WO2021068321A1 - 基于人机交互的信息推送方法、装置和计算机设备 - Google Patents

基于人机交互的信息推送方法、装置和计算机设备 Download PDF

Info

Publication number
WO2021068321A1
WO2021068321A1 PCT/CN2019/116150 CN2019116150W WO2021068321A1 WO 2021068321 A1 WO2021068321 A1 WO 2021068321A1 CN 2019116150 W CN2019116150 W CN 2019116150W WO 2021068321 A1 WO2021068321 A1 WO 2021068321A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
texts
target
conversation
text
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/CN2019/116150
Other languages
English (en)
French (fr)
Inventor
洪玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Publication of WO2021068321A1 publication Critical patent/WO2021068321A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation

Definitions

  • This application relates to a method, device and computer equipment for pushing information based on human-computer interaction.
  • the inventor realizes that the existing method usually matches the corresponding answer information by identifying and extracting keywords in the user’s question information.
  • the existing method usually matches the corresponding answer information by identifying and extracting keywords in the user’s question information.
  • For structured text in a specific field it is impossible to accurately extract and identify structured text, and thus cannot be accurate.
  • Effectively identify structured texts and corresponding target intentions in a specific field resulting in low accuracy of information extraction and target information push.
  • a method, device, computer device, and storage medium for pushing information based on human-computer interaction are provided.
  • a method for pushing information based on human-computer interaction which is executed by a computer device, and the method includes:
  • the target push information is sent to the user terminal corresponding to the user identification.
  • An information pushing device based on human-computer interaction comprising:
  • the information receiving module is configured to receive session information sent by the user terminal, and identify the corresponding user identifier according to the session information;
  • the text word segmentation module is used to perform preprocessing and word segmentation processing on the conversation information to obtain multiple conversation texts;
  • An intention recognition module configured to input the plurality of conversation texts into a trained intention recognition model, perform intention recognition on the conversation information through the intention recognition model, and output an intention type corresponding to the conversation information;
  • the field extraction module is used to input the multiple conversational texts into the trained information extraction model, calculate the matching degree between the multiple conversational texts and the multiple structured texts in the structured corpus, to obtain the multiple conversational texts Corresponding target field information; generate corresponding target consulting information according to the intent type and the target field information; and
  • the information push module is configured to match corresponding target push information according to the target consultation information, and send the target push information to the user terminal corresponding to the user identifier.
  • a computer device includes a memory and a processor, the memory stores at least one computer readable instruction, and the computer readable instruction is loaded by the processor and executes the following steps:
  • the target push information is sent to the user terminal corresponding to the user identification.
  • a non-volatile computer-readable storage medium stores at least one instruction
  • the computer-readable storage medium stores at least one computer-readable instruction
  • the computer-readable instruction is executed by a processor Load and perform the following steps:
  • the target push information is sent to the user terminal corresponding to the user identification.
  • Fig. 1 is an application scenario diagram of an information push method based on human-computer interaction according to one or more embodiments.
  • Fig. 2 is a schematic flowchart of an information push method based on human-computer interaction according to one or more embodiments.
  • Fig. 3 is a schematic flowchart of a step of extracting target field information according to one or more embodiments.
  • Fig. 4 is a schematic flowchart of an information pushing method based on human-computer interaction according to another or more embodiments.
  • Fig. 5 is a block diagram of an information pushing device based on human-computer interaction according to one or more embodiments.
  • Figure 6 is a block diagram of a computer device according to one or more embodiments.
  • the information pushing method based on human-computer interaction provided in this application can be applied to the application environment as shown in FIG. 1.
  • the user terminal 102 communicates with the server 104 through the network. After the server 104 receives the session information sent by the user terminal 102, it identifies the user identifier according to the session information.
  • the server 104 performs preprocessing and word segmentation processing on the conversation information to obtain multiple conversation texts.
  • the server 104 Recognizing the intent of the session information through the intent recognition model, and identifying the type of intent corresponding to the session information, the server 104 then uses the trained information extraction model to calculate the matching degree between multiple session texts and multiple structured texts in the structured corpus, The target field information corresponding to multiple conversation texts is analyzed, and the corresponding target consultation information is generated according to the intent type and target field information. The server 104 matches the corresponding target push information in the database according to the target consultation information, and sends the target push information to the corresponding user terminal user terminal 102.
  • the user terminal 102 may be, but is not limited to, various personal computers, notebook computers, smart phones, tablet computers, and portable wearable devices.
  • the server 104 may be implemented by an independent server or a server cluster composed of multiple servers.
  • a method for pushing information based on human-computer interaction is provided. Taking the method applied to the server in FIG. 1 as an example for description, the method includes the following steps:
  • Step 202 Receive the session information sent by the user terminal, and identify the corresponding user ID according to the session information.
  • the user can use the corresponding user terminal to conduct intelligent conversation interactions through applications or subprograms, etc., to obtain required consultation information, etc. For example, human-computer interaction and intelligent question and answer are performed through the interactive system of the terminal, and corresponding consultation information is recommended to the user terminal.
  • the user terminal may first send a consultation request and user interaction information to the server through the consultation system, and the consultation request carries the user identification.
  • the user interaction information may be session information, and the session information carries a user identification.
  • Session information includes, but is not limited to, text information, voice information, and image information.
  • Step 204 Perform preprocessing and word segmentation processing on the conversation information to obtain multiple conversation texts.
  • the content of the session information can be in various forms, for example, text information, voice, image information, and other forms of content.
  • the conversation information is text information
  • the text content in the conversation information can be directly recognized.
  • the server When the conversation information includes voice information, the server first preprocesses the voice information in the conversation information.
  • the preprocessing may be to perform voice recognition on the voice conversation information to obtain the corresponding text information.
  • the server may use voice recognition technology to recognize the content of the session information, and extract the text content in the voice information by performing voice recognition on the session information.
  • the server further processes the extracted text content.
  • the speech recognition technology is relatively mature, so I won't repeat it again.
  • the content of the image information can be identified through image recognition technology, such as OCR technology.
  • the server can use OCR technology to extract the text in the picture, and display the text on the original picture in the form of text, so as to extract the text content corresponding to the conversation information. Make the server perform the next step of processing the extracted text content.
  • conversational information may include Chinese characters. Unlike most Western languages, there are no obvious spaces between written Chinese words, and sentences in the text appear in the form of strings. Therefore, it is necessary to divide the input string into individual words, and then conduct in-depth analysis on this basis. This process is word segmentation.
  • the labeling process is based on the idea of sequence labeling, and the use of deep learning models to learn the internal connections and characteristics of each field.
  • the input of labeling is a sequence, and its output is also a sequence.
  • a part-of-speech labeling algorithm can be used for labeling to obtain the corresponding labeling sequence.
  • the server After receiving the session information sent by the user terminal, the server performs preprocessing and word segmentation processing on the session information. Specifically, the server first preprocesses the conversation information, and then divides the conversation information into text sentences to obtain multiple text sentences. The server then uses the corpus in the preset corpus to perform word segmentation processing on multiple text sentences to obtain multiple word segmentation results. The server then labels the multiple word segmentation results according to the preset information labeling algorithm. Tagging can include part-of-speech tagging and category tagging. After the server annotates the word segmentation result, the word segmentation result is annotated with a corresponding tag sequence, thereby obtaining a plurality of tagged conversation texts.
  • the session information may include user interaction information sent by the user terminal, system interaction information that the server answers and pushes based on the user interaction information, and history user interaction information and history of the interaction between the user terminal and the server System interaction information.
  • the system interaction information that the server answers and pushes to the user terminal may be the marked session text. For example, corresponding keywords and categories have been marked in the system's interactive information.
  • Step 206 Input a plurality of conversation texts into the trained intention recognition model, perform intention recognition on the conversation information through the intention recognition model, and output an intention type corresponding to the conversation information.
  • the server performs word segmentation processing on the conversation information, and obtains a pre-trained intent recognition model after obtaining multiple conversation texts. Input multiple conversation texts into the trained intent recognition model, and use the intent recognition model to recognize the intent of the conversation information. Specifically, the server recognizes keyword texts in multiple session texts through the intent recognition model, and then matches preset multiple intent events according to the recognized keyword texts, and determines the intent events whose matching degree reaches the preset threshold as the session information. Intent type, and output the intent type corresponding to the session information through the intent recognition model, so that the user intent corresponding to the session information can be accurately and effectively identified.
  • Step 208 Input the multiple conversation texts into the trained information extraction model, calculate the matching degree between the multiple conversation texts and the multiple structured texts in the structured corpus, and obtain target field information corresponding to the multiple conversation texts.
  • the conversation information input by the user is usually colloquial natural language information.
  • a structured corpus of multiple categories is pre-stored in the server, including structured texts corresponding to multiple categories.
  • the target field information may include a corresponding field category, and the target field information is structured text content corresponding to the field category.
  • a lot of information in the medical field is a professional standard vocabulary. If a user consults information in the medical field, the corresponding standard structured text needs to be identified and matched to accurately and effectively reply and push the user’s conversational information. .
  • the server further calls the pre-trained information extraction model, inputs multiple conversational texts into the information extraction model, and matches the structured text corresponding to the conversational information through the information extraction model. Specifically, the server calculates the relevance between the target field and multiple conversation texts, associates multiple conversation texts whose relevance reaches a threshold, and forms a conversation text block according to multiple conversation texts whose relevance reaches a preset threshold. The server further calculates the matching degree between multiple conversational text blocks and multiple structured texts in the structured corpus, extracts the structured text corresponding to the conversational text block whose matching degree reaches a preset threshold, and determines the structured text as the conversational text correspondence
  • the target field information may also include the corresponding field category.
  • Step 210 Generate corresponding target consultation information according to the intent type and target field information.
  • Step 212 According to the target consultation information matching the corresponding target push information, the target push information is sent to the user terminal corresponding to the user identification.
  • the target consultation information indicates the standard structured query information corresponding to the user session information, that is, the target question information corresponding to the user session information.
  • the server stores multiple target push messages corresponding to the target consultation information.
  • the target push information may be the target content information that the user wants to consult, and may also include product push information and project push messages.
  • the server performs structured information extraction and matching on the session information, and after obtaining the corresponding structured target field information, it further generates the target consultation information corresponding to the session information according to the intent type and the target field information, thereby obtaining the target question corresponding to the session information .
  • the server After the server identifies the target consulting information corresponding to the session information, it matches the target consulting information with the push information stored in the database, and obtains the push with the matching degree reaching the threshold by calculating the matching degree between the target consulting information and multiple push messages Information, the push information is determined as the target push information corresponding to the target consultation information, and the target push information is sent to the user terminal corresponding to the user identification. Therefore, the corresponding push information can be accurately and effectively pushed to the user according to the target consultation information and the user's intention type.
  • the server after the server responds to the interaction request and the session information sent by the user terminal, it preprocesses the session information and performs word segmentation processing to obtain multiple session texts.
  • the intention recognition of the conversation information through the intention recognition model can accurately and effectively identify the type of intent corresponding to the conversation information.
  • the server uses the trained information extraction model to calculate the results of multiple conversational texts and multiple structured texts in a structured corpus.
  • the matching degree can accurately analyze the target field information corresponding to multiple conversation texts, so that the corresponding target consultation information can be effectively generated according to the intent type and the target field information. Match the corresponding target push information in the database according to the target consultation information, and send the target push information to the corresponding user terminal.
  • the step of performing intent recognition on the session information through the intent recognition model includes: extracting keyword texts of multiple session texts in the session information; extracting text vectors of multiple keyword texts, and calculating multiple text block vectors Corresponding to the probability values of multiple intent events; when the probability value reaches a preset threshold, the intent event corresponding to the probability value is obtained, and the intent event is determined as the user intent information of the session information.
  • the intent recognition model includes a variety of pre-configured intent events. After the server responds to the interaction request and session information sent by the user terminal, it performs preprocessing and word segmentation processing on the session information to obtain multiple labeled session texts in the session information. The server then inputs a plurality of conversation texts into the trained intention recognition model, and performs intention recognition on the conversation information through the intention recognition model.
  • the server performs keyword recognition on multiple session texts according to the labeled sequence.
  • the tagging sequence may include part-of-speech tagging and category tagging of the text, and each part-of-speech tagging and category tagging may include a corresponding degree of importance.
  • the server determines the keyword texts of multiple session texts according to the importance of the labeling sequence, and extracts the text vectors of multiple keyword texts, and then calculates the text block vectors corresponding to the session information, and calculates the text block vectors corresponding to multiple intent events. Probability value. When the probability value reaches the preset threshold, the server obtains the intent event corresponding to the probability value.
  • the server determines the intent event as the intent event of the session information.
  • the intent recognition model can accurately and effectively identify the user's intent corresponding to the user's session information. By identifying the user's intent to ask for information, it can effectively guide the user to conduct in-depth interactions according to the intent, so that the target query information can be effectively identified and obtained Matching push messages can effectively improve the accuracy of push information.
  • Step 304 Calculate the matching degree between the text block and the multiple structured texts in the structured corpus.
  • Step 306 Extract structured text whose matching degree reaches a preset threshold, and determine the structured text as a target field corresponding to the conversation text; the target field includes a corresponding field category.
  • the information extraction model can be an intelligent matching model based on a neural network.
  • a large number of structured texts are pre-configured in the information extraction model. For example, it can include a structured corpus in the medical field. Structured text can also include corresponding information categories.
  • the server After the server responds to the interaction request and session information sent by the user terminal, it performs preprocessing and word segmentation processing on the session information to obtain multiple session texts.
  • the intention recognition of the session information through the intention recognition model can accurately and effectively identify the type of intent corresponding to the session information.
  • the server then inputs multiple session texts into the information extraction model through the trained information extraction model, and identifies and extracts the target field information corresponding to the multiple session texts through the information extraction model.
  • the target field also includes a corresponding preset field category, and the field type is the information category corresponding to the structured text of the target field. Because a large number of structured corpora is preset in the information extraction model, the corresponding structured field information in the conversation information can be accurately and effectively obtained by using the information extraction model, which can effectively improve the recognition accuracy of the conversation information.
  • the session information includes system interaction information and user interaction information
  • the method further includes the following steps:
  • Step 402 If there is no target push information matching the target consultation information, identify missing information of the target consultation information according to the intention type;
  • Step 406 Receive user interaction information sent by the user terminal according to the system interaction information
  • Step 408 Repeat the steps of preprocessing and word segmentation processing on the session information including the system interaction information and the user interaction information until the target push information matching the target consultation information is obtained, and the target push information is sent to the user terminal.
  • the server After the server responds to the interaction request and session information sent by the user terminal, it performs preprocessing and word segmentation processing on the session information to obtain multiple session texts.
  • the intention recognition of the conversation information through the intention recognition model can accurately and effectively identify the type of intent corresponding to the conversation information.
  • the server uses the trained information extraction model to calculate the results of multiple conversational texts and multiple structured texts in a structured corpus.
  • the matching degree can accurately analyze the target field information corresponding to multiple conversation texts, so that the corresponding target consultation information can be effectively generated according to the intent type and the target field information. Match the corresponding target push information in the database according to the target consultation information, and send the target push information to the corresponding user terminal.
  • the server identifies the missing information of the target consultation information according to the type of intent. Specifically, the server may perform slot identification on the session information, and identify the slot and the slot value in the session information.
  • the slot may refer to the key information attribute in the session information, for example, it may be the key information that the server needs to obtain; the slot value may refer to the specific content corresponding to the key information attribute in the session information. For example, it can be specific key information expressed by the user.
  • the information attribute corresponding to "sex" can be a slot
  • "male” can be the slot value corresponding to the "sex" slot.
  • the server can configure the slot definition table corresponding to the intent type in advance, and the slot definition table stores various slot information required by the intent type.
  • the slot information includes the slot and the corresponding slot value.
  • the server can perform keyword identification on the session information according to the slot definition table, and identify the slot information in the query information.
  • the server recognizes the current session information and the session information adjacent to the historical session information according to multiple slot keywords, extracts the text information corresponding to the slot that matches the slot keyword in the slot definition table, and extracts the text information As the identified slot and the corresponding slot value.
  • the structured medical field information in the conversation information is extracted, which effectively improves the recognition accuracy of the structured text in a specific field in the conversation information, so that the information can be consulted accurately and effectively according to the target.
  • the server recognizes the user's intention to consult the information through the intent recognition model, and obtains multiple target fields corresponding to the conversation text through the information extraction model Information and target consulting information.
  • the corresponding answer information or consultation guidance information is returned to the user terminal, that is, it is determined whether the relevant necessary information and intention of the query information input by the user are clear, and whether there is target recommendation information that matches the user's intention.
  • the server further generates a corresponding system interaction text according to the information type and conversation intention, and sends it to the user terminal.
  • the structured medical field information in the conversation information is extracted, which effectively improves the recognition accuracy of the structured text in a specific field in the conversation information, so as to accurately and effectively base on the medical field information Push the item recommendation data corresponding to the user's intention information to the user.
  • the step of matching the corresponding target push information according to the target consultation information includes: obtaining a plurality of push messages according to the type of intent; the push information includes corresponding attribute information; and calculating the target consultation information and the number of messages according to the attribute information of the push information.
  • the degree of matching between two push messages obtain push information whose matching degree reaches a preset threshold, determine the push information as the target push information, and send the target push information to the user terminal.
  • a variety of item recommendation data is pre-stored in the database of the server, for example, it may include push information such as medical examination item recommendation information, disease symptom end information, disease complication information, and health information information.
  • the server After the server responds to the interaction request and session information sent by the user terminal, it performs preprocessing and word segmentation processing on the session information to obtain multiple session texts.
  • the intention recognition of the conversation information through the intention recognition model can accurately and effectively identify the type of intent corresponding to the conversation information.
  • the server uses the trained information extraction model to calculate the results of multiple conversational texts and multiple structured texts in a structured corpus.
  • the matching degree can accurately analyze the target field information corresponding to multiple conversation texts, so that the corresponding target consultation information can be effectively generated according to the intent type and the target field information. According to the target consultation information, the corresponding target push information in the database is matched.
  • the server may obtain corresponding pieces of recommendation information according to the intent type and the target field category.
  • the push information includes corresponding attribute information
  • the server calculates the matching degree between the target consultation information and multiple push messages according to the attribute information of the push information, obtains push information whose matching degree reaches a preset threshold, and then retrieves the push information Determine the target push information, and send the target push information to the corresponding user terminal.
  • the structured target field extracted by the recognition and the user's intention can be used to accurately match the corresponding push information, thereby effectively improving the accuracy of the push information.
  • the method further includes: if the session information includes a medical record image, extracting the medical record image, and inputting the medical record image into the trained character recognition model; preprocessing the medical record image to obtain the corresponding corresponding gray scale Image information; perform character segmentation on gray-scale image information to obtain multiple segmented characters; perform feature extraction on multiple segmented characters to obtain multiple corresponding feature vectors; multiple features through character recognition models
  • the vector performs recognition and analysis to obtain the corresponding character recognition result; the character recognition result is converted into the corresponding medical record text information according to the preset format, and the medical record text information is used as the conversation text.
  • a variety of item recommendation data is pre-stored in the database of the server.
  • it may include push information such as medical examination item recommendation information, disease symptom end information, disease complications information, and health information information.
  • the character recognition model may be a machine learning model based on a neural network.
  • the step of constructing an information extraction model before responding to the interaction request sent by the user terminal, is further included.
  • This step specifically includes: obtaining a plurality of sample data, dividing the sample data into a training set and a verification set, and the sample data Including multiple corpus texts and structured texts; input training data into a preset network model, train the association relationship between multiple corpus texts and structured texts according to the preset network model, and generate an initial information extraction model; use a validation set to pair
  • the initial information extraction model is further trained and verified to obtain the category probabilities corresponding to multiple verification data; until the number of category probabilities corresponding to the verification data within the preset range reaches the preset threshold, the training is stopped, and the required information extraction model is obtained .
  • the server Before the server responds to the interaction request sent by the user terminal, it can also construct and train an information extraction model in advance.
  • the sample data includes multiple corpus texts and structured texts.
  • the sample data in the training set can be multiple corpus texts and structured texts that have been manually annotated.
  • the verification set contains multiple corpus texts and structured texts that are not labeled.
  • the sample data may be a medical corpus, and the medical corpus may include a corpus corresponding to multiple category attributes, such as clinical manifestation corpus, inspection corpus, inspection corpus, differential diagnosis corpus, complication corpus, and medicine corpus.
  • the server may also send the information extraction model to the review terminal, so that the review terminal can review and optimize the information extraction model to obtain the required information extraction model.
  • the information extraction model is constructed by training a large amount of corpus data, and the information extraction model is further reviewed and optimized through the review terminal, which can effectively construct a highly accurate information extraction model, which can effectively improve the accuracy of text recognition and extraction. Sex.
  • the text word segmentation module 504 is used to perform preprocessing and word segmentation processing on the conversation information to obtain multiple conversation texts;
  • the intent recognition module 506 is also used to extract keyword texts corresponding to multiple session texts in the session information; extract text vectors of multiple keyword texts, and calculate the probability that multiple text block vectors correspond to multiple intent events Value; when the probability value reaches a preset threshold, the intent event corresponding to the probability value is obtained, and the intent event is determined as the user intent information of the session information.
  • the field extraction module 508 is further configured to calculate the context relevance of multiple conversational texts based on the text vectors of multiple keyword texts, extract conversational texts whose context relevance reaches a threshold, and generate text blocks corresponding to the conversational texts; Calculate the matching degree between the text block and multiple structured texts in the structured corpus; extract the structured text whose matching degree reaches a preset threshold, and determine the structured text as the target field corresponding to the conversation text; the target field includes the corresponding field category.
  • the field extraction module 508 is also used to identify the missing information of the target consulting information according to the intent type if there is no target push information matching the target consulting information; the information push module 510 is also used to generate the system based on the missing information Interactive information, sending system interaction information to the user terminal; the information receiving module 502 is also used to receive user interaction information sent by the user terminal according to the system interaction information; repeat preprocessing and word segmentation of session information including system interaction information and user interaction information In the processing step, the information push module 510 is also used to send the target push information to the user terminal until the target push information matching the target consultation information is obtained.
  • the various modules in the above-mentioned information pushing device based on human-computer interaction can be implemented in whole or in part by software, hardware, and a combination thereof.
  • the above-mentioned modules may be embedded in the form of hardware or independent of the processor in the computer equipment, or may be stored in the memory of the computer equipment in the form of software, so that the processor can call and execute the operations corresponding to the above-mentioned modules.
  • the target push information is sent to the user terminal corresponding to the user identification.
  • Non-volatile memory may include read only memory (ROM), programmable ROM (PROM), electrically programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), or flash memory.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Epidemiology (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • Human Computer Interaction (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Machine Translation (AREA)

Abstract

一种基于人机交互的信息推送方法，所述方法包括：接收用户终端发送的会话信息，根据所述会话信息识别对应的用户标识（202）；对所述会话信息进行预处理和分词处理，得到多个会话文本（204）；将所述多个会话文本输入已训练的意图识别模型，通过所述意图识别模型对所述会话信息进行意图识别，输出所述会话信息对应的意图类型（206）；将所述多个会话文本输入至已训练的信息抽取模型，计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度，得到所述多个会话文本对应的目标字段信息（208）；根据所述意图类型和所述目标字段信息生成对应的目标咨询信息（210）；及根据所述目标咨询信息匹配对应的目标推送信息，将所述目标推送信息发送至所述用户标识对应的用户终端（212）。

Description

基于人机交互的信息推送方法、装置和计算机设备
相关申请的交叉引用：
本申请要求于2019年10月12日提交至中国专利局，申请号为2019109689050，申请名称为“基于人机交互的信息推送方法、装置和计算机设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及一种基于人机交互的信息推送方法、装置和计算机设备。
背景技术
随着经济社会的发展，健康问题也越来越受到重视，随着计算机技术的迅速发展，人工智能技术被广泛应用，因此出现了一些基于人工智能的人机交互系统。通过在人机交互系统中进行在线问答等，可以辅助解答用户的咨询问题。例如，对于特定医疗领域而言，医疗领域的相关知识具有较高的专业性，而用户的问题信息中通常是非结构化的自然语言信息，并不利于目标信息的获取和分析。
然而，发明人意识到，现有的方式通常是通过识别和提取用户问题信息中的关键词来匹配相应的答案信息，对于特定领域的结构化文本，无法准确地进行抽取和识别，从而无法准确有效地识别出特定领域的结构化文本和对应的目标意图，进而导致信息抽取和目标信息推送的准确性不高。
发明内容
根据本申请公开的各种实施例，提供一种基于人机交互的信息推送方法、装置、计算机设备和存储介质。
一种基于人机交互的信息推送方法，由计算机设备执行，所述方法包括：
接收用户终端发送会话信息，根据所述会话信息识别用对应的户标识；
对所述会话信息进行预处理和分词处理，得到多个会话文本；
将所述多个会话文本输入已训练的意图识别模型，通过所述意图识别模型对所述会话信息进行意图识别，输出所述会话信息对应的意图类型；
将所述多个会话文本输入至已训练的信息抽取模型，计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度，得到所述多个会话文本对应的目标字段信息；
根据所述意图类型和所述目标字段信息生成对应的目标咨询信息；及
根据所述目标咨询信息匹配对应的目标推送信息，将所述目标推送信息发送至所述用户标识对应的用户终端。
一种基于人机交互的信息推送装置，所述装置包括：
信息接收模块，用于接收用户终端发送会话信息，根据所述会话信息识别对应的用户标识；
文本分词模块，用于对所述会话信息进行预处理和分词处理，得到多个会话文本；
意图识别模块，用于将所述多个会话文本输入已训练的意图识别模型，通过所述意图识别模型对所述会话信息进行意图识别，输出所述会话信息对应的意图类型；
字段提取模块，用于将所述多个会话文本输入至已训练的信息抽取模型，计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度，得到所述多个会话文本对应的目标字段信息；根据所述意图类型和所述目标字段信息生成对应的目标咨询信息；及
信息推送模块，用于根据所述目标咨询信息匹配对应的目标推送信息，将所述目标推送信息发送至所述用户标识对应的用户终端。
一种计算机设备，包括存储器和处理器，所述存储器存储有至少一条计算机可读指令，所述计算机可读指令由所述处理器加载并执行以下步骤：
接收用户终端发送的会话信息，根据所述会话信息识别对应的用户标识；
对所述会话信息进行预处理和分词处理，得到多个会话文本；
将所述多个会话文本输入已训练的意图识别模型，通过所述意图识别模型对所述会话信息进行意图识别，输出所述会话信息对应的意图类型；
将所述多个会话文本输入至已训练的信息抽取模型，计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度，得到所述多个会话文本对应的目标字段信息；
根据所述意图类型和所述目标字段信息生成对应的目标咨询信息；及
根据所述目标咨询信息匹配对应的目标推送信息，将所述目标推送信息发送至所述用户标识对应的用户终端。
一种非易失性的计算机可读存储介质，所述存储介质中存储有至少一条指令，所述计算机可读存储介质中存储有至少一条计算机可读指令，所述计算机可读指令由处理器加载并执行以下步骤：
接收用户终端发送的会话信息，根据所述会话信息识别对应的用户标识；
对所述会话信息进行预处理和分词处理，得到多个会话文本；
将所述多个会话文本输入已训练的意图识别模型，通过所述意图识别模型对所述会话信息进行意图识别，输出所述会话信息对应的意图类型；
将所述多个会话文本输入至已训练的信息抽取模型，计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度，得到所述多个会话文本对应的目标字段信息；
根据所述意图类型和所述目标字段信息生成对应的目标咨询信息；及
根据所述目标咨询信息匹配对应的目标推送信息，将所述目标推送信息发送至所述用户标识对应的用户终端。
本申请的一个或多个实施例的细节在下面的附图和描述中提出。本申请的其它特征和优点将从说明书、附图以及权利要求书变得明显。
附图说明
下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据一个或多个实施例中基于人机交互的信息推送方法的应用场景图。
图2为根据一个或多个实施例中基于人机交互的信息推送方法的流程示意图。
图3为根据一个或多个实施例中提取目标字段信息步骤的流程示意图。
图4为根据另一个或多个实施例中基于人机交互的信息推送方法的流程示意图。
图5为根据一个或多个实施例中基于人机交互的信息推送装置的框图。
图6为根据一个或多个实施例中计算机设备的框图。
具体实施方式
为了使本申请的技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的基于人机交互的信息推送方法，可以应用于如图1所示的应用环境中。用户终端102通过网络与服务器104进行通信。服务器104接收用户终端102发送的会话信息后，根据会话信息识别用户标识。服务器104对会话信息进行预处理和分词处理，得到多个 会话文本。通过意图识别模型对会话信息进行意图识别，识别出会话信息对应的意图类型，服务器104进而通过已训练的信息抽取模型，计算多个会话文本与结构化语料库中多个结构化文本的匹配度，分析出多个会话文本对应的目标字段信息，根据意图类型和目标字段信息生成对应的目标咨询信息。服务器104根据目标咨询信息匹配数据库中相对应的目标推送信息，并将目标推送信息发送至对应的用户终端用户终端102。用户终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在其中一个实施例中，如图2所示，提供了一种基于人机交互的信息推送方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
步骤202，接收用户终端发送的会话信息，根据会话信息识别对应的用户标识。
用户可以利用对应的用户终端通过应用程序或子程序等进行智能会话交互，以获取所需的咨询信息等。例如通过终端的交互系统进行人机交互和智能问答，并向用户终端推荐相应的咨询信息。
用户终端可以首先通过咨询系统向服务器发送咨询请求和用户交互信息，咨询请求携带用户标识。用户交互信息可以是会话信息，会话信息携带了用户标识。会话信息包括但不限于文本信息、语音信息以及图像信息。
步骤204，对会话信息进行预处理和分词处理，得到多个会话文本。
会话信息的内容可以为多种形式的内容，例如可以为文字信息、语音以及图像信息等形式的内容。当会话信息为文字信息时，可以直接识别会话信息中的文字内容。
当会话信息中包括语音信息时，服务器首先对会话信息中的语音信息进行预处理，预处理可以是对语音会话信息进行语音识别，得到对应的文本信息。具体地，服务器可以利用语音识别技术识别会话信息的内容，通过对会话信息进行语音识别，从而提取出语音信息中的文字内容。服务器进而对提取的文字内容进行下一步处理。语音识别技术已经比较成熟，再次不再赘述。
当会话信息中包括图像信息时，可以通过图像识别技术对图像信息的内容进行识别，如OCR技术。服务器可以利用OCR技术将图片中的文字抽取出来，把原来图片上的文字以文本形式展现出来，从而提取得到会话信息对应的文本内容。使得服务器对提取的文字内容进行下一步处理。
其中，会话信息中可能包括汉语文字，和大部分西方语言不同，汉语书面词语之间没有明显的空格标记，文本中的句子以字串的形式出现。因此需要将输入的字串切分为单独的词 语，然后在此基础进行深度分析，这一过程就是分词。标注过程的进行是利用序列标注思想，使用深度学习模型学习各字段的内在联系和特征。标注的输入是一个序列，其输出也是一个序列，进行标注过程中可用词性标注算法进行标注，得到对应的标注序列。
服务器接收到用户终端发送的会话信息后，对会话信息进行预处理和分词处理。具体地，服务器首先对会话信息进行预处理后，对会话信息进行文本句分割，得到多个文本句。服务器进而利用预设语料库中的语料对多个文本句进行分词处理，得到多个分词结果。服务器进而根据预设的信息标注算法对多个分词结果进行标注。标注可以包括词性标注和类别标注。服务器对分词结果进行标注后，对分词结果标注相应的标注序列，从而得到多个标注后的会话文本。
在其中一个实施例中，会话信息可以包括用户终端发送的用户交互信息，还可以包括服务器根据用户交互信息进行回答和推送的系统交互信息，以及用户终端与服务器进行交互的历史用户交互信息和历史系统交互信息。服务器向用户终端回答和推送的系统交互信息可以为已标注的会话文本。例如，系统交互信息中已标注了相应的关键词和类别等。
步骤206，将多个会话文本输入已训练的意图识别模型，通过意图识别模型对会话信息进行意图识别，输出会话信息对应的意图类型。
服务器对会话信息进行分词处理，得到多个会话文本后，获取预先训练的意图识别模型。将多个会话文本输入已训练的意图识别模型，通过意图识别模型对会话信息进行意图识别。具体地，服务器通过意图识别模型识别多个会话文本中的关键词文本，进而根据识别的关键词文本匹配预设的多个意图事件，将匹配度达到预设阈值的意图事件确定为会话信息的意图类型，并通过意图识别模型输出会话信息对应的意图类型，从而能够准确有效地识别出会话信息所对应的用户意图。
步骤208，将多个会话文本输入至已训练的信息抽取模型，计算多个会话文本与结构化语料库中多个结构化文本的匹配度，得到多个会话文本对应的目标字段信息。
用户输入的会话信息通常为比较偏口语化的自然语言信息，在识别用户输入的会话信息的过程中，需要识别会话信息中所对应特定领域的标准表述的结构化文本。服务器中预先存储了多个类别的结构化语料库，包括多个类别对应的结构化文本。目标字段信息可以包括对应的字段类别，目标字段信息为字段类别所对应的结构化文本内容。例如，医疗领域中许多信息为专业化的标准词汇，若用户咨询医疗领域的信息，则需要识别和匹配出相对应的标准结构化文本，才能够精准有效地对用户的会话信息进行回复和推送。
服务器进一步调用预先训练的信息抽取模型，将多个会话文本输入至信息抽取模型中， 通过信息抽取模型匹配会话信息对应的结构化文本。具体地，服务器计算目标字段和多个会话文本的关联性，将关联性达到阈值的多个会话文本进行关联，并根据关联性达到预设阈值的多个会话文本组成会话文本块。服务器进一步计算多个会话文本块与结构化语料库中多个结构化文本的匹配度，提取匹配度达到预设阈值的会话文本块对应的结构化文本，并将该结构化文本确定为会话文本对应的目标字段信息。其中，目标字段信息还可以包括对应的字段类别。
步骤210，根据意图类型和目标字段信息生成对应的目标咨询信息。
步骤212，根据目标咨询信息匹配对应的目标推送信息，将目标推送信息发送至用户标识对应的用户终端。
目标咨询信息表示用户会话信息对应标准结构化的询问信息，即用户会话信息所对应的目标问题信息。服务器中存储了多个目标咨询信息对应的目标推送消息，目标推送信息可以为用户想要咨询的目标内容信息，也可以包括产品推送信息和项目推送消息。
服务器对会话信息进行结构化信息抽取和匹配，得到对应的结构化的目标字段信息后，则进一步根据意图类型和目标字段信息生成会话信息对应的目标咨询信息，从而得到会话信息所对应的目标问题。
服务器识别出会话信息对应的目标咨询信息后，则将目标咨询信息与数据库中存储的推送信息进行匹配，通过计算目标咨询信息与多个推送信息之间的匹配度，获取匹配度达到阈值的推送信息，将该推送信息确定为目标咨询信息对应的目标推送信息，并将目标推送信息发送至用户标识对应的用户终端。从而能够准确有效地根据目标咨询信息和用户意图类型向用户推送相对应的推送信息。
上述基于人机交互的信息推送方法中，服务器响应用户终端发送的交互请求和会话信息后，对会话信息进行预处理和分词处理，得到多个会话文本。通过意图识别模型对会话信息进行意图识别，能够准确有效地识别出会话信息对应的意图类型，服务器进而通过已训练的信息抽取模型，计算多个会话文本与结构化语料库中多个结构化文本的匹配度，由此能够精准地分析出多个会话文本对应的目标字段信息，从而能够根据意图类型和目标字段信息有效地生成对应的目标咨询信息。根据目标咨询信息匹配数据库中相对应的目标推送信息，并将目标推送信息发送至对应的用户终端。通过识别用户会话信息的意图，进而识别并抽取出会话信息中结构化的字段信息，有效地提高了会话信息中特定领域的结构化文本对应的目标咨询信息的识别准确性，从而能够精准有效地根据目标咨询信息向用户相匹配的推送信息。
在其中一个实施例中，通过意图识别模型对会话信息进行意图识别的步骤包括：提取会 话信息中多个会话文本的关键词文本；提取多个关键词文本的文本向量，计算多个文本块向量对应多个意图事件的概率值；当概率值达到预设阈值时，获取概率值对应的意图事件，将意图事件确定为会话信息的用户意图信息。
意图识别模型中包括多种预先配置的意图事件。服务器响应用户终端发送的交互请求和会话信息后，对会话信息进行预处理和分词处理，得到会话信息中多个标注后的会话文本。服务器进而将多个会话文本输入已训练的意图识别模型，通过意图识别模型对会话信息进行意图识别。
具体地，服务器根据标注后的标注序列对多个会话文本进行关键词识别。其中，标注序列可以包括文本的词性标注和类别标注，每种词性标注和类别标注可以包括相应的重要程度。服务器进而根据标注序列的重要程度确定多个会话文本的关键词文本，并提取多个关键词文本的文本向量，进而计算会话信息对应的文本块向量，计算文本块向量分别对应多个意图事件的概率值。当概率值达到预设阈值时，服务器则获取概率值对应的意图事件。例如，可以是概率值达到预设阈值或概率值最大的意图事件。服务器并将该意图事件确定为会话信息的意图事件。利用意图识别模型能够准确有效地识别出用户会话信息对应的用户意图，通过识别用户询问信息的意图，由此能够有效地根据意图进一步引导用户进行深度交互，从而可以有效地识别目标询问信息并获取相匹配的推送消息，从而能够有效提高推送信息的推送准确性。
在其中一个实施例中，如图3所示，目标字段信息包括字段类别，得到多个会话文本对应的目标字段信息的步骤包括：
步骤302，根据多个关键词文本的文本向量计算多个会话文本的上下文关联性，提取上下文关联性达到阈值的会话文本，生成会话文本对应的文本块。
步骤304，计算文本块与结构化语料库中多个结构化文本的匹配度。
步骤306，提取匹配度达到预设阈值的结构化文本，将结构化文本确定为会话文本对应的目标字段；目标字段包括相应的字段类别。
信息抽取模型可以是基于神经网络的智能匹配模型，信息抽取模型中预先配置了大量的结构化文本，例如可以包括医疗领域的结构化语料库等。结构化文本还可以包括相应的信息类别。
服务器响应用户终端发送的交互请求和会话信息后，对会话信息进行预处理和分词处理，得到多个会话文本。通过意图识别模型对会话信息进行意图识别，能够准确有效地识别出会话信息对应的意图类型。服务器进而已训练的信息抽取模型，将多个会话文本输入至信 息抽取模型中，通过信息抽取模型识别并提取出多个会话文本对应的目标字段信息。
具体地，结构化语料库中包括多个结构化文本以及对应的文本向量。服务器将多个会话文本输入至信息抽取模型后，提取多个会话文本对应的文本向量，计算多个关键词文本的文本向量的上下文关联性，提取上下文关联性达到阈值的会话文本，并生成会话文本对应的文本块。服务器进而提取文本块对应的文本块向量，根据文本块向量计算本块与多个结构化文本的匹配度，当匹配度达到预设阈值时，获取与会话文本相匹配的结构化文本，并将获取的结构化文本作为会话文本相对应的目标字段。目标字段还包括相应的预设的字段类别，字段类型即为目标字段的结构化文本所对应的信息类别。由于信息抽取模型中预置了大量的结构化语料库，通过利用信息抽取模型可以准确有效地获取会话信息中对应的结构化字段信息，从而能够有效提高会话信息的识别准确度。
在其中一个实施例中，如图4所示，会话信息包括系统交互信息和用户交互信息，该方法还包括以下步骤：
步骤402，若不存在与目标咨询信息相匹配的目标推送信息，根据意图类型识别目标咨询信息的缺失信息；
步骤404，根据缺失信息生成系统交互信息，将系统交互信息发送至用户终端；
步骤406，接收用户终端根据系统交互信息发送的用户交互信息；
步骤408，重复对包括系统交互信息和用户交互信息的会话信息进行预处理和分词处理的步骤，直到得到与目标咨询信息相匹配的目标推送信息，将目标推送信息发送至用户终端。
服务器响应用户终端发送的交互请求和会话信息后，对会话信息进行预处理和分词处理，得到多个会话文本。通过意图识别模型对会话信息进行意图识别，能够准确有效地识别出会话信息对应的意图类型，服务器进而通过已训练的信息抽取模型，计算多个会话文本与结构化语料库中多个结构化文本的匹配度，由此能够精准地分析出多个会话文本对应的目标字段信息，从而能够根据意图类型和目标字段信息有效地生成对应的目标咨询信息。根据目标咨询信息匹配数据库中相对应的目标推送信息，并将目标推送信息发送至对应的用户终端。
进一步地，若不存在与目标咨询信息相匹配的推送信息，服务器则根据意图类型识别目标咨询信息的缺失信息。具体地，服务器可以对会话信息进行槽位识别，识别会话信息中的槽位和槽位值。其中，槽位可以指会话信息中的关键信息属性，例如可以是服务器需要获取的关键信息；槽位值可以指会话信息中的关键信息属性对应的具体内容。例如可以是用户表达的具体关键信息。例如，“性别”对应的信息属性可以为槽位，“男”则可以为“性别”槽位对应的槽位值。服务器可以预先意图类型对应的配置槽位定义表，槽位定义表中存储了 意图类型所需的多种槽位信息。槽位信息包括槽位和相应的槽位值。服务器可以根据槽位定义表对会话信息进行关键词识别，识别出询问信息中的槽位信息。服务器根据多个槽位关键词对当前会话信息以及历史会话信息相邻的会话信息进行识别，提取与槽位定义表中槽位关键词相匹配的槽位对应的文本信息，将提取的文本信息作为识别的槽位以及对应的槽位值。
服务器进一步根据业务类型获取已训练的关系分析模型，将识别的槽位和槽位值输入至关系分析模型中，根据多个槽位识别相关联的推测槽位，计算槽位与多个推测槽位之间的关联性。提取关联性达到阈值的推测槽位，并将推测槽位作为会话信息的缺失信息。
服务器进而根据缺失信息生成系统交互信息，并将系统交互信息发送至用户终端，使得用户根据缺失信息输入相应的回复信息，并发送至服务器。服务器接收用户终端根据系统交互信息发送的用户交互信息后，重复对包括系统交互信息和用户交互信息的会话信息进行预处理和分词处理的步骤，并持续对会话信息进行目标咨询信息识别，直到得到与目标咨询信息相匹配的推送信息，并将目标推送信息发送至用户终端。通过识别用户询问信息的意图，并根据意图进一步辅助和引导用户进行深度交互，从而可以有效地获取较为全面的用户询问信息。当用户意图和会话信息比较明确时，再抽取出会话信息中结构化的医疗字段信息，有效地提高了会话信息中特定领域的结构化文本的识别准确性，从而能够准确有效地根据目标咨询信息和用户意图信息向用户推送相对应的项目推荐数据。
例如，若用户想通过交互系统获取医疗咨询信息时，用户终端通过交互系统发送咨询信息后，服务器通过意图识别模型识别用户咨询信息的意图，并通过信息抽取模型得到多个会话文本对应的目标字段信息以及目标咨询信息。根据识别得到的目标咨询信息向用户终端返回对应的答案信息或咨询引导信息，即判断出用户输入的询问信息的相关必要信息和意图明确，且是否存在于用户意图相匹配的目标推荐信息。当不存在时，服务器进一步根据信息类型和会话意图生成对应的系统交互文本，并发送至用户终端。以使得用户根据咨询引导信息进一步输入详细的询问信息，以使用户通过用户终端进一步根据回复文本输入用户交互信息。直到识别到目标咨询信息的明确程度达到预设阈值时，即识别到用户意图和目标咨询信息明确时，再抽取出所有会话信息中的结构化的医疗字段信息，并根据医疗字段信息和用户意图信息向用户推送相对应的项目推荐数据，例如项目推荐数据可以包括医疗检查项目推荐信息、疾病症状结束信息、疾病并发症信息以及健康资讯信息等。通过识别用户询问信息的意图，并根据意图进一步辅助和引导用户进行深度交互，从而可以有效地获取较为全面的用户询问信息。当用户意图和会话信息比较明确时，再抽取出会话信息中结构化的医疗字段信息，有效地提高了会话信息中特定领域的结构化文本的识别准确性，从而能够准确有效地根据医疗 字段信息和用户意图信息向用户推送相对应的项目推荐数据。
在其中一个实施例中，根据目标咨询信息匹配对应的目标推送信息的步骤包括：根据意图类型获取多个推送信息；推送信息包括相应的属性信息；根据推送信息的属性信息计算目标咨询信息与多个推送信息之间的匹配度；获取匹配度达到预设阈值的推送信息，将推送信息确定为目标推送信息，将目标推送信息发送至用户终端。
服务器的数据库中预先存储了多种项目推荐数据，例如可以包括医疗检查项目推荐信息、疾病症状结束信息、疾病并发症信息以及健康资讯信息等推送信息。
服务器响应用户终端发送的交互请求和会话信息后，对会话信息进行预处理和分词处理，得到多个会话文本。通过意图识别模型对会话信息进行意图识别，能够准确有效地识别出会话信息对应的意图类型，服务器进而通过已训练的信息抽取模型，计算多个会话文本与结构化语料库中多个结构化文本的匹配度，由此能够精准地分析出多个会话文本对应的目标字段信息，从而能够根据意图类型和目标字段信息有效地生成对应的目标咨询信息。根据目标咨询信息匹配数据库中相对应的目标推送信息。
具体地，服务器可以根据意图类型和目标字段类别获取相应的多个推荐信息。其中，推送信息包括相应的属性信息，服务器则根据推送信息的属性信息计算目标咨询信息与多个推送信息之间的匹配度，获取匹配度达到预设阈值的推送信息，并将获取的推送信息确定为目标推送信息，将目标推送信息发送至对应的用户终端。在用户意图和会话信息较明确的情况下，通过利用识别提取的结构化目标字段和用户意图，能够准确地匹配相应的推送信息，从而能够有效提高推送信息的推送准确性。
在其中一个实施例中，该方法还包括：若会话信息中包括病历图像，提取病历图像，将病历图像输入至已训练的字符识别模型；对病历图像进行预处理，得到对应的对应的灰度图像信息；对灰度图像信息进行字符切分，得到多个切分后的字符；对多个切分后的字符进行特征提取，得到对应的多个特征向量；通过字符识别模型对多个特征向量进行识别分析，得到对应的字符识别结果；将字符识别结果按照预设格式转换为对应的病历文本信息，将病历文本信息作为会话文本。
服务器的数据库中预先存储了多种项目推荐数据，例如可以包括医疗检查项目推荐信息、疾病症状结束信息、疾病并发症信息以及健康资讯信息等推送信息。字符识别模型可以是基于神经网络的机器学习模型。
用户利用对应的用户终端进行交互问答以进行医疗信息咨询时，还可以上传病历图像。服务器接收到用户终端发送的会话信息后，若识别到会话信息中包括病历图像时，服务器则 通过预设的字符识别模型对病历图像进行文本字符识别。具体地，服务器可以对病历图像中的图像格式数据进行灰度化、降噪、二值化、字符切分以及归一化等处理。服务器对病历图像进行预处理后，得到对应的灰度图像信息。服务器则对灰度图像信息进行字符切分，得到多个切分后的字符。服务器进一步对多个切分后的字符进行特征提取和降维，得到对应的多个特征向量，服务器进而通过字符识别模型多个特征向量进行识别分类，得到对应的字符识别结果。具体地，服务器计算多个字符对应的特征向量与预设字符库中预设数量的相似的多个字符，并获取相似度最高的字符，将获取的相似度最高的字符作为识别出的字符，由此得到多个字符对应的识别结果数据。通过字符识别模型对多个切分后的字符数据进行识别，能够准确有效地识别出会话信息中病历图像对应的文本字符信息，并将病历文本信息作为会话文本。
进一步地，服务器通过字符识别模型对多个特征向量进行识别分类得到识别结果数据后，还可以进一步获取预设的语义分析模型，通过语义模型对识别数据进行上下文分析和校正，进而得到校正后的字符识别结果。通过利用字符识别模型对病历图像进行识别后，进一步利用语义分析模型对识别的结果进行进一步分析和校正，由此能够有效地提高字符识别的准确率。
服务器对包括病历文本信息的会话信息进行预处理和分词处理，得到多个会话文本。通过意图识别模型对会话信息进行意图识别，由此能够准确有效地识别出会话信息对应的意图类型，服务器进而通过已训练的信息抽取模型，计算多个会话文本与结构化语料库中多个结构化文本的匹配度，由此能够精准地分析出多个会话文本对应的目标字段信息，从而能够根据意图类型和目标字段信息有效地生成对应的目标咨询信息。根据目标咨询信息匹配数据库中相对应的目标推送信息，并将目标推送信息发送至对应的用户终端。通过识别用户会话信息的意图，进而识别并抽取出会话信息中结构化的字段信息，有效地提高了会话信息中特定领域的结构化文本对应的目标咨询信息的识别准确性，从而能够精准有效地根据目标咨询信息向用户相匹配的推送信息。
在其中一个实施例中，在响应用户终端发送的交互请求之前，还包括构建信息抽取模型的步骤，该步骤具体包括：获取多个样本数据，将样本数据分为训练集和验证集，样本数据包括多个语料文本和结构化文本；将训练数据输入至预设网络模型中，根据预设网络模型训练多个语料文本和结构化文本的关联关系，并生成初始信息抽取模型；利用验证集对初始信息抽取模型进行进一步训练和验证，得到多个验证数据对应的类别概率；直到验证数据对应的类别概率在预设范围内的数量达到预设阈值时，停止训练，得到所需的信息抽取模型。
服务器在响应用户终端发送的交互请求之前，还可以预先构建和训练出信息抽取模型。样本数据包括多个语料文本和结构化文本，训练集中的样本数据可以是经过人工标注后的多个语料文本和结构化文本，验证集中是未标注的多个语料文本和结构化文本。例如，样本数据可以为医疗语料库，医疗语料库中可以包括多个类别属性对应的语料库，例如可以包括临床表现语料库、检查语料库、检验语料库、鉴别诊断语料库、并发症语料库以及药品语料库等。
具体地，服务器可以预先从本地数据库或第三方数据库中获取大量的样本数据，并将大量的样本数据生成训练集和验证集。服务器将训练数据输入至预设网络模型中，通过预设对训练集中的数据进行训练，以训练多个语料文本和结构化文本的关联关系，得到初始信息抽取模型。服务器进一步利用验证集中的数据对初始信息抽取模型进行训练，当验证集数据满足阈值的数量达到预设数量时，则停止训练，从而可以得到训练完成的信息抽取模型。
进一步的，服务器还可以将信息抽取模型发送至复核终端，以使复核终端对信息抽取模型进行复核和优化，进而得到所需的信息抽取模型。通过对大量的语料数据进行训练构建出信息抽取模型，并进一步通过复核终端对信息抽取模型进行复核和优化，能够有效地构建出准确性较高的信息抽取模型从而能够有效提高文本识别抽取的准确性。
应该理解的是，虽然图2-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图5所示，提供了一种基于人机交互的信息推送装置，包括：信息接收模块502、文本分词模块504、意图识别模块506、字段提取模块508和信息推送模块510，其中：
信息接收模块502，用于接收用户终端发送会话信息，根据会话信息识别对应的用户标识；
文本分词模块504，用于对会话信息进行预处理和分词处理，得到多个会话文本；
意图识别模块506，用于将多个会话文本输入已训练的意图识别模型，通过意图识别模型对会话信息进行意图识别，输出会话信息对应的意图类型；
字段提取模块508，用于将多个会话文本输入至已训练的信息抽取模型，计算多个会话 文本与结构化语料库中多个结构化文本的匹配度，得到多个会话文本对应的目标字段信息；根据意图类型和目标字段信息生成对应的目标咨询信息；
信息推送模块510，用于根据目标咨询信息匹配对应的目标推送信息，将目标推送信息发送至用户标识对应的用户终端。
在一个实施例中，意图识别模块506还用于提取会话信息中多个会话文本对应的关键词文本；提取多个关键词文本的文本向量，计算多个文本块向量对应多个意图事件的概率值；当概率值达到预设阈值时，获取所述概率值对应的意图事件，将意图事件确定为会话信息的用户意图信息。
在一个实施例中，字段提取模块508还用于根据多个关键词文本的文本向量计算多个会话文本的上下文关联性，提取上下文关联性达到阈值的会话文本，生成会话文本对应的文本块；计算文本块与结构化语料库中多个结构化文本的匹配度；提取匹配度达到预设阈值的结构化文本，将结构化文本确定为会话文本对应的目标字段；目标字段包括相应的字段类别。
在一个实施例中，字段提取模块508还用于若不存在与目标咨询信息相匹配的目标推送信息，根据意图类型识别目标咨询信息的缺失信息；信息推送模块510还用于根据缺失信息生成系统交互信息，将系统交互信息发送至用户终端；信息接收模块502还用于接收用户终端根据系统交互信息发送的用户交互信息；重复对包括系统交互信息和用户交互信息的会话信息进行预处理和分词处理的步骤，息推送模块510还用于直到得到与目标咨询信息相匹配的目标推送信息，将目标推送信息发送至用户终端。
在一个实施例中，信息推送模块510还用于根据意图类型获取多个推送信息；推送信息包括相应的属性信息；根据推送信息的属性信息计算目标咨询信息与多个推送信息之间的匹配度；获取匹配度达到预设阈值的推送信息，将推送信息确定为目标推送信息，将目标推送信息发送至用户终端。
在一个实施例中，该装置还包括图像信息识别模块，用于若会话信息中包括病历图像，提取病历图像，将病历图像输入至已训练的字符识别模型；对病历图像进行预处理，得到对应的灰度图像信息；对灰度图像信息进行字符切分，得到多个切分后的字符；对多个切分后的字符进行特征提取，得到对应的多个特征向量；通过字符识别模型对多个特征向量进行识别分析，得到对应的字符识别结果；将字符识别结果按照预设格式转换为对应的病历文本信息，将病历文本信息作为会话文本。
在一个实施例中，该装置还包括模型构建模块，用于获取多个样本数据，将样本数据分为训练集和验证集，样本数据包括多个语料文本和结构化文本；将训练数据输入至预设网络 模型中，根据预设网络模型训练多个语料文本和结构化文本的关联关系，并生成初始信息抽取模型；利用验证集对初始信息抽取模型进行进一步训练和验证，得到多个验证数据对应的类别概率；直到验证数据对应的类别概率在预设范围内的数量达到预设阈值时，停止训练，得到所需的信息抽取模型。
关于基于人机交互的信息推送装置的具体限定可以参见上文中对于基于人机交互的信息推送方法的限定，在此不再赘述。上述基于人机交互的信息推送装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储会话信息、推送信息等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现本申请任意一个实施例中提供的基于人机交互的信息推送方法的步骤。
本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
一种计算机设备，包括存储器和一个或多个处理器，存储器中储存有计算机可读指令，计算机可读指令被处理器执行时，使得一个或多个处理器执行以下步骤：
接收用户终端发送会话信息，根据会话信息识别用对应的户标识；
对会话信息进行预处理和分词处理，得到多个会话文本；
将多个会话文本输入已训练的意图识别模型，通过意图识别模型对会话信息进行意图识别，输出会话信息对应的意图类型；
将多个会话文本输入至已训练的信息抽取模型，计算多个会话文本与结构化语料库中多个结构化文本的匹配度，得到多个会话文本对应的目标字段信息；
根据意图类型和目标字段信息生成对应的目标咨询信息；及
根据目标咨询信息匹配对应的目标推送信息，将目标推送信息发送至用户标识对应的用 户终端。
一个或多个存储有计算机可读指令的非易失性计算机可读存储介质，计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行以下步骤：
接收用户终端发送会话信息，根据会话信息识别用对应的户标识；
对会话信息进行预处理和分词处理，得到多个会话文本；
将多个会话文本输入已训练的意图识别模型，通过意图识别模型对会话信息进行意图识别，输出会话信息对应的意图类型；
将多个会话文本输入至已训练的信息抽取模型，计算多个会话文本与结构化语料库中多个结构化文本的匹配度，得到多个会话文本对应的目标字段信息；
根据意图类型和目标字段信息生成对应的目标咨询信息；及
根据目标咨询信息匹配对应的目标推送信息，将目标推送信息发送至用户标识对应的用户终端。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (20)

  1. 一种基于人机交互的信息推送方法，所述方法包括：
    接收用户终端发送的会话信息，根据所述会话信息识别对应的用户标识；
    对所述会话信息进行预处理和分词处理，得到多个会话文本；
    将所述多个会话文本输入已训练的意图识别模型，通过所述意图识别模型对所述会话信息进行意图识别，输出所述会话信息对应的意图类型；
    将所述多个会话文本输入至已训练的信息抽取模型，计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度，得到所述多个会话文本对应的目标字段信息；
    根据所述意图类型和所述目标字段信息生成对应的目标咨询信息；及
    根据所述目标咨询信息匹配对应的目标推送信息，将所述目标推送信息发送至所述用户标识对应的用户终端。
  2. 根据权利要求1所述的方法，其特征在于，所述通过所述意图识别模型对所述会话信息进行意图识别的步骤包括：
    提取所述会话信息中多个会话文本对应的关键词文本；
    提取所述多个关键词文本的文本向量，计算多个文本块向量对应多个意图事件的概率值；及
    当概率值达到预设阈值时，获取所述概率值对应的意图事件，将所述意图事件确定为所述会话信息的用户意图信息。
  3. 根据权利要求2所述的方法，其特征在于，所述得到所述多个会话文本对应的目标字段信息的步骤包括：
    根据所述多个关键词文本的文本向量计算多个会话文本的上下文关联性，提取所述上下文关联性达到阈值的会话文本，生成所述会话文本对应的文本块；
    计算所述文本块与结构化语料库中多个结构化文本的匹配度；及
    提取所述匹配度达到预设阈值的结构化文本，将所述结构化文本确定为会话文本对应的目标字段；所述目标字段包括相应的字段类别。
  4. 根据权利要求1至3任意一项所述的方法，其特征在于，所述会话信息包括系统交互信息和用户交互信息，所述方法还包括：
    若不存在与所述目标咨询信息相匹配的目标推送信息，根据所述意图类型识别所述目标咨询信息的缺失信息；
    根据所述缺失信息生成系统交互信息，将所述系统交互信息发送至所述用户终端；
    接收所述用户终端根据所述系统交互信息发送的用户交互信息；及
    重复对包括所述系统交互信息和所述用户交互信息的会话信息进行预处理和分词处理的步骤，直到得到与所述目标咨询信息相匹配的目标推送信息，将所述目标推送信息发送至所述用户终端。
  5. 根据权利要求1所述的方法，其特征在于，所述根据所述目标咨询信息匹配对应的目标推送信息的步骤包括：
    根据所述意图类型获取多个推送信息；所述推送信息包括相应的属性信息；
    根据所述推送信息的属性信息计算所述目标咨询信息与多个推送信息之间的匹配度；及获取所述匹配度达到预设阈值的推送信息，将所述推送信息确定为目标推送信息，将所述目标推送信息发送至所述用户终端。
  6. 根据权利要求1所述的方法，其特征在于，所述方法还包括：
    若所述会话信息中包括病历图像，提取所述病历图像，将所述病历图像输入至已训练的字符识别模型；对所述病历图像进行预处理，得到对应的灰度图像信息；对所述灰度图像信息进行字符切分，得到多个切分后的字符；
    对所述多个切分后的字符进行特征提取，得到对应的多个特征向量；
    通过所述字符识别模型对所述多个特征向量进行识别分析，得到对应的字符识别结果；及
    将所述字符识别结果按照预设格式转换为对应的病历文本信息，将所述病历文本信息作为会话文本。
  7. 根据权利要求1所述的方法，其特征在于，在响应用户终端发送的交互请求之前，还包括：
    获取多个样本数据，将所述样本数据分为训练集和验证集，所述样本数据包括多个语料文本和结构化文本；
    将所述训练数据输入至预设网络模型中，根据所述预设网络模型训练多个语料文本和结构化文本的关联关系，并生成初始信息抽取模型；
    利用所述验证集对所述初始信息抽取模型进行进一步训练和验证，得到多个验证数据对应的类别概率；及
    直到所述验证数据对应的类别概率在预设范围内的数量达到预设阈值时，停止训练，得到所需的信息抽取模型。
  8. 一种基于人机交互的信息推送装置，所述装置包括：
    信息接收模块，用于接收用户终端发送会话信息，根据所述会话信息识别对应的用户标识；
    文本分词模块，用于对所述会话信息进行预处理和分词处理，得到多个会话文本；
    意图识别模块，用于将所述多个会话文本输入已训练的意图识别模型，通过所述意图识别模型对所述会话信息进行意图识别，输出所述会话信息对应的意图类型；
    字段提取模块，用于将所述多个会话文本输入至已训练的信息抽取模型，计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度，得到所述多个会话文本对应的目标字段信息；根据所述意图类型和所述目标字段信息生成对应的目标咨询信息；及
    信息推送模块，用于根据所述目标咨询信息匹配对应的目标推送信息，将所述目标推送信息发送至所述用户标识对应的用户终端。
  9. 根据权利要求8所述的装置，其特征在于，所述意图识别模块还用于提取所述会话信息中多个会话文本对应的关键词文本；提取所述多个关键词文本的文本向量，计算多个文本块向量对应多个意图事件的概率值；及当概率值达到预设阈值时，获取所述概率值对应的意图事件，将所述意图事件确定为所述会话信息的用户意图信息。
  10. 根据权利要求8所述的装置，其特征在于，所述字段提取模块还用于根据所述多个关键词文本的文本向量计算多个会话文本的上下文关联性，提取所述上下文关联性达到阈值的会话文本，生成所述会话文本对应的文本块；计算所述文本块与结构化语料库中多个结构化文本的匹配度；及提取所述匹配度达到预设阈值的结构化文本，将所述结构化文本确定为会话文本对应的目标字段；所述目标字段包括相应的字段类别。
  11. 根据权利要求8所述的装置，其特征在于，所述会话信息包括系统交互信息和用户交互信息，所述字段提取模块还用于若不存在与所述目标咨询信息相匹配的目标推送信息，根据所述意图类型识别所述目标咨询信息的缺失信息；所述信息推送模块还用于根据所述缺失信息生成系统交互信息，将所述系统交互信息发送至所述用户终端；所述信息接收模块还用于接收所述用户终端根据所述系统交互信息发送的用户交互信息；重复对包括所述系统交互信息和用户交互信息的会话信息进行预处理和分词处理的步骤，所述息推送模块还用于直到得到与所述目标咨询信息相匹配的目标推送信息，将所述目标推送信息发送至所述用户终端。
  12. 根据权利要求8所述的装置，其特征在于，所述信息推送模块还用于根据所述意图类型获取多个推送信息；所述推送信息包括相应的属性信息；根据所述推送信息的属性信息计算所述目标咨询信息与多个推送信息之间的匹配度；及获取所述匹配度达到预设阈值的推 送信息，将所述推送信息确定为目标推送信息，将所述目标推送信息发送至所述用户终端。
  13. 根据权利要求8所述的装置，其特征在于，所述装置还包括图像信息识别模块，用于若所述会话信息中包括病历图像，提取所述病历图像，将所述病历图像输入至已训练的字符识别模型；对所述病历图像进行预处理，得到对应的灰度图像信息；对所述灰度图像信息进行字符切分，得到多个切分后的字符；对所述多个切分后的字符进行特征提取，得到对应的多个特征向量；通过所述字符识别模型对所述多个特征向量进行识别分析，得到对应的字符识别结果；及将所述字符识别结果按照预设格式转换为对应的病历文本信息，将所述病历文本信息作为会话文本。
  14. 根据权利要求8所述的装置，其特征在于，所述装置还包括模型构建模块，用于获取多个样本数据，将所述样本数据分为训练集和验证集，所述样本数据包括多个语料文本和结构化文本；将所述训练数据输入至预设网络模型中，根据所述预设网络模型训练多个语料文本和结构化文本的关联关系，并生成初始信息抽取模型；利用所述验证集对所述初始信息抽取模型进行进一步训练和验证，得到多个验证数据对应的类别概率；及直到所述验证数据对应的类别概率在预设范围内的数量达到预设阈值时，停止训练，得到所需的信息抽取模型。
  15. 一种计算机设备，包括存储器和处理器，所述存储器存储有至少一条计算机可读指令，所述计算机可读指令由所述处理器加载并执行以下步骤：
    接收用户终端发送的会话信息，根据所述会话信息识别对应的用户标识；
    对所述会话信息进行预处理和分词处理，得到多个会话文本；
    将所述多个会话文本输入已训练的意图识别模型，通过所述意图识别模型对所述会话信息进行意图识别，输出所述会话信息对应的意图类型；
    将所述多个会话文本输入至已训练的信息抽取模型，计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度，得到所述多个会话文本对应的目标字段信息；
    根据所述意图类型和所述目标字段信息生成对应的目标咨询信息；及
    根据所述目标咨询信息匹配对应的目标推送信息，将所述目标推送信息发送至所述用户标识对应的用户终端。
  16. 根据权利要求15所述的计算机设备，其特征在于，所述处理器执行计算机可读指令时还执行以下步骤：提取所述会话信息中多个会话文本对应的关键词文本；提取所述多个关键词文本的文本向量，计算多个文本块向量对应多个意图事件的概率值；及当概率值达到预设阈值时，获取所述概率值对应的意图事件，将所述意图事件确定为所述会话信息的用户意图信息。
  17. 根据权利要求15所述的计算机设备，其特征在于，所述会话信息包括系统交互信息和用户交互信息，所述处理器执行计算机可读指令时还执行以下步骤：若不存在与所述目标咨询信息相匹配的目标推送信息，根据所述意图类型识别所述目标咨询信息的缺失信息；根据所述缺失信息生成系统交互信息，将所述系统交互信息发送至所述用户终端；接收所述用户终端根据所述系统交互信息发送的用户交互信息；及重复对包括所述系统交互信息和所述用户交互信息的会话信息进行预处理和分词处理的步骤，直到得到与所述目标咨询信息相匹配的目标推送信息，将所述目标推送信息发送至所述用户终端。
  18. 一种非易失性的计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机可读指令，所述计算机可读指令由处理器加载并执行以下步骤：接收用户终端发送的会话信息，根据所述会话信息识别对应的用户标识；
    对所述会话信息进行预处理和分词处理，得到多个会话文本；
    将所述多个会话文本输入已训练的意图识别模型，通过所述意图识别模型对所述会话信息进行意图识别，输出所述会话信息对应的意图类型；
    将所述多个会话文本输入至已训练的信息抽取模型，计算所述多个会话文本与结构化语料库中多个结构化文本的匹配度，得到所述多个会话文本对应的目标字段信息；
    根据所述意图类型和所述目标字段信息生成对应的目标咨询信息；及
    根据所述目标咨询信息匹配对应的目标推送信息，将所述目标推送信息发送至所述用户标识对应的用户终端。
  19. 根据权利要求18所述的存储介质，其特征在于，所述计算机可读指令被所述处理器执行时还执行以下步骤：提取所述会话信息中多个会话文本对应的关键词文本；提取所述多个关键词文本的文本向量，计算多个文本块向量对应多个意图事件的概率值；及当概率值达到预设阈值时，获取所述概率值对应的意图事件，将所述意图事件确定为所述会话信息的用户意图信息。
  20. 根据权利要求18所述的存储介质，其特征在于，所述会话信息包括系统交互信息和用户交互信息，所述计算机可读指令被所述处理器执行时还执行以下步骤：若不存在与所述目标咨询信息相匹配的目标推送信息，根据所述意图类型识别所述目标咨询信息的缺失信息；根据所述缺失信息生成系统交互信息，将所述系统交互信息发送至所述用户终端；接收所述用户终端根据所述系统交互信息发送的用户交互信息；及重复对包括所述系统交互信息和所述用户交互信息的会话信息进行预处理和分词处理的步骤，直到得到与所述目标咨询信息相匹配的目标推送信息，将所述目标推送信息发送至所述用户终端。
PCT/CN2019/116150 2019-10-12 2019-11-07 基于人机交互的信息推送方法、装置和计算机设备 Ceased WO2021068321A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910968905.0 2019-10-12
CN201910968905.0A CN110909137A (zh) 2019-10-12 2019-10-12 基于人机交互的信息推送方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
WO2021068321A1 true WO2021068321A1 (zh) 2021-04-15

Family

ID=69815357

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/116150 Ceased WO2021068321A1 (zh) 2019-10-12 2019-11-07 基于人机交互的信息推送方法、装置和计算机设备

Country Status (2)

Country Link
CN (1) CN110909137A (zh)
WO (1) WO2021068321A1 (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109408631A (zh) * 2018-09-03 2019-03-01 平安医疗健康管理股份有限公司 药品数据处理方法、装置、计算机设备和存储介质
CN113139816A (zh) * 2021-04-26 2021-07-20 北京沃东天骏信息技术有限公司 信息处理方法、装置、电子设备和存储介质
CN113342945A (zh) * 2021-05-11 2021-09-03 北京三快在线科技有限公司 一种语音会话处理方法及装置
CN113343108A (zh) * 2021-06-30 2021-09-03 中国平安人寿保险股份有限公司 推荐信息处理方法、装置、设备及存储介质
CN113609851A (zh) * 2021-07-09 2021-11-05 浙江连信科技有限公司 心理学上想法认知偏差的识别方法、装置及电子设备
CN113672719A (zh) * 2021-09-08 2021-11-19 中国平安人寿保险股份有限公司 对话辅助信息推送方法、装置、计算机设备及存储介质
CN113743129A (zh) * 2021-09-30 2021-12-03 平安科技（深圳）有限公司 基于神经网络的信息推送方法、系统、设备及介质
CN113949834A (zh) * 2021-09-01 2022-01-18 北京新氧万维科技咨询有限公司 一种视频展示方法、装置、电子设备及存储介质
CN114124860A (zh) * 2021-11-26 2022-03-01 中国联合网络通信集团有限公司 会话管理方法、装置、设备及存储介质
CN114155853A (zh) * 2021-12-08 2022-03-08 斑马网络技术有限公司 一种拒识方法、装置、设备及存储介质
CN114218363A (zh) * 2021-11-23 2022-03-22 赵运柱 基于大数据和ai的服务内容生成方法及人工智能云系统
CN114244795A (zh) * 2021-12-16 2022-03-25 北京百度网讯科技有限公司 一种信息的推送方法、装置、设备及介质
CN114297505A (zh) * 2021-12-31 2022-04-08 完美世界(北京)软件科技发展有限公司 推荐系统及推荐方法、设备、计算机可读介质
CN114548314A (zh) * 2022-03-02 2022-05-27 杭州网易再顾科技有限公司 文本匹配方法、装置、存储介质及电子设备
CN114898837A (zh) * 2022-07-12 2022-08-12 浙江口碑网络技术有限公司 药品推荐方法、服务器、用户端、存储介质及电子设备
CN115017262A (zh) * 2022-05-31 2022-09-06 上海华客信息科技有限公司 会话处理方法、系统、设备及存储介质
CN115017918A (zh) * 2022-04-13 2022-09-06 蛮牛健康管理服务有限公司 基于人工智能的养老照护对话系统
CN115080714A (zh) * 2022-05-27 2022-09-20 北京三快在线科技有限公司 会话应答方法、系统、装置及存储介质
CN115442149A (zh) * 2022-09-14 2022-12-06 曹小芳 一种基于深度学习的数据入侵分析方法及服务器
CN116383365A (zh) * 2023-06-01 2023-07-04 广州里工实业有限公司 一种基于智能制造的学习资料生成方法、系统及电子设备
CN116401551A (zh) * 2023-04-12 2023-07-07 北京百度网讯科技有限公司 模型训练方法和语言模型训练方法及装置
CN116521822A (zh) * 2023-03-15 2023-08-01 上海帜讯信息技术股份有限公司 基于5g消息多轮会话机制的用户意图识别方法和装置
CN116580408A (zh) * 2023-06-06 2023-08-11 上海任意门科技有限公司 一种图像生成方法、装置、电子设备及存储介质
CN116610790A (zh) * 2023-07-18 2023-08-18 阿里健康科技(中国)有限公司 应答数据的获取方法、装置、设备和介质
CN116860942A (zh) * 2023-07-14 2023-10-10 广州虎牙科技有限公司 信息交互方法、装置和电子设备
CN117033583A (zh) * 2023-07-24 2023-11-10 中国移动通信集团广东有限公司 一种基于数字员工的智能交互方法、装置及存储介质
CN117271778A (zh) * 2023-11-17 2023-12-22 北京水滴科技集团有限公司 基于生成式大模型的保险外呼会话信息输出方法及装置
CN118034637A (zh) * 2024-04-15 2024-05-14 青岛国创智能家电研究院有限公司 泛终端感知交互处理方法、控制装置及存储介质
CN118446307A (zh) * 2024-01-29 2024-08-06 北京槽点满满科技有限公司 基于推理对话的服务商选择系统
CN118779542A (zh) * 2024-09-11 2024-10-15 北京数慧时空信息技术有限公司 基于大语言模型的信息处理方法、装置及电子设备
CN119854628A (zh) * 2025-03-18 2025-04-18 杭州老板电器股份有限公司 一种图像拍摄交互方法及拍摄终端
CN120143989A (zh) * 2025-05-13 2025-06-13 广东省教育研究院 基于多模态交互的智慧黑板交互控制方法及系统

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597808B (zh) * 2020-04-24 2023-07-25 北京百度网讯科技有限公司 仪表盘绘制处理方法、装置、电子设备和存储介质
CN111858890B (zh) * 2020-07-23 2023-07-21 平安证券股份有限公司 基于机器人的咨询方法、咨询机器人、计算机设备及介质
CN111933291A (zh) * 2020-09-03 2020-11-13 平安国际智慧城市科技股份有限公司 医疗信息推荐装置、方法、系统、设备及可读存储介质
CN112399019A (zh) * 2020-09-16 2021-02-23 中国农业银行股份有限公司河北省分行 智能外呼方法、终端设备及可读存储介质
CN114201589A (zh) * 2020-09-17 2022-03-18 阿里巴巴集团控股有限公司 对话方法、装置、设备和存储介质
CN112307168B (zh) * 2020-10-30 2023-11-07 康键信息技术（深圳）有限公司 基于人工智能的问诊会话处理方法、装置和计算机设备
CN112364128B (zh) * 2020-11-06 2024-05-24 北京乐学帮网络技术有限公司 一种信息处理的方法、装置、计算机设备和存储介质
CN112632241A (zh) * 2020-12-16 2021-04-09 中国建设银行股份有限公司 智能会话的方法、装置、设备和计算机可读介质
CN112801721B (zh) * 2021-04-13 2021-08-10 腾讯科技（深圳）有限公司 信息处理方法、装置、电子设备及存储介质
CN113158692B (zh) * 2021-04-22 2023-09-12 中国平安财产保险股份有限公司 基于语义识别的多意图处理方法、系统、设备及存储介质
CN113239276B (zh) * 2021-05-31 2024-07-05 上海明略人工智能(集团)有限公司 一种基于会话信息确定推荐物料的方法和装置
CN113360622B (zh) * 2021-06-22 2023-10-24 中国平安财产保险股份有限公司 用户对话信息的处理方法、装置及计算机设备
CN113486661A (zh) * 2021-06-30 2021-10-08 东莞市小精灵教育软件有限公司 一种文本理解方法、系统、终端设备和存储介质
CN113590778A (zh) * 2021-06-30 2021-11-02 上海一谈网络科技有限公司 智能客服意图理解方法、装置、设备及存储介质
CN113590936B (zh) * 2021-07-02 2023-11-14 支付宝(杭州)信息技术有限公司 信息推送的方法及装置
CN113626570B (zh) * 2021-08-05 2025-07-18 北京沃东天骏信息技术有限公司 一种会话的路由方法和装置
CN114328859B (zh) * 2021-12-06 2025-12-16 腾讯科技（深圳）有限公司 目标对话文本的处理方法、装置、设备以及存储介质
CN114520826B (zh) * 2021-12-31 2024-04-05 珠海华发金融科技研究院有限公司 跨平台信息匹配方法、装置及云端智能机器人
CN114547265B (zh) * 2022-02-18 2025-06-17 慧择(成都)网络科技有限公司 一种意图识别方法、装置及电子设备
CN115514728B (zh) * 2022-09-27 2024-05-03 平安科技（深圳）有限公司 消息推送方法、装置、计算机设备及存储介质
CN115712706B (zh) * 2022-11-07 2023-09-15 贝壳找房(北京)科技有限公司 一种基于会话确定动作决策的方法及装置
CN117473066A (zh) * 2023-12-05 2024-01-30 中国工商银行股份有限公司 对话数据处理方法及装置、电子设备和可读存储介质
CN117709361B (zh) * 2024-02-06 2024-04-26 北京水滴科技集团有限公司 会话场景的模型生成方法、装置及设备
CN121051220A (zh) * 2025-11-05 2025-12-02 上海勘测设计研究院有限公司 待办事项提醒的意图识别方法、系统、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729392A (zh) * 2017-09-19 2018-02-23 广州市妇女儿童医疗中心 文本结构化方法、装置、系统和非易失性存储介质
CN108446322A (zh) * 2018-02-10 2018-08-24 灯塔财经信息有限公司 一种智能问答系统的实现方法和装置
CN109522393A (zh) * 2018-10-11 2019-03-26 平安科技（深圳）有限公司 智能问答方法、装置、计算机设备和存储介质
US20190164064A1 (en) * 2017-11-27 2019-05-30 Shanghai Xiaoi Robot Technology Co., Ltd. Question and answer interaction method and device, and computer readable storage medium
CN109857848A (zh) * 2019-01-18 2019-06-07 深圳壹账通智能科技有限公司 交互内容生成方法、装置、计算机设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110019836A (zh) * 2017-08-23 2019-07-16 中兴通讯股份有限公司 一种智能问答方法及装置
US20190114513A1 (en) * 2017-10-13 2019-04-18 International Business Machines Corporation Building cognitive conversational system associated with textual resource clustering
CN110110062B (zh) * 2019-04-30 2020-08-11 贝壳找房(北京)科技有限公司 机器智能问答方法、装置与电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729392A (zh) * 2017-09-19 2018-02-23 广州市妇女儿童医疗中心 文本结构化方法、装置、系统和非易失性存储介质
US20190164064A1 (en) * 2017-11-27 2019-05-30 Shanghai Xiaoi Robot Technology Co., Ltd. Question and answer interaction method and device, and computer readable storage medium
CN108446322A (zh) * 2018-02-10 2018-08-24 灯塔财经信息有限公司 一种智能问答系统的实现方法和装置
CN109522393A (zh) * 2018-10-11 2019-03-26 平安科技（深圳）有限公司 智能问答方法、装置、计算机设备和存储介质
CN109857848A (zh) * 2019-01-18 2019-06-07 深圳壹账通智能科技有限公司 交互内容生成方法、装置、计算机设备及存储介质

Cited By (43)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109408631A (zh) * 2018-09-03 2019-03-01 平安医疗健康管理股份有限公司 药品数据处理方法、装置、计算机设备和存储介质
CN109408631B (zh) * 2018-09-03 2023-06-20 深圳平安医疗健康科技服务有限公司 药品数据处理方法、装置、计算机设备和存储介质
CN113139816A (zh) * 2021-04-26 2021-07-20 北京沃东天骏信息技术有限公司 信息处理方法、装置、电子设备和存储介质
CN113342945A (zh) * 2021-05-11 2021-09-03 北京三快在线科技有限公司 一种语音会话处理方法及装置
CN113343108B (zh) * 2021-06-30 2023-05-26 中国平安人寿保险股份有限公司 推荐信息处理方法、装置、设备及存储介质
CN113343108A (zh) * 2021-06-30 2021-09-03 中国平安人寿保险股份有限公司 推荐信息处理方法、装置、设备及存储介质
CN113609851A (zh) * 2021-07-09 2021-11-05 浙江连信科技有限公司 心理学上想法认知偏差的识别方法、装置及电子设备
CN113949834A (zh) * 2021-09-01 2022-01-18 北京新氧万维科技咨询有限公司 一种视频展示方法、装置、电子设备及存储介质
CN113949834B (zh) * 2021-09-01 2024-06-04 北京新氧万维科技咨询有限公司 一种视频展示方法、装置、电子设备及存储介质
CN113672719A (zh) * 2021-09-08 2021-11-19 中国平安人寿保险股份有限公司 对话辅助信息推送方法、装置、计算机设备及存储介质
CN113743129A (zh) * 2021-09-30 2021-12-03 平安科技（深圳）有限公司 基于神经网络的信息推送方法、系统、设备及介质
CN113743129B (zh) * 2021-09-30 2023-09-26 平安科技（深圳）有限公司 基于神经网络的信息推送方法、系统、设备及介质
CN114218363A (zh) * 2021-11-23 2022-03-22 赵运柱 基于大数据和ai的服务内容生成方法及人工智能云系统
CN114218363B (zh) * 2021-11-23 2023-04-18 深圳市领深信息技术有限公司 基于大数据和ai的服务内容生成方法及人工智能云系统
CN114124860A (zh) * 2021-11-26 2022-03-01 中国联合网络通信集团有限公司 会话管理方法、装置、设备及存储介质
CN114155853A (zh) * 2021-12-08 2022-03-08 斑马网络技术有限公司 一种拒识方法、装置、设备及存储介质
CN114244795B (zh) * 2021-12-16 2024-02-09 北京百度网讯科技有限公司 一种信息的推送方法、装置、设备及介质
CN114244795A (zh) * 2021-12-16 2022-03-25 北京百度网讯科技有限公司 一种信息的推送方法、装置、设备及介质
CN114297505A (zh) * 2021-12-31 2022-04-08 完美世界(北京)软件科技发展有限公司 推荐系统及推荐方法、设备、计算机可读介质
CN114548314A (zh) * 2022-03-02 2022-05-27 杭州网易再顾科技有限公司 文本匹配方法、装置、存储介质及电子设备
CN114548314B (zh) * 2022-03-02 2026-03-10 杭州网易再顾科技有限公司 文本匹配方法、装置、存储介质及电子设备
CN115017918A (zh) * 2022-04-13 2022-09-06 蛮牛健康管理服务有限公司 基于人工智能的养老照护对话系统
CN115080714A (zh) * 2022-05-27 2022-09-20 北京三快在线科技有限公司 会话应答方法、系统、装置及存储介质
CN115017262A (zh) * 2022-05-31 2022-09-06 上海华客信息科技有限公司 会话处理方法、系统、设备及存储介质
CN114898837A (zh) * 2022-07-12 2022-08-12 浙江口碑网络技术有限公司 药品推荐方法、服务器、用户端、存储介质及电子设备
CN115442149A (zh) * 2022-09-14 2022-12-06 曹小芳 一种基于深度学习的数据入侵分析方法及服务器
CN116521822A (zh) * 2023-03-15 2023-08-01 上海帜讯信息技术股份有限公司 基于5g消息多轮会话机制的用户意图识别方法和装置
CN116521822B (zh) * 2023-03-15 2024-02-13 上海帜讯信息技术股份有限公司 基于5g消息多轮会话机制的用户意图识别方法和装置
CN116401551A (zh) * 2023-04-12 2023-07-07 北京百度网讯科技有限公司 模型训练方法和语言模型训练方法及装置
CN116383365A (zh) * 2023-06-01 2023-07-04 广州里工实业有限公司 一种基于智能制造的学习资料生成方法、系统及电子设备
CN116580408A (zh) * 2023-06-06 2023-08-11 上海任意门科技有限公司 一种图像生成方法、装置、电子设备及存储介质
CN116580408B (zh) * 2023-06-06 2023-11-03 上海任意门科技有限公司 一种图像生成方法、装置、电子设备及存储介质
CN116860942A (zh) * 2023-07-14 2023-10-10 广州虎牙科技有限公司 信息交互方法、装置和电子设备
CN116610790B (zh) * 2023-07-18 2023-10-10 阿里健康科技(中国)有限公司 应答数据的获取方法、装置、设备和介质
CN116610790A (zh) * 2023-07-18 2023-08-18 阿里健康科技(中国)有限公司 应答数据的获取方法、装置、设备和介质
CN117033583A (zh) * 2023-07-24 2023-11-10 中国移动通信集团广东有限公司 一种基于数字员工的智能交互方法、装置及存储介质
CN117271778A (zh) * 2023-11-17 2023-12-22 北京水滴科技集团有限公司 基于生成式大模型的保险外呼会话信息输出方法及装置
CN117271778B (zh) * 2023-11-17 2024-02-09 北京水滴科技集团有限公司 基于生成式大模型的保险外呼会话信息输出方法及装置
CN118446307A (zh) * 2024-01-29 2024-08-06 北京槽点满满科技有限公司 基于推理对话的服务商选择系统
CN118034637A (zh) * 2024-04-15 2024-05-14 青岛国创智能家电研究院有限公司 泛终端感知交互处理方法、控制装置及存储介质
CN118779542A (zh) * 2024-09-11 2024-10-15 北京数慧时空信息技术有限公司 基于大语言模型的信息处理方法、装置及电子设备
CN119854628A (zh) * 2025-03-18 2025-04-18 杭州老板电器股份有限公司 一种图像拍摄交互方法及拍摄终端
CN120143989A (zh) * 2025-05-13 2025-06-13 广东省教育研究院 基于多模态交互的智慧黑板交互控制方法及系统

Also Published As

Publication number Publication date
CN110909137A (zh) 2020-03-24

Similar Documents

Publication Publication Date Title
WO2021068321A1 (zh) 基于人机交互的信息推送方法、装置和计算机设备
CN108986908B (zh) 问诊数据处理方法、装置、计算机设备和存储介质
CN111445968B (zh) 电子病历查询方法、装置、计算机设备和存储介质
CN113157863B (zh) 问答数据处理方法、装置、计算机设备及存储介质
CN111368049B (zh) 信息获取方法、装置、电子设备及计算机可读存储介质
CN111783471B (zh) 自然语言的语义识别方法、装置、设备及存储介质
WO2020177230A1 (zh) 基于机器学习的医疗数据分类方法、装置、计算机设备及存储介质
WO2020233131A1 (zh) 问答处理方法、装置、计算机设备和存储介质
WO2020147395A1 (zh) 基于情感的文本分类处理方法、装置和计算机设备
WO2020224213A1 (zh) 语句意图识别方法、装置及计算机可读存储介质
CN112037904B (zh) 在线诊疗数据处理方法、装置、计算机设备和存储介质
CN108427722A (zh) 智能交互方法、电子装置及存储介质
CN108595695A (zh) 数据处理方法、装置、计算机设备和存储介质
CN111259112A (zh) 医疗事实的验证方法和装置
WO2021027029A1 (zh) 数据处理方法、装置、计算机设备和存储介质
WO2019232893A1 (zh) 文本的情感分析方法、装置、计算机设备和存储介质
CN111191446B (zh) 交互信息处理方法、装置、计算机设备和存储介质
WO2021159670A1 (zh) 智能问答中未知问题处理方法、装置、计算机设备和介质
CN112632258A (zh) 文本数据处理方法、装置、计算机设备和存储介质
CN111400340A (zh) 一种自然语言处理方法、装置、计算机设备和存储介质
US20240071047A1 (en) Knowledge driven pre-trained form key mapping
CN116719840A (zh) 一种基于病历后结构化处理的医疗信息推送方法
CN117577348B (zh) 一种循证医学证据的识别方法及相关装置
CN116450943A (zh) 基于人工智能的话术推荐方法、装置、设备及存储介质
CN116127087B (zh) 一种知识图谱构建方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19948388

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19948388

Country of ref document: EP

Kind code of ref document: A1