보를 언어 모델을 통해 분석 및 가공한 요청 정보로 변환시켜 상기 서비스 제공서버로 전송하는 제2단계;
상기 서비스 제공서버에서 수신한 요청 정보를 딥러닝 기반의 분류 모델을 통해 분류하여 요청 정보에 대한 처리 정보를 생성하여 상기 챗봇으로 전송하는 제3단계; 및
상기 챗봇이 상기 처리 정보를 사용자에게 출력시키는 제4단계; 를 포함하고,
상기 제2단계에서,
상기 언어 모델은 의료 및 질환 분야에 특화된 대화체 데이터의 학습을 통해 구축되며,
상기 의료 및 질환 분야에 특화된 대화체 데이터는,
개방형 포털 사이트에 저장된 '질환 증상 질문' 중 전문의 답변이 등록된 게시글을 크롤링하여 수집되고,
상기 크롤링되어 수집된 데이터는 형태소 분석기를 통해 명사와 동사만을 추출하여 전처리 및 정제되어,
상기 전처리 및 정제된 데이터는 단어 간 유사성을 기반으로 단어를 연속적인 벡터 공간으로 임베딩하는 word2vec 모델을 통해 학습되어 상기 언어 모델로 구축되는 것을 특징으로 하는 시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법.A chatbot that analyzes a text query transmitted from a user terminal or a voice spoken by a user and outputs a result of the request to the user; And a service providing server that is connected to the chatbot through a network and receives request information including query or voice information analyzed by the chatbot and transmits processing information on the request information to the chatbot through a deep learning-based classification model. In a method for recognizing symptoms of a frequent disease based on a language model for a chatbot for senior users implemented as
A first step of receiving a query transmitted from a user terminal or a voice uttered from a user to the chatbot;
A second step of converting the information received by the chatbot into request information analyzed and processed through a language model and transmitting the converted information to the service providing server;
A third step of classifying the request information received from the service providing server through a deep learning-based classification model, generating processing information for the request information, and transmitting it to the chatbot; And
A fourth step of outputting the processing information to a user by the chatbot; Including,
In the second step,
The language model is built through learning conversational data specialized in medical and disease fields,
The conversational data specialized in the medical and disease fields,
Among the'disease symptom questions' stored on the open portal site, the expert's answers are collected by crawling the registered posts,
The crawled and collected data is preprocessed and refined by extracting only nouns and verbs through a morpheme analyzer,
The preprocessed and refined data is learned through a word2vec model that embeds words into a continuous vector space based on the similarity between words, and is constructed as the language model. How to Recognize Your Symptoms.
상기 제3단계에서,
상기 딥러닝 기반의 분류 모델은,
의료기관 또는 의료진을 대상으로 한 설문조사 자료에 수록된 시니어 다빈도 질환 증상 내용 중 '증상명', '정의', '동의어'를 키워드로 선정하여 검색된 게시글 중 전문의 답변이 등록된 게시글을 크롤링하여 수집한 데이터의 학습을 통해 구축되는 것을 특징으로 하는
시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법.The method of claim 1,
In the third step,
The deep learning-based classification model,
Select'symptom name','definition', and'synonym' among the symptoms of senior frequent disease included in survey data for medical institutions or medical staff, and crawl and collect the posts in which the expert's answers are registered among the searched posts. It is characterized in that it is built through the learning of one data
A method for recognizing symptoms of frequent disease based on language models for chatbots for senior users.
상기 크롤링되어 수집된 데이터는 형태소 분석기를 통해 명사와 동사만을 추출하여 전처리 및 정제되는 것을 특징으로 하는
시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법.The method of claim 6,
The crawled and collected data is preprocessed and refined by extracting only nouns and verbs through a morpheme analyzer.
A method for recognizing symptoms of frequent disease based on language models for chatbots for senior users.
상기 전처리 및 정제된 데이터는 시계열, 시퀀스 데이터 스텝 간의 양방향 장기 종속성을 학습하는 Bidirectional LSTM 모델을 통해 학습되어 상기 딥러닝 기반의 분류 모델로 구축되는 것을 특징으로 하는
시니어 사용자용 챗봇을 위한 언어 모델 기반 다빈도 질환의 증상 인식 방법.
The method of claim 7,
The preprocessed and refined data is learned through a bidirectional LSTM model that learns a bidirectional long-term dependency between time series and sequence data steps, and is constructed as the deep learning-based classification model.
A method for recognizing symptoms of frequent disease based on language models for chatbots for senior users.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200069062A KR102246827B1 (en) | 2020-06-08 | 2020-06-08 | A Symptom Recognition Method of Diseases for Senior User Chatbot Based on Language Model |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200069062A KR102246827B1 (en) | 2020-06-08 | 2020-06-08 | A Symptom Recognition Method of Diseases for Senior User Chatbot Based on Language Model |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102246827B1 true KR102246827B1 (en) | 2021-04-30 |
Family
ID=75740424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200069062A KR102246827B1 (en) | 2020-06-08 | 2020-06-08 | A Symptom Recognition Method of Diseases for Senior User Chatbot Based on Language Model |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102246827B1 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102444460B1 (en) * | 2021-08-30 | 2022-09-19 | 주식회사 초메디신 | Method of providing chatbot service for symptom and disease matching based on ai |
| WO2023095069A1 (en) * | 2021-11-29 | 2023-06-01 | Jio Platforms Limited | An adaptive disease prediction system in an ai symptom-checker |
| KR102587471B1 (en) * | 2023-02-15 | 2023-10-12 | 주식회사 코트라스 | Artificial Intelligence Language Impairment Interpretation System |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060070605A (en) * | 2004-12-21 | 2006-06-26 | 한국전자통신연구원 | Using domain dialogue model and language model in intelligent robot speech recognition service device and method |
| KR20190038982A (en) | 2017-10-02 | 2019-04-10 | 가부시키가이샤 타카키타 | lap machine |
| KR20200057411A (en) * | 2018-11-16 | 2020-05-26 | 이재용 | Medical information providing device and method with disease diagnosis |
-
2020
- 2020-06-08 KR KR1020200069062A patent/KR102246827B1/en active IP Right Grant
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060070605A (en) * | 2004-12-21 | 2006-06-26 | 한국전자통신연구원 | Using domain dialogue model and language model in intelligent robot speech recognition service device and method |
| KR20190038982A (en) | 2017-10-02 | 2019-04-10 | 가부시키가이샤 타카키타 | lap machine |
| KR20200057411A (en) * | 2018-11-16 | 2020-05-26 | 이재용 | Medical information providing device and method with disease diagnosis |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102444460B1 (en) * | 2021-08-30 | 2022-09-19 | 주식회사 초메디신 | Method of providing chatbot service for symptom and disease matching based on ai |
| WO2023095069A1 (en) * | 2021-11-29 | 2023-06-01 | Jio Platforms Limited | An adaptive disease prediction system in an ai symptom-checker |
| KR102587471B1 (en) * | 2023-02-15 | 2023-10-12 | 주식회사 코트라스 | Artificial Intelligence Language Impairment Interpretation System |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10909152B2 (en) | Predicting intent of a user from anomalous profile data | |
| JP7089330B2 (en) | Adaptive processing components | |
| KR102246827B1 (en) | A Symptom Recognition Method of Diseases for Senior User Chatbot Based on Language Model | |
| CN110364234B (en) | Intelligent storage, analysis and retrieval system and method for electronic medical records | |
| US20050278362A1 (en) | Knowledge discovery system | |
| CN113724882B (en) | Method, device, equipment and medium for constructing user portrait based on inquiry session | |
| Tyagi et al. | Demystifying the role of natural language processing (NLP) in smart city applications: background, motivation, recent advances, and future research directions | |
| Ahmed et al. | EANDC: An explainable attention network based deep adaptive clustering model for mental health treatment | |
| CN115048447B (en) | Database natural language interface system based on intelligent semantic completion | |
| Yadav et al. | A novel automated depression detection technique using text transcript | |
| Acharya et al. | Question Answering System using NLP and BERT | |
| Kaur et al. | Natural language processing interface for synonym | |
| Arbaaeen et al. | Natural language processing based question answering techniques: A survey | |
| US20230297603A1 (en) | Cross-lingual meta-transfer learning adaptation to natural language understanding | |
| Behzadi | Natural language processing and machine learning: A review | |
| CN113569124A (en) | Medical title matching method, device, equipment and storage medium | |
| KR20220048554A (en) | Medical chabot system and the method for driving therof | |
| CN113366484A (en) | Neural network for interpreting natural language sentences | |
| Vysotska | Modern State and Prospects of Information Technologies Development for Natural Language Content Processing. | |
| Vasiliou | Implementation of intelligent system to support remote telemedicine services using chatbots technology | |
| El-Sayed et al. | Contextual Understanding in Neural Dialog Systems: the Integration of External Knowledge Graphs for Generating Coherent and Knowledge-rich Conversations | |
| Bizuayehu | Amharic chatbot on Ethiopian civil code law using a deep learning approach | |
| Hubarevich et al. | Knowledge acquisition based on natural language texts | |
| Kastrati et al. | Natural language processing for Albanian: a state-of-the-art survey | |
| Dubey | Towards Complex Question Answering over Knowledge Graphs. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |