TWI773936B - 能根據語音資訊進行內容分析以推薦專家的方法 - Google Patents

Abstract

本發明係一種能根據語音資訊進行內容分析以推薦專家的方法，該方法能應用至一網路系統中，該網路系統至少包括一伺服器、一用戶裝置與一專家裝置，其中，該伺服器能將用戶裝置與專家裝置兩者的語音通話內容，儲存成一語音資訊，並將語音資訊再轉換成文字資訊，之後，該伺服器會根據一詞彙資料庫的內容，對該文字資訊進行分析與比對，以篩選出詞彙，並將前述詞彙添加至該用戶裝置所對應的用戶資料表及/或該專家裝置所對應的專家資料表，以形成用戶關鍵詞標籤及/或專家關鍵詞標籤，嗣，該伺服器能依用戶關鍵詞標籤，自多個專家資料表中搜尋出匹配的專家資料表，以將前述專家資料表轉換成推薦訊息，進而傳送至該用戶裝置。

Description

能根據語音資訊進行內容分析以推薦專家的方法

本發明係關於推薦專家的方法，尤指一種能夠根據用戶與專家兩者的談話內容，進行分析，以能瞭解用戶的需求與專家的擅長能力，進而將最適合地專家推薦給用戶的方法。

按，「知識經濟」一詞是由經濟合作發展組織(Organization for Economic Cooperation and Development，簡稱OECD)首創，其定義為「以知識資源的擁有、配置、產生和使用，為最重要生產因素的經濟型態」，又，OECD把知識分成四類，分別是事實知識(know-what)、原理知識(know-why)、技能知識(know-how)與人際知識(know-who)，其中，事實知識與原理知識屬於顯性知識(Explicit Knowledge)，其能夠透過文件、形象或其他精確的溝通過程來取得；技能知識與人際知識則屬於隱性知識(Tacit Knowledge)，其只能依賴於自身的體驗、直覺和洞察力。

承上可知，知識已經可以單獨作為一個投資要素，亦足以影響一個國家的經濟實力，尤其是，隨著大數據(Big Data)、雲端運算(cloud computing)與人工智能(Artificial Intelligence)...等技術逐漸盛行，「知識經濟」更是成為未來經濟發展的主要趨勢，畢竟，在知識經濟的衡量指標中，其涵蓋了資訊通訊科技(information and communication technology，簡稱ICT) 指標，意即，知識經濟不僅強調知識的創造，亦著重於知識的流通與加值。一般而言，知識經濟的基礎在於知識與創新，其中，創新是依附於知識中，而知識則依附於人才，因此，能夠掌握大量專業資訊，並能活用前述資訊以形成技術與能力的人，是發展知識經濟之產業的重要因素，前述的人通常被稱為「專家」，例如，醫師、藥師、營養師...等。

對於企業來說，專家能夠創造出大量財富，但對於一般民眾來說，專家的首要作用是用以解決貼身問題，舉例來說，人們在生病時，往往會前往醫療院所尋求醫師幫助，但是，申請人發現，人們在就醫(尤其是非急迫性疾病)之前，大多會向周遭親友打聽哪一位醫師較好，或是上網自行搜尋網友的意見後，才會根據推薦資訊尋求特定醫師幫助。然而，前述推薦方式並不恰當，主要在於，每一位醫師的學習專長、實際經驗與工作環境不盡相同，因此，其所擅長的能力亦不相同，即使是相同科系的醫師，其診療方式亦會有所差異，而親友或網友的看病經驗(尤其是同一種疾病)多半次數不多，導致推薦資訊的內容過於粗略且主觀。

除了前述推薦方式之外，人們普遍會有"大醫院的醫師較專業"之迷思，因此，雖然目前台灣的醫療院所劃分為醫學中心、區域醫院、地區醫院及基層診所等四級，其初衷是希望民眾有病先至家庭醫師或附近診所就醫，經醫師專業診療後，如病情需要，則轉診至其他專科診所或醫院照護，病患經轉診治療後，應依醫師建議轉回原院所或其他適當院所，接受後續治療，令各級醫院能專注於各自的照護任務與角色，但實際上，仍有大量屬於輕症(如：感冒、腹瀉...等)的門診湧向醫學中心與區域醫院，進而導致基層院所提供的診療服務大幅萎縮，造成醫療資源無法有效運用 與分工合作。

此外，由於目前醫療產業發展方向，主要由疾病治療走向健康預防，由集中式走向分散式照護，且逐漸發展為以病患為中心的樣態，以診斷檢測技術為例，其通常希望能在發病或徵兆發生初期，即能達成早期檢測及提出適當預防措施，因此，醫療資訊化(如：電子病歷、醫療影像擷取與傳輸系統(PACS)、健康資料庫加值運用、遠距照護...等)明顯能提供民眾更為便利與親切的照護環境，在前述環境下，網路醫療諮詢服務亦應運而生，但是，對於民眾來說，卻又會陷入"應該找哪一位醫師呢？"的煩惱迴圈中。

歸根究底，在於民眾未能得到確切的資訊，以尋找到能真實幫助自己的專家，尤其是，現在網路上充斥著各種資訊，褒貶不一，更是令民眾難以選擇，因此，如何能夠根據使用者的個人意向，將對應專長的專家推薦給使用者，即成為本發明所欲解決之重要課題。

對於高度專業分工的社會來說，人際知識(know-who)甚為重要，因其主要是關於"誰知道某一事實"或"誰知道如何做"的知識，其中，人們通常會透過交談方式來表達出自己的需求，以及瞭解對方是否擁有足夠的知識來滿足需求，有鑑於此，發明人特別根據前述特性，在進行多次的研究與測試後，終於設計出本發明之一種能根據語音資訊進行內容分析以推薦專家的方法，以能更精準地推薦使用者所需的專家。

本發明之一目的，係提供一種能根據語音資訊進行內容分析以推薦專家的方法，其能應用至一網路系統中，該網路系統至少包括一伺 服器、一用戶資料庫、一專家資料庫、一詞彙資料庫、一用戶裝置與一專家裝置，其中，該伺服器能透過網際網路，與該用戶裝置及該專家裝置相連線，且能取得該用戶資料庫、專家資料庫與詞彙資料庫中的資訊，該用戶資料庫內儲存有複數筆用戶資料表，該等用戶資料表內分別包括一用戶識別碼，該專家資料庫內儲存有複數筆專家資料表，該等專家資料表內分別包括一專家識別碼與至少一專家關鍵詞標籤，該詞彙資料庫則儲存有複數個詞彙，該用戶裝置與專家裝置兩者能透過伺服器建立語音通話，並會將其專屬的個人識別碼傳送至該伺服器，該方法能使該伺服器將用戶裝置與專家裝置兩者的語音通話內容，儲存成一語音資訊後，再將該語音資訊的內容轉成文字資訊，嗣，該伺服器能根據該詞彙資料庫的內容，對該文字資訊進行分析與比對，以篩選出至少一個詞彙，且篩選出的詞彙，能夠添加至該用戶裝置所對應的用戶資料表及/或該專家裝置所對應的專家資料表，以形成用戶關鍵詞標籤及/或新的各個專家關鍵詞標籤。又，該伺服器會針對該用戶資料表中的用戶關鍵詞標籤，自該專家資料庫中執行配對搜尋，以根據各該用戶關鍵詞標籤與各該專家關鍵詞標籤的關聯性，選取對應的專家資料表，以將被選擇的專家資料表之內容，分別轉換成對應的推薦訊息，進而傳送至該用戶裝置，以使該用戶裝置能顯示推薦訊息的內容，如此，由於本發明之方法是根據用戶與專家兩者的談話內容，進行分析，故能確實地瞭解用戶的需求與專家的擅長能力，進而將最適合地專家推薦給用戶。

為便 貴審查委員能對本發明目的、技術特徵及其功效，做更進一步之認識與瞭解，茲舉實施例配合圖式，詳細說明如下：

〔習知〕

無

〔本發明〕

1‧‧‧伺服器

10‧‧‧網際網路

11‧‧‧用戶資料庫

111‧‧‧用戶資料表

1111‧‧‧用戶識別碼

1112‧‧‧個人隱私標籤

1113‧‧‧用戶關鍵詞標籤

12‧‧‧專家資料庫

121‧‧‧專家資料表

1211‧‧‧專家識別碼

1212‧‧‧專家隱私標籤

1213‧‧‧專家關鍵詞標籤

13‧‧‧詞彙資料庫

14‧‧‧語意分析模組

2‧‧‧用戶裝置

3‧‧‧專家裝置

401~407‧‧‧步驟

第1圖係本發明之網路系統示意圖；

第2圖係本發明之用戶資料表的示意圖；

第3圖係本發明之專家資料表的示意圖；及

第4圖係本發明之流程圖。

本發明係一種能根據語音資訊進行內容分析以推薦專家的方法，該方法係應用至一網路系統，在一實施例中，請參閱第1圖所示，該網路系統至少包括一伺服器1、一用戶資料庫11、一專家資料庫12、一詞彙資料庫13、一用戶裝置2(如：智慧型手機、平板電腦、桌上型電腦、筆記本型電腦...等)與一專家裝置3(如：智慧型手機、平板電腦、桌上型電腦、筆記本型電腦...等)，其中，該伺服器1能透過網際網路10，分別連線至用戶裝置2與專家裝置3，以能接收該用戶裝置2、專家裝置3傳來的訊息，或是傳送訊息至該用戶裝置2、專家裝置3，又，該伺服器1能取得該用戶資料庫11、專家資料庫12與詞彙資料庫13中的資訊。在此特別一提者，該用戶資料庫11、專家資料庫12與詞彙資料庫13能夠建置於本發明的伺服器1內，但不以此為限。在本發明之其它實施例中，該用戶資料庫11、專家資料庫12與詞彙資料庫13亦可分別單獨建置於其它伺服器中，且其它伺服器能夠與本發明之伺服器1相連接，以供該伺服器1能取得其它伺服器內所對應的資料庫11、12、13資訊，或者，業者亦可將該用戶資料庫11、專家資料庫12與詞彙資料庫13整合為單一個資料庫；同理，本案之伺服器1亦能根據實際需 求，拆分為多個伺服器，合先陳明。

請參閱第1及2圖所示，該用戶資料庫11內儲存有複數筆用戶資料表111，該用戶資料表111至少能包括一用戶識別碼1111，該用戶識別碼1111能夠為用戶的註冊帳號、手機號碼或手機唯一碼(International Mobile Equipment Identity，簡稱IMEI)...等，其主要是用來代表該用戶資料表111所對應的用戶身份，因此，各個用戶資料表111的用戶識別碼1111不會相同。又，在該實施例中，該用戶資料表111還能設有至少一個個人隱私標籤1112，該個人隱私標籤1112是用來記錄用戶的個人資料，例如，若用戶為男性，其年齡為35歲，並任職於金融業，則該用戶能包括「男」、「35歲」、「金融業」等個人隱私標籤1112，惟，在本發明之其它實施例中，業者亦能夠根據需求，取消個人隱私標籤1112，或是另行增加其它種類的標籤。

另外，請參閱第1及3圖所示，該專家資料庫12內儲存有複數筆專家資料表121，該等專家資料表121內分別包括一專家識別碼1211與至少一專家關鍵詞標籤1213，該專家識別碼1211亦能夠為專家的註冊帳號、手機號碼或手機唯一碼(International Mobile Equipment Identity，簡稱IMEI)...等，其主要是用來代表該專家資料表121所對應的專家身份，因此，各個專家資料表121的專家識別碼1211不會相同。同樣地，在該實施例中，該專家資料表121還能設有至少一個專家隱私標籤1212，該專家隱私標籤1212是用來記錄專家的個人資料，例如，若專家為男性，其年齡為40歲，且經歷為耳鼻喉科醫師，則該專家能包括「男」、「40歲」、「耳鼻喉科」等專家隱私標籤1212，甚至是姓名、聯絡電話等內容的專家隱私標籤1212，惟，在本發明之其它實施例中，業者亦能夠根據需求，取消專家隱私標籤 1212，或是另行增加其它種類的標籤。又，該專家關鍵詞標籤1213的產生方式，能夠包括下列幾種方式：

(a1)由專家自行填入：專家在向伺服器1進行註冊時，能夠自行勾選本身擅長的事項，例如，耳鼻喉科、內科、心臟科、普通感冒、腹瀉...等，則伺服器1會記載成對應的專家關鍵詞標籤1213；

(a2)根據專家的學經歷自動形成：專家在向伺服器進行註冊時，若填寫自身學歷、或是從事過的工作，伺服器1能自動形成對應的專家關鍵詞標籤1213，例如：專家為耳鼻喉科醫師，則伺服器1能夠自動形成對應的專家關鍵詞標籤1213(如：急性鼻咽炎、發燒...等)；

(a3)分析專家與用戶的談論內容，以自動形成：詳細過程會於後續內容進行說明。

在該實施例中，復請參閱第1圖所示，該詞彙資料庫13(或稱專業詞庫)則儲存有複數個詞彙，各個詞彙能夠為特定領域(如：醫學和生命科學、物理、化學、工程學、農業...等)的專門名詞及其通俗名詞，且每一個詞彙還能與其它詞彙具有不同程度的關聯性，舉例來說，「急性鼻咽炎」能與「普通感冒」、「common cold」有最高關聯性，「急性鼻咽炎」能與「咳嗽」、「流鼻涕」、「喉嚨痛」、「病毒」有次高的關聯性，「急性鼻咽炎」能與「抗生素」有較低的關聯性...等。又，詞彙的關聯性部分亦能包括簡稱，例如，「流行性感冒」能與「流感」具有最高關聯性，除此之外，該詞彙資料庫13所儲存的詞彙，亦能夠是動詞、連接詞...等各種語詞，以供後續伺服器1對文字資訊進行分析與比對時，能夠正確地辨識出對應的語句含義。再者，復請參閱第3圖所示，當專家關鍵詞標籤1213是以前述第(a1)點的方 式產生時，該伺服器1還能夠根據被勾選的選項(如：耳鼻喉科)，自動搜索具有預定程度(如：最高、次高...等)關聯性的詞彙(如：急性鼻咽炎)，並將其記載成專家關鍵詞標籤1213。

復請參閱第1圖所示，該用戶裝置2與專家裝置3兩者能透過該伺服器1建立語音通話，並會將其專屬的個人識別碼傳送至該伺服器1，前述建立語音通話的方式能夠如下：

(b1)該用戶裝置2與專家裝置3能分別安裝有特定的應用程式，嗣，該專家裝置3開啟應用程式後，能夠在該用戶裝置2的應用程式介面上呈現「上線狀態(On Line)」，用戶看到後，便能夠操作該用戶裝置2，並透過該伺服器1建立語音連線；

(b2)該用戶裝置2與專家裝置3能夠登入該伺服器1所建置的網路平台，且用戶察看到專家的狀態為「上線狀態(On Line)」時，便能夠操作該用戶裝置2，以透過該伺服器1建立語音連線。

本發明之方法係分成兩個部分，第一部分是「建立關鍵詞標籤」(如第4圖之步驟(401~404))，第二部分是「推薦專家」(如第4圖之步驟(405~407))，茲先說明「建立關鍵詞標籤」的相關流程，復請參閱第1及4圖所示，該伺服器1能夠將該用戶裝置2與專家裝置3兩者的語音通話內容，儲存成一語音資訊(如步驟(401))，又，該伺服器1取得語音通話內容有二，其一是在用戶裝置2與專家裝置3進行通話時，一併錄取通話內容；其二則是由用戶裝置2或專家裝置3來錄取通話內容，再上傳給伺服器1；又，伺服器1在取得語音通話內容後，能夠先進行特定處理(如：過濾環境雜音)，再儲存成所需的語音資訊，嗣，該伺服器1會將語音資訊的內容，轉換成對應的 文字資訊(如步驟(402))，例如，以Google speech進行語音轉文字。在此特別聲明者，前述語音轉文字的過程，並非是限定於整個語音通話結束後才進行，亦能夠是在通話過程中進行，意即，該伺服器1能夠一邊錄取通話與儲存成語音資訊後，便將前述語音資訊轉換成文字資訊。

承上，復請參閱第1及4圖所示，該伺服器1會根據該詞彙資料庫13的內容，對該文字資訊進行分析與比對，以篩選出至少一個詞彙(如步驟(403))，其中，前述對文字資訊進行分析與比對的用意在於，當用戶與專家(如：醫師)通話時，用戶可能會向專家提問各種問題與症狀，但是，若部分問題的領域非屬於專家所擅長時，專家通常會告知用戶其無法回答，因此，若伺服器1僅僅是將文字資訊中所提到的詞彙(尤其是，專業名詞)篩選出來，則容易將專家不擅長的領域，或是用戶不感興趣的話題，誤判斷為擅長領域或感興趣的話題，故，該伺服器1所進行分析與比對的作用，是為了能夠確實地辨識出雙方談話內容的真正語句含義，以能篩選出專家所擅長領域的詞彙，例如，當專家的文義為「我不瞭解心肌梗塞(myocardial infarction)」時，則表示專家並不擅長心肌梗塞，故對應於「心肌梗塞」的詞彙並不會被篩選出來；同理，當用戶的文義為「我對心肌梗塞沒有興趣」或是「我沒有心肌梗塞的問題」時，則表示用戶對於心肌梗塞的話題不感興趣，故對應於「心肌梗塞」的詞彙並不會被篩選出來。

在該實施例中，復請參閱第1及4圖所示，該伺服器1尚包括一語意分析模組14，其中，該語意分析模組14能分析出該文字資訊的文義，以篩選出對應的詞彙。一般來說，人們在通話過程中，其使用之語詞容易面臨同義詞與一詞多義的情況，例如，「狹窄性肌腱滑膜炎」會與「狄奎凡 氏症」、「媽媽手」的意思相同，屬於同義詞；「Java」一詞能為「爪哇咖啡」或是「Java程式語言」，屬於一詞多義；因此，該語意分析模組14能夠經過訓練後，在推論出所需結果。茲簡單介紹語意分析模組14如後，在該實施例中，該語意分析模組14能執行機器學習(Machine Learning)訓練功能或深度學習(Deep Learning)訓練功能，以能根據訓練後的模型進行結果推論(Inference)(例如，將特徵向量化以做相似度矩陣計算)，令該伺服器1能篩選出對應的詞彙。雖然前述語意分析模組14同時具有「訓練」與「推論」兩種能力，但是，在本發明之其它實施例中，「訓練」與「推論」能分別由不同的機器所完成，意即，前述機器學習(Machine Learning)訓練功能或深度學習(Deep Learning)訓練功能能夠在其它機器(非本發明之伺服器1)上進行，之後，再將訓練完成的相關參數複製到該伺服器1，令該伺服器1藉由該語意分析模組14，足以分析出該文字資訊的文義，進而能篩選出對應的詞彙即可。

復請參閱第1至4圖所示，該伺服器1會將篩選出的各該詞彙，添加至用戶裝置2所對應的用戶資料表111及/或專家裝置3所對應的專家資料表121，以形成各個用戶關鍵詞標籤1113及/或新的各個專家關鍵詞標籤1213(如步驟(404))，在該實施例中，該用戶裝置2與專家裝置3兩者建立語音通話時，會將各自專屬的個人識別碼傳送至該伺服器1，其中，該個人識別碼能夠為帳號、手機號碼、手機唯一碼，且會對應於該用戶資料表111的用戶識別碼1111，或是對應於該專家資料表121的專家識別碼1211，又，該伺服器1會根據該專家裝置3之個人識別碼所對應的專家識別碼1211，自該專家資料庫12中讀取匹配的專家資料表121，並將篩選出的各該詞彙，添加至 該專家資料表121中，以形成新的各個專家關鍵詞標籤1213。同理，該伺服器1亦會根據該用戶裝置2之個人識別碼所對應的用戶識別碼1111，自該用戶資料庫11中讀取匹配的用戶資料表111，並將篩選出的各該詞彙，添加至該用戶資料表111中，以形成各個用戶關鍵詞標籤1113。

舉例來說，用戶裝置2的個人識別碼為「U1」，專家裝置3的個人識別碼為「E1」，又，當用戶透過用戶裝置2與專家裝置3的專家進行語音通話時，若用戶告知了專家許多屬於普通感冒的症狀以及詢問各種普通感冒的問題，且專家也一一回復了各種普通感冒的問題後，則伺服器1能根據前述語音通話內容篩選出多個詞彙，如「普通感冒」、「發燒」、「鼻竇炎」，之後，該伺服器1便會將前述詞彙添加到用戶識別碼1111為「U1」的用戶資料表111，以形成對應的用戶關鍵詞標籤1113(如：「普通感冒」、「發燒」、「鼻竇炎」)；該伺服器1亦會將前述詞彙添加到專家識別碼1211為「E1」的專家資料表121，其中，該伺服器1會判斷欲添加的詞彙是否存在於專家資料表121中，若有，則不添加，若無，則作為新的專家關鍵詞標籤1213(如；「鼻竇炎」)添加至專家資料表121中。在此特別一提者，本發明的詞彙資料庫13能夠包括名詞、動詞、連接詞、形容詞...等多種語句，前述語句的作用主要有二，一是供伺服器1能夠正確地辨識出用戶與專家兩者所交談的文義，二是作為用戶關鍵詞標籤1113與專家關鍵詞標籤1213使用，但前述用戶關鍵詞標籤1113與專家關鍵詞標籤1213通常僅會採用名詞，合先陳明。

又，茲就「推薦專家」的流程進行說明，復請參閱第1至4圖所示，當用戶資料表111與專家資料表121都已經擁有對應的用戶關鍵詞標籤1113、專家關鍵詞標籤1213後，該伺服器1能針對該用戶資料表111中的 用戶關鍵詞標籤1113，自該專家資料庫12中執行配對搜尋，以根據各該用戶關鍵詞標籤1113與各該專家關鍵詞標籤1213的關聯性，選取對應的專家資料表121(如步驟(405))。舉例而言，「U1」的用戶關鍵詞標籤1113為「普通感冒」、「發燒」、「鼻竇炎」，由於「E1」的專家關鍵詞標籤1213為「耳鼻喉科」、「急性鼻咽炎」、「發燒」、「普通感冒」、「流行性感冒」、「鼻竇炎」，其已經包括了「U1」的全部用戶關鍵詞標籤1113，因此，該伺服器1會選取對應「E1」的專家資料表121；另外，由於鼻竇炎的症狀包括了鼻塞、頭痛、咳嗽等，因此，「鼻竇炎」此一詞彙還會與「鼻塞」、「頭痛」、「咳嗽」等詞彙有較高關聯性，故，「E2」的專家資料表121因包括了「鼻塞」、「頭痛」、「咳嗽」等專家關鍵詞標籤1213，同樣會被該伺服器1所選取。

更進一步來說，復請參閱第1至3圖所示，每一個用戶關鍵詞標籤1113能夠與各個專家關鍵詞標籤1213分別具有一關聯強度值，該伺服器1在判斷出各該關聯強度值超過一門檻值，或是各該關聯強度值的總和超過一總和門檻值後，便會選取對應的專家資料表121，其中，該用戶關鍵詞標籤1113所代表的醫療領域、疾病特徵、疾病名稱、藥品特徵、藥品名稱、手術特徵或手術名稱，愈貼近該專家關鍵詞標籤1213所代表的醫療領域、疾病特徵、疾病名稱、藥品特徵、藥品名稱、手術特徵或手術名稱，則該用戶關鍵詞標籤1113與該專家關鍵詞標籤1213兩者的關聯強度值之數值愈高。

舉例來說，復請參閱第1至3圖所示，假設門檻值為「80」或總和門檻值「200」，用戶關鍵詞標籤1113為「鼻竇炎」，其與專家關鍵詞標籤1213為「鼻竇炎」的關聯強度值為「100」，其與專家關鍵詞標籤1213為 「鼻塞」(疾病特徵)的關聯強度值為「80」，其與專家關鍵詞標籤1213為「頭痛」(疾病特徵)的關聯強度值為「70」，其與專家關鍵詞標籤1213為「去鼻充血劑」(藥品名稱)的關聯強度值為「70」，因此，由於「E1」的專家資料表121擁有專家關鍵詞標籤1213為「鼻竇炎」，使得其關聯強度值(「100」)高於門檻值(「80」)，故會被伺服器1選取；又，由於E2」的專家資料表121擁有專家關鍵詞標籤1213為「鼻塞」、「頭痛」、「去鼻充血劑」，使得其關聯強度值的總和(「220」)高於總和門檻值(「200」)，故會被伺服器1選取。

復請參閱第1至3圖所示，該伺服器1會將被選擇的各個專家資料表121內容，分別轉換成對應之推薦訊息(如步驟(406))，且該推薦訊息能夠包括專家隱私標籤1212的部分資料(如：姓名、經歷...等)，之後，該伺服器1能將各該推薦訊息傳送至該用戶裝置2，以使該用戶裝置2能顯示推薦訊息的內容(如步驟(407))。此外，該伺服器1在傳送至用戶裝置2前，還能夠對各個推薦訊息進行優化排序，令用戶能夠較快察看到最適合的專家，茲簡單說明如下，惟，下列的優化排序條件，能夠混合或是單一使用：

(c1)根據用戶資料表111與各個專家資料表121間的關聯強度值或其總和，當關聯強度值或其總和愈高，則該專家資料表121的排序就會愈高；

(c2)根據用戶資料表111與各個專家資料表121兩者間相匹配的詞彙數量，當匹配的詞彙數量愈多，則該專家資料表121的排序就會愈高；

(c3)根據用戶與專家兩者是否曾經通話過，若是通話過，則該專家所對應的專家資料表121的排序就會愈高。

綜上所述，當民眾(用戶)咨詢醫師(專家)時，其談話內容通常會涉及到專業領域的詞彙，因此，發明人特別利用前述特性，研發出本 發明的整體技術特徵，畢竟，在整個談話內容中，根據用戶與專家的談話內容，不僅能夠得知用戶所感興趣的話題或是當前需要得到的幫助，亦能夠瞭解專家所擅長的能力為何，例如，若用戶頻頻詢問關於心肌梗塞(myocardial infarction)的問題，或是其述說的症狀(如：胸痛、呼吸急促、心悸)符合心肌梗塞的症狀，則表示用戶對前述話題感興趣或是有需求，故該伺服器1便能將心臟內科的醫師推薦給用戶，且其推薦方式能夠為推播(Push Message)或是在網頁上顯示出推薦欄位；又，對於心臟內科的醫師來說，其通常能夠準確地回覆出心肌梗塞的相關問題，意即，其擅長領域及能力包括了解答或解決心肌梗塞，因此，該伺服器1便能將該專家推薦給對心肌梗塞有興趣或需求的用戶。

另外，由於用戶的興趣與需求會隨著時間改變，如在不同的年紀，用戶所會遭遇的疾病亦不相同，且專家的能力同樣會隨著時間改變，如醫師由一般內科轉為胃腸肝膽科，因此，本發明之用戶關鍵詞標籤1113與專家關鍵詞標籤1213還能分別連結至一時間標籤，該伺服器1在執行配對搜尋或是優化排序時，亦會考量時間標籤，通常時間標籤愈接近當前時間，則愈容易被選取或是愈容易被推薦，例如，當甲用戶的用戶關鍵詞標籤1113為「鼻竇炎」，且其對應的時間標籤為「2019.08.16」，則表示在2019年08月16日的談話內容中，甲用戶提及了鼻竇炎，又，當乙專家的專家關鍵詞標籤1213為「鼻竇炎」，且其對應的時間標籤為「2019.08.15」，則表示乙專家在2019年08月15日回答過鼻竇炎的相關內容，因此，乙專家所擁有的專家資料表121便容易被選取，且更容易被推薦給該甲用戶。

再者，在民眾(用戶)與醫師(專家)通話的過程中，還可能發 生用戶所提出的部分問題可能是該專家所不瞭解，但卻是用戶感興趣，例如，用戶頻頻詢問高血壓的問題，但專家可能擅長骨科領域；或者，該專家所說明的內容是其擅長領域，但卻是用戶不感興趣，例如，專家向用戶說明子宮頸抹片檢查的步驟與重要性，但用戶卻表明不想瞭解；因此，為了能夠更精確地篩選出用戶關鍵詞標籤1113或專家關鍵詞標籤1213，在本發明之其它實施例中，復請參閱第1至3圖所示，該伺服器1還能夠就同一個語音資訊中，辨識出屬於用戶所說的內容以及屬於專家所說的內容(例如，透過聲紋辨識)，之後，該伺服器1會將根據該用戶裝置2的語音內容所篩選出的各該詞彙，添加至該用戶資料表111中，以形成對應的各該用戶關鍵詞標籤1113；以及將根據該專家裝置3的語音內容所篩選出的各該詞彙，添加至該專家資料表121中，以形成對應的各個專家關鍵詞標籤1213，如此，在後續推薦上，即可根據用戶的興趣或需求，更精準地推薦出擅長的專家。

按，以上所述，僅係本發明之較佳實施例，惟，本發明所主張之權利範圍，並不侷限於此，按凡熟悉該項技藝人士，依據本發明所揭露之技術內容，可輕易思及之等效變化，均應屬不脫離本發明之保護範疇。

401~407‧‧‧步驟

Claims (8)

1. 一種能根據語音資訊進行內容分析以推薦專家的方法，係應用至一網路系統中，該網路系統至少包括一伺服器、一用戶資料庫、一專家資料庫、一詞彙資料庫、一用戶裝置與一專家裝置，其中，該伺服器能透過網際網路，與該用戶裝置及該專家裝置相連線，且能取得該用戶資料庫、該專家資料庫與該詞彙資料庫中的資訊，該用戶資料庫內儲存有複數筆用戶資料表，該等用戶資料表內分別包括一用戶識別碼，該專家資料庫內儲存有複數筆專家資料表，該等專家資料表內分別包括一專家識別碼與至少一專家關鍵詞標籤，該詞彙資料庫則儲存有複數個詞彙，該用戶裝置與該專家裝置兩者能透過該伺服器建立語音通話，並會將其專屬的個人識別碼傳送至該伺服器，該方法係使該伺服器執行下列步驟：

   將該用戶裝置與該專家裝置兩者的語音通話內容，儲存成一語音資訊；

   將該語音資訊的內容，轉成對應的一文字資訊；

   根據該詞彙資料庫的內容，對該文字資訊進行分析與比對，以篩選出至少一個詞彙；

   將前述篩選出的各該詞彙，添加至該用戶裝置所對應的用戶資料表及/或該專家裝置所對應的專家資料表，以形成各個用戶關鍵詞標籤及/或新的各個專家關鍵詞標籤；

   針對該用戶資料表中的用戶關鍵詞標籤，自該專家資料庫中執行配對搜尋，以根據各該用戶關鍵詞標籤與各該專家關鍵詞標籤的關聯性，選取對應之各該專家資料表；

   將被選擇之各該專家資料表的內容，分別轉換成對應之推薦訊息；及將各該推薦訊息傳送至該用戶裝置，以使該用戶裝置能顯示各該推薦訊息的內容。
2. 如請求項1所述之方法，其中，該伺服器會根據該專家裝置之個人識別碼所對應的專家識別碼，自該專家資料庫中讀取匹配的專家資料表，並將篩選出的各該詞彙，添加至該專家資料表中，以形成新的各個專家關鍵詞標籤。
3. 如請求項2所述之方法，其中，該伺服器會辨識出該語音資訊中，屬於該專家裝置的語音內容，並只會將根據該專家裝置的語音內容所篩選出的各該詞彙，添加至該專家資料表中，以形成新的各個專家關鍵詞標籤。
4. 如請求項1所述之方法，其中，該伺服器會根據該用戶裝置之個人識別碼所對應的用戶識別碼，自該用戶資料庫中讀取匹配的用戶資料表，並將篩選出的各該詞彙，添加至該用戶資料表中，以形成各個用戶關鍵詞標籤。
5. 如請求項4所述之方法，其中，該伺服器會辨識出該語音資訊中，屬於該用戶裝置的語音內容，並只會將根據該用戶裝置的語音內容所篩選出的各該詞彙，添加至該用戶資料表中，以形成各個用戶關鍵詞標籤。
6. 如請求項1至5所述之方法，其中，各該用戶關鍵詞標籤與各該專家關鍵詞標籤會分別具有一關聯強度值，在該伺服器判斷出各該關聯強度值超過一門檻值，或是各該關聯強度值的總和超過一總和門檻值的狀態下，即會選取具有該專家關鍵詞標籤的該專家資料表。
7. 請求項6所述之方法，其中，該用戶關鍵詞標籤與該專家關鍵詞標籤能分別連結至一時間標籤。
8. 請求項7所述之方法，其中，該用戶關鍵詞標籤所代表的醫療領域、疾病特徵、疾病名稱、藥品特徵、藥品名稱、手術特徵或手術名稱，愈貼近該專家關鍵詞標籤所代表的醫療領域、疾病特徵、疾病名稱、藥品特徵、藥品名稱、手術特徵或手術名稱，則該用戶關鍵詞標籤與該專家關 鍵詞標籤兩者的關聯強度值之數值愈高。

Images