WO2021189921A1 - 医疗领域多轮对话智能问答方法、装置和计算机设备 - Google Patents

医疗领域多轮对话智能问答方法、装置和计算机设备 Download PDF

Info

Publication number
WO2021189921A1
WO2021189921A1 PCT/CN2020/132598 CN2020132598W WO2021189921A1 WO 2021189921 A1 WO2021189921 A1 WO 2021189921A1 CN 2020132598 W CN2020132598 W CN 2020132598W WO 2021189921 A1 WO2021189921 A1 WO 2021189921A1
Authority
WO
WIPO (PCT)
Prior art keywords
nth
information
description sentence
dialogue
entity
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/CN2020/132598
Other languages
English (en)
French (fr)
Inventor
梁欣
周晓峰
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 WO2021189921A1 publication Critical patent/WO2021189921A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

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
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Definitions

  • This application relates to the field of smart medical care in the field of smart cities, and in particular to a method, device and computer equipment for multi-round dialogue intelligent question answering in the medical field.
  • the dialogue systems in the general fields are easier to distinguish compared to the vertical fields, such as the weather field and the transportation field.
  • the inventor found that the coupling between entities is high.
  • diseases or symptoms such as "Can metformin treat diabetes?". How to switch the physical realm reasonably and smoothly so that multiple rounds of dialogue with users is an urgent problem to be solved.
  • the main purpose of this application is to provide a multi-round dialogue intelligent question answering method, device and computer equipment in the medical field, aiming to solve the technical problem of how to achieve accurate context switching and improve the accuracy of the question and answer during the multi-round dialogue question and answer in the medical field.
  • this application proposes a multi-round dialogue intelligent question answering method in the medical field, including:
  • N is a positive integer greater than or equal to 2;
  • Nth problem description sentence Inputting the Nth problem description sentence into a preset natural language understanding model, and extracting Nth entity information and Nth intention information, wherein the natural language understanding model includes a named entity recognition module and an intention classification module;
  • the N-1th entity information or the N-1th intention information in the N-1th question description sentence of the N-1th round of dialogue is taken as The Nth entity information or the Nth intention information uses a preset sentence completion model to complete the Nth problem description sentence to obtain a complementary problem description sentence;
  • the dialogue response output is performed according to the supplementary question description sentence.
  • this application also provides a multi-round dialogue intelligent question answering device in the medical field, including:
  • the obtaining module is used to obtain the Nth question description sentence of the Nth round of dialogue
  • the understanding module is used to input the Nth problem description sentence into a preset natural language understanding model, and extract the Nth entity information and the Nth intention information;
  • the completion module is used to, if the Nth entity information or the Nth intention information is not extracted, then the N-1th entity information or the N-1th question description sentence in the N-1th round of dialogue N-1 intention information is used as the Nth entity information or the Nth intention information, and the Nth problem description sentence is completed by using a preset sentence completion model to obtain a complementary problem description sentence;
  • the reply module is used to output the dialogue reply according to the sentence of the supplementary question description.
  • the present application also provides a computer device, including a memory and a processor, the memory stores a computer program, and when the processor executes the computer program, a method for multi-round dialogue intelligent question answering in the medical field is implemented.
  • the multi-round dialogue intelligent question answering methods in the medical field include:
  • N is a positive integer greater than or equal to 2;
  • Nth problem description sentence Inputting the Nth problem description sentence into a preset natural language understanding model, and extracting Nth entity information and Nth intention information, wherein the natural language understanding model includes a named entity recognition module and an intention classification module;
  • the N-1th entity information or the N-1th intention information in the N-1th question description sentence of the N-1th round of dialogue is taken as The Nth entity information or the Nth intention information uses a preset sentence completion model to complete the Nth problem description sentence to obtain a complementary problem description sentence;
  • the dialogue response output is performed according to the supplementary question description sentence.
  • the present application also provides a computer-readable storage medium on which a computer program is stored.
  • a computer program is stored.
  • the computer program is executed by a processor, a multi-round dialogue intelligent question answering method in the medical field is realized.
  • Dialogue intelligent question answering methods include:
  • N is a positive integer greater than or equal to 2;
  • Nth problem description sentence Inputting the Nth problem description sentence into a preset natural language understanding model, and extracting Nth entity information and Nth intention information, wherein the natural language understanding model includes a named entity recognition module and an intention classification module;
  • the N-1th entity information or the N-1th intention information in the N-1th question description sentence of the N-1th round of dialogue is taken as The Nth entity information or the Nth intention information uses a preset sentence completion model to complete the Nth problem description sentence to obtain a complementary problem description sentence;
  • the dialogue response output is performed according to the supplementary question description sentence.
  • the multi-round dialogue intelligent question answering method, device and computer equipment in the medical field of this application can better simulate the communication between people by extracting the entity information and intention information of the previous round of dialogue, even if the user uses pronouns or With some entities or intentions hidden, the context can still be inherited to make the dialogue more natural and smooth, and the user experience better.
  • FIG. 1 is a schematic flowchart of a multi-round dialogue intelligent question answering method in the medical field according to an embodiment of the application;
  • FIG. 2 is a schematic flowchart of a multi-round dialogue intelligent question answering method in the medical field according to another embodiment of this application;
  • FIG. 3 is a schematic flowchart of a multi-round dialogue intelligent question answering method in the medical field according to another embodiment of this application;
  • FIG. 4 is a schematic flowchart of a multi-round dialogue intelligent question answering method in the medical field according to another embodiment of this application;
  • FIG. 5 is a schematic flowchart of a multi-round dialogue intelligent question answering method in the medical field according to another embodiment of the application;
  • FIG. 6 is a schematic flowchart of a multi-round dialogue intelligent question answering method in the medical field according to another embodiment of this application;
  • FIG. 7 is a schematic flowchart of a multi-round dialogue intelligent question answering method in the medical field according to another embodiment of the application.
  • FIG. 8 is a schematic block diagram of the structure of a multi-round dialogue intelligent question answering device in the medical field according to an embodiment of the application;
  • FIG. 9 is a schematic block diagram of the structure of a computer device according to an embodiment of the application.
  • This application relates to the field of smart medical care in smart cities.
  • an embodiment of the present application provides a multi-round dialogue intelligent question and answer method in the medical field, which can be applied to scenarios such as remote medical consultation or self-service medical services, and includes the following steps:
  • N is a positive integer greater than or equal to 2;
  • the Nth entity information or the Nth intention information is not extracted, then the N-1th entity information or the N-1th intention information in the N-1th question description sentence of the N-1th round of dialogue
  • the information is used as the Nth entity information or the Nth intention information, and the Nth problem description sentence is completed by using a preset sentence completion model to obtain a supplementary problem description sentence;
  • the above steps are a cyclic process.
  • the first round of question description sentences must be obtained, and then multiple rounds of question and answer are completed according to the above steps.
  • the Nth (N ⁇ 2) question description sentence of the Nth round of dialogue is obtained, the Nth question description sentence is input into a preset natural language understanding model, and the Nth entity information and the Nth intention are performed.
  • Information extraction here, N refers to the number of rounds of the dialogue, one question and one answer is one round of dialogue, the question description sentence in the Nth round of dialogue is the Nth description sentence, and the question description sentence of the N-1th round of dialogue is the first N-1 problem description sentence.
  • the natural language understanding model includes a named entity recognition module and an intention classification module, the named entity recognition module is used to extract solid information, and the intention classification module is used to extract intent information.
  • the entity information or intention information of the previous round of dialogue can be selected as the entity information of the current round of dialogue or Intent information, that is, if the Nth entity information or the Nth intention information is not extracted, the N-1th entity information or the Nth-th 1 Intention information is used as the Nth entity information or the Nth intention information.
  • the preset sentence completion model is used to complete the Nth problem description sentence to obtain the completion problem description sentence.
  • the above-mentioned "sentence completion model" can be trained to complete sentences containing referential or hidden information.
  • the question-and-answer query is performed in the medical question-and-answer corpus according to the supplementary question description sentence, and the answer is output to the user.
  • the medical question and answer corpus may be a medical domain knowledge graph, which contains a large amount of medical knowledge.
  • the above-mentioned multi-round dialogue intelligent question answering method in the medical field can be applied to scenarios such as remote medical consultation or self-service medical services, such as self-service medical service APP applied to mobile terminals such as mobile phones.
  • the mobile terminal receives the Nth problem description sentence input by the user ,
  • the mobile terminal can communicate with the server side, and the processing of the subsequent steps can be completed on the mobile terminal or complete on the server side, and finally the answer to the Nth question is given.
  • the subsequent steps are completed on the server side, that is, the natural language understanding model and the sentence completion model are stored on the server side, and the answer is obtained on the server side before being transmitted to the mobile terminal for display to the user.
  • the patient asks "Can diabetes eat watermelon?”
  • the natural language understanding model extracts the corresponding entities (disease: diabetes, food: watermelon) and intention classification (intent: disease diet); the system searches the disease knowledge base to give the problem correct answer.
  • the question description sentence "Can you eat watermelon for diabetes” and the correct answer given by the system form the first round of dialogue, and "Can you eat watermelon for diabetes” is the first question description sentence.
  • the model completes the user's complete question as "Can you eat watermelon for high blood pressure?", and then extract entities (disease: high blood pressure, food: watermelon) and intention classification (disease diet) through the natural language understanding model, and continue to convey the above entity information and intention information throughout the dialogue process ,
  • the system provides the correct answer to the question by searching the disease knowledge base.
  • the third round of dialogue is considered to have started, and the patient's question can be regarded as the third question description sentence of the third round of dialogue.
  • the sentence completion model completes the user’s complete question as "Can high blood pressure be injected with dobutamine?" Buttermine)
  • the intention classification result is (intent: drug contraindications); the system searches the drug knowledge base, gives the taboo relationship, and continues to transmit entity information and intention information until the end of the N round of dialogue.
  • the method before the step of obtaining the Nth question description sentence of the Nth round of dialogue, the method includes:
  • S02. Input the first question description sentence into the natural language understanding model, and extract the first entity information and the first intention information to obtain the first entity information and the first intention information.
  • the first question description sentence is first obtained, and the first question description sentence refers to the first question sentence of the first round of the user’s multiple rounds of dialogue.
  • the first question description sentence is generally Complete, that is, there will be no omitted entity information or context information.
  • entity information and intention information are extracted from the first question sentence through the natural language understanding model to obtain the first entity information and the first intention information. If the entity information or intention information is not extracted through the extraction of the model, the user can be required to complete the relevant information, or the relevant information can be completed by means of automatic judgment and confirmed by the user.
  • the user's common question and answer entity information or intention information can be determined by querying the user's historical question and answer data as the first entity information or first intention information.
  • the first problem description sentence is input to the natural language understanding model, and the first entity information and the first intention information are extracted to obtain the first entity information and the first entity information.
  • the steps of an intention information include:
  • S022 Input the first question description sentence into the intention classification module for intention classification, and obtain the first intention information.
  • the natural language understanding model includes a named entity recognition module and an intention classification module, where the named entity module is used for entity extraction and the intention classification module is used for intention separation.
  • NER Named Entity Recognition
  • NLP Natural Language Processing
  • identifying named referents from text to pave the way for tasks such as relation extraction In a narrow sense, three types of named entities are identified: names of persons, names of places, and names of organizations (time, currency names, and other types of entities with obvious composition rules can be identified by regular methods).
  • NLP Natural Language Processing
  • NER Long Short Memory Network, long short-term memory network
  • CRF Conditional Random Fields, conditional random field
  • Intention classification that is, intention recognition is to classify sentences or queries we often call into corresponding intention types through classification.
  • Common intent classification methods include rule-based classification methods and model-based classification methods.
  • the step of inputting the first problem description sentence into the named entity recognition module for entity extraction, and obtaining the first entity information includes:
  • BERT+BILTSM+CRF is used for named entity recognition.
  • BERT Bidirectional Encoder Representations The from Transformers
  • the BERT+BILTSM+CRF model uses the BERT model to replace the original word embedding part, uses BERT for semantic encoding, and BiLSTM+CRF for decoding.
  • the algorithm of the BERT model can better identify the colloquial symptoms, which is very suitable for the entity recognition of medical knowledge question and answer, and the entity recognition has high accuracy.
  • the step of inputting the first problem description sentence into the intent classification module for intent classification, and obtaining the first intent information includes:
  • a two-way GRU GPU Recurrent Unit
  • the use of the two-way GRU model can solve the problem of LSTM and GRU advancing from left to right, and the subsequent input is more important than the previous one, which can more completely capture the context information and make the accuracy of intent classification higher.
  • the step of using a preset sentence completion model to complete the Nth problem description sentence, and obtaining a complementary problem description sentence includes:
  • Nth problem description sentence lacks entity information
  • use the N-1th entity information as the Nth entity information and use the sentence completion model to score the position of the Nth entity information , Determining the position of the Nth entity information according to the scoring result of the position scoring, and obtaining a supplementary question description sentence;
  • Nth question description sentence lacks intention information
  • use the N-1th intention information as the Nth intention information and use the sentence completion model to score the position of the Nth intention information , Determining the position of the Nth entity information according to the scoring result of the position scoring, and obtaining a supplementary question description sentence.
  • the entity information or intention information of the last round of problem description sentence will be used as the problem description sentence of the current round.
  • Entity information or intention information Then complete the entity information or intent information.
  • the deep learning model is used to score the position. , Select the entity information or intention information position with the highest score to determine the description sentence of the supplementary problem.
  • the model selects a transformer as an encoder (encoder) and a decoder (decoder), and the input of the encoder is word embedding, position embedding, and the aforementioned entity information and intention information.
  • a parameter ⁇ is set to control whether the statement needs to be rewritten.
  • the decoding result is normalized through the softmax layer to obtain a score containing the confidence of the entity or intent location information, and the supplementary problem description sentence is determined according to the entity information or intent information location with the highest score.
  • the method further includes:
  • N is not greater than the preset value or the previous N-1 rounds of dialogue time is not greater than the specified value, execute input of the Nth question description sentence into the preset natural language understanding model, and perform the Nth entity information and the Nth Intent information extraction, wherein the natural language understanding model includes the steps of a named entity recognition module and an intent classification module.
  • the conditions for resetting the number of dialogue rounds are set in this embodiment.
  • the number of dialogue rounds is greater than the preset value or the dialogue time has lasted for a specified time, the number of dialogue rounds can be reset, which is equivalent to the system thinking that the dialogue restarts from the first round. If entity information or intention information is missing in the problem description sentence entered by the user afterwards, the user can be prompted to actively complete it. This operation can reduce the entity or intention distortion that may be caused by too many rounds of dialogue, improve the overall accuracy of multiple rounds of dialogue, and avoid excessive information and confusion in the dialogue.
  • the preset value is 15, and the specified value is 5 min.
  • step S2 is started.
  • FIG. 7 shows the complete steps of the multi-round dialogue intelligent question answering method in the medical field based on the above logic in this embodiment.
  • Step S4 before the step of outputting the dialogue response according to the supplementary question description sentence, it is also possible to generate whether the supplementary question description sentence is the user's intention to confirm the interaction option, and execute it if an instruction of affirmative intention is received Step S4, if a negative intention instruction is received, the user is prompted to actively complete the question description sentence, and then the response is output according to the question description sentence actively completed by the user.
  • the relevant data of the natural language understanding model and sentence completion model can be stored in the blockchain, and the above-mentioned multi-round dialogue intelligent question answering method in the medical field is implemented in the blockchain network.
  • Blockchain is a new application mode of computer technology such as distributed data storage, point-to-point transmission, consensus mechanism, and encryption algorithm.
  • Blockchain essentially a decentralized database, is a series of data blocks associated with cryptographic methods. Each data block contains a batch of network transaction information for verification. The validity of the information (anti-counterfeiting) and the generation of the next block.
  • the blockchain can include the underlying platform of the blockchain, the platform product service layer, and the application service layer.
  • the underlying platform of the blockchain can include processing modules such as user management, basic services, smart contracts, and operation monitoring.
  • the user management module is responsible for the identity information management of all blockchain participants, including the maintenance of public and private key generation (account management), key management, and maintenance of the correspondence between the user’s real identity and the blockchain address (authority management), etc.
  • authorization supervise and audit certain real-identity transactions, and provide risk control rule configuration (risk control audit); basic service modules are deployed on all blockchain node devices to verify the validity of business requests, After completing the consensus on the valid request, it is recorded on the storage.
  • the basic service For a new business request, the basic service first performs interface adaptation analysis and authentication processing (interface adaptation), and then encrypts the business information through the consensus algorithm (consensus management), After encryption, it is completely and consistently transmitted to the shared ledger (network communication), and recorded and stored; the smart contract module is responsible for contract registration and issuance, contract triggering and contract execution.
  • interface adaptation interface adaptation
  • consensus algorithm consensus algorithm
  • the smart contract module is responsible for contract registration and issuance, contract triggering and contract execution.
  • the operation monitoring module is mainly responsible for the deployment of the product release process , Configuration modification, contract settings, cloud adaptation, and visual output of real-time status during product operation, such as: alarms, monitoring network conditions, monitoring node equipment health status, etc.
  • the multi-round dialogue intelligent question answering method in the medical field of the embodiment of this application can better simulate the communication between people by extracting the entity information and intention information of the previous round of dialogue, even if the user uses pronouns or is hidden Some entities or intentions can still inherit the context, making the dialogue more natural and smooth, and the user experience better.
  • an embodiment of the present application also provides a multi-round dialogue intelligent question answering device in the medical field, including:
  • the obtaining module 1 is used to obtain the Nth question description sentence of the Nth round of dialogue
  • the understanding module 2 is used for inputting the Nth problem description sentence into a preset natural language understanding model, and extracting the Nth entity information and the Nth intention information;
  • the completion module 3 is used to, if the Nth entity information or the Nth intention information is not extracted, then the N-1th entity information in the N-1th question description sentence of the N-1th round of dialogue or The N-1th intention information is used as the Nth entity information or the Nth intention information, and the Nth problem description sentence is completed by using a preset sentence completion model to obtain a complementary problem description sentence;
  • the reply module 4 is used for outputting a dialogue reply according to the sentence of the supplementary question description.
  • the understanding module 2 includes:
  • the named entity extraction module is used to perform entity extraction to obtain the first entity information
  • the intention classification module is used to classify intentions to obtain the first intention information.
  • the named entity extraction module includes:
  • the BERT unit is used to perform word segmentation processing on the first problem description sentence, and input the word segmentation result into a preset BERT model for semantic encoding to obtain a semantically encoded word vector;
  • the BILTSM unit is used to input the semantic coding result into the BILTSM model to obtain a hidden vector
  • the CRF unit is used to input the hidden vector into the CRF model for decoding to obtain the first entity information.
  • the intention classification module includes:
  • the two-way GRU unit is used to perform word segmentation processing on the first problem description sentence, and input the word segmentation result into a preset two-way GRU model for feature extraction;
  • the softmax unit is used to perform word segmentation processing on the first problem description sentence, and input the word segmentation result into a preset two-way GRU model for feature extraction;
  • the feature extraction result is input to the softmax layer for intent classification, and the first intent information is obtained.
  • the completion module 3 includes:
  • the entity information completion unit is configured to, if the Nth problem description sentence lacks entity information, use the N-1th entity information as the Nth entity information, and use the sentence completion model to compare the
  • the N entity information may perform a scoring judgment at the position of the Nth problem description sentence, determine the position of the Nth entity information, and obtain a complementary problem description sentence;
  • the intention information completion unit is configured to, if the Nth problem description sentence lacks intention information, use the N-1th intention information as the Nth intention information, and use the sentence completion model to compare the
  • the N intention information may be scored and judged at the position of the Nth question description sentence, and the position of the Nth entity information may be determined to obtain the supplementary question description sentence.
  • the multi-round dialogue intelligent question answering device in the medical field further includes:
  • the judgment module is used to judge whether N is greater than a preset value or whether the conversation time of the previous N-1 rounds is greater than a specified value
  • the reset module is used to reset the number of dialogue rounds if N is greater than a preset value or the previous N-1 rounds of dialogue time is greater than a specified value.
  • the components of the multi-round dialogue intelligent question answering device in the medical field proposed in this application can realize the functions of any one of the above-mentioned multi-round dialogue intelligent question answering methods in the medical field, and the specific structure is no longer Go into details.
  • an embodiment of the present application also provides a computer device.
  • the computer device may be a server, and its internal structure may be as shown in FIG. 9.
  • the computer equipment includes a processor, a memory, a network interface, and a database connected through a system bus. Among them, the processor designed by the computer is used to provide calculation and control capabilities.
  • the memory of the computer device includes a non-volatile storage medium and an internal memory.
  • the non-volatile storage medium stores an operating system, a computer program, and a database.
  • the memory provides an environment for the operation of the operating system and the computer program in the non-volatile storage medium.
  • the database of the computer equipment is used for data such as entity information and intention information.
  • the network interface of the computer device is used to communicate with an external terminal through a network connection.
  • the computer program is executed by the processor to realize a multi-round dialogue intelligent question answering method in the medical field.
  • N is a positive integer greater than or equal to 2;
  • Nth problem description sentence Inputting the Nth problem description sentence into a preset natural language understanding model, and extracting Nth entity information and Nth intention information, wherein the natural language understanding model includes a named entity recognition module and an intention classification module;
  • the N-1th entity information or the N-1th intention information in the N-1th question description sentence of the N-1th round of dialogue is taken as The Nth entity information or the Nth intention information uses a preset sentence completion model to complete the Nth problem description sentence to obtain a complementary problem description sentence;
  • the dialogue response output is performed according to the supplementary question description sentence.
  • An embodiment of the present application also provides a computer-readable storage medium.
  • the computer-readable storage medium may be non-volatile or volatile.
  • a computer program is stored thereon. When the computer program is executed by a processor, A multi-round dialogue intelligent question answering method in the medical field is implemented.
  • the multi-round dialogue intelligent question answering method in the medical field includes the following steps:
  • N is a positive integer greater than or equal to 2;
  • Nth problem description sentence Inputting the Nth problem description sentence into a preset natural language understanding model, and extracting Nth entity information and Nth intention information, wherein the natural language understanding model includes a named entity recognition module and an intention classification module;
  • the N-1th entity information or the N-1th intention information in the N-1th question description sentence of the N-1th round of dialogue is taken as The Nth entity information or the Nth intention information uses a preset sentence completion model to complete the Nth problem description sentence to obtain a complementary problem description sentence;
  • the dialogue response output is performed according to the supplementary question description sentence.
  • Non-volatile memory may include read only memory (ROM), programmable ROM (PROM), electrically programmable ROM (EPROM), electrically erasable programmable ROM (EEPROM), or flash memory.
  • Volatile memory may include random access memory (RAM) or external cache memory.
  • RAM is available in many forms, such as static RAM (SRAM), dynamic RAM (DRAM), synchronous DRAM (SDRAM), dual-rate SDRAM (SSRSDRAM), enhanced SDRAM (ESDRAM), synchronous Link (Synchlink) DRAM (SLDRAM), memory bus (Rambus) direct RAM (RDRAM), direct memory bus dynamic RAM (DRDRAM), and memory bus dynamic RAM (RDRAM), etc.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Machine Translation (AREA)

Abstract

一种医疗领域多轮对话智能问答方法包括：获取第N问题描述语句；将第N问题描述语句输入到自然语言理解模型，进行实体信息和意图信息抽取；若未抽取到实体信息或意图信息，则将第N-1问题描述语句中的实体信息或意图信息作为实体信息或意图信息进行补全，得到补全问题描述语句，进行对话答复输出。该方法通过抽取上一轮对话的实体信息和意图信息，可以更好模拟人的交流，即便用户使用了指代词或者是隐去了一些实体或者意图，仍然能通过继承上下文语境，使对话更自然更流畅，用户体验更佳。该方法还涉及区块链技术，在区块链中实现所述医疗领域多轮对话智能问答方法。

Description

医疗领域多轮对话智能问答方法、装置和计算机设备
本申请要求于2020年10月19日提交中国专利局、申请号为202011118109.7，发明名称为“医疗领域多轮对话智能问答方法、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
本申请涉及到智慧城市领域的智慧医疗领域，特别是涉及到一种医疗领域多轮对话智能问答方法、装置和计算机设备。
 背景技术
近年来，互联网医疗兴起，患者获取相关医疗信息的方式，从原来的网页搜索改为向集成了更多更全面专业医疗知识和功能的产品获取资讯。因此市面上也出现了一些医疗领域的对话机器人帮助用户快速的定位问题以及解答问答。
这些对话产品大多都是单轮对话的形式，和人的交互是一问一答。但是真实场景中，人与人在交互时，有70%概率会通过指代甚至隐去相关信息的方式去交流沟通，只有30%左右的句子是完整的语义表示。举例说，A：“今天上海天气怎样”，B：“今天（上海）天气很好”，A：“那（上海）附近有什么可以游玩的吗？”B：“可以去滴水湖玩一玩”。在沟通过程中，人往往可以通过联系对话的上下文情景，合理推测，继续对话。
通用领域的对话系统由于领域与领域之间的差异性，所以相比垂直领域，较容易区分，比如天气领域与交通出行领域。然而在医疗领域，发明人发现，实体之间的耦合性较高，用户在询问药品时，往往也带有疾病或者症状等其他医疗实体的信息，如“二甲双胍能治疗糖尿病吗？”。如何合理且顺畅的切换实体领域，使得与用户进行多轮的对话即是亟待解决的问题。
 技术问题
本申请的主要目的为提供一种医疗领域多轮对话智能问答方法、装置和计算机设备，旨在解决医疗领域多轮对话问答时，如何实现语境准确切换，提高问答准确率的技术问题。
 技术解决方案
为了实现上述发明目的，第一方面，本申请提出一种医疗领域多轮对话智能问答方法，包括：
获取第N轮对话的第N问题描述语句，其中N为大于等于2的正整数；
将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块；
若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
根据所述补全问题描述语句进行对话答复输出。
第二方面，本申请还提供一种医疗领域多轮对话智能问答装置，包括：
获取模块，用于获取第N轮对话的第N问题描述语句；
理解模块，用于将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取；
补全模块，用于若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
答复模块，用于根据所述补全问题描述语句进行对话答复输出。
第三方面，本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种医疗领域多轮对话智能问答方法，所述医疗领域多轮对话智能问答方法包括：
获取第N轮对话的第N问题描述语句，其中N为大于等于2的正整数；
将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块；
若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
根据所述补全问题描述语句进行对话答复输出。
第四方面，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种医疗领域多轮对话智能问答方法，所述医疗领域多轮对话智能问答方法包括：
获取第N轮对话的第N问题描述语句，其中N为大于等于2的正整数；
将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块；
若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
根据所述补全问题描述语句进行对话答复输出。
 有益效果
本申请的医疗领域多轮对话智能问答方法、装置和计算机设备，通过抽取上一轮对话的实体信息和意图信息，可以更好模拟人与人之间的交流，即便用户使用了指代词或者是隐去了一些实体或者意图，仍然能通过继承上下文语境，使得对话更自然更流畅，用户体验更佳。
 附图说明
图1为本申请一实施例的医疗领域多轮对话智能问答方法的流程示意图；
图2为本申请另一实施例的医疗领域多轮对话智能问答方法的流程示意图；
图3为本申请另一实施例的医疗领域多轮对话智能问答方法的流程示意图；
图4为本申请另一实施例的医疗领域多轮对话智能问答方法的流程示意图；
图5为本申请另一实施例的医疗领域多轮对话智能问答方法的流程示意图；
图6为本申请另一实施例的医疗领域多轮对话智能问答方法的流程示意图；
图7为本申请另一实施例的医疗领域多轮对话智能问答方法的流程示意图；
图8为本申请一实施例的医疗领域多轮对话智能问答装置的结构示意框图；
图9为本申请一实施例的计算机设备的结构示意框图。
 本发明的最佳实施方式
为了使本申请的目的、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。
本申请涉及智慧城市中的智慧医疗领域。参照图1，本申请实施例中提供一种医疗领域多轮对话智能问答方法，可以应用于远程医疗问诊或自助医疗服务等场景，包括步骤：
S1、获取第N轮对话的第N问题描述语句，其中N为大于等于2的正整数；
S2、将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块；
S3、若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
S4、根据所述补全问题描述语句进行对话答复输出。
如上述步骤S1-S4所述，上述步骤是一个循环的过程，首先要获得第一轮的问题描述语句，然后根据上述步骤完成多轮问答。具体地，在获取到第N轮对话的第N（N≥2）问题描述语句时，将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，此处，N是指对话的轮数，一问一答为一轮对话，第N轮对话中的问题描述语句为第N描述语句，第N-1轮对话的问题描述语句为第N-1问题描述语句。其中所述自然语言理解模型包括命名实体识别模块和意图分类模块，所述命名实体识别模块用于对实心信息进行抽取，所述意图分类模块用于对意图信息进行抽取。
在真实对话场景中，用户常常会隐藏掉上一轮对话出现过的实体信息或意图信息。若上述信息抽取的过程中没有抽取到相关信息，则说明实体信息或意图信息被隐藏或指代了，此时，可以选择上一轮对话的实体信息或意图信息作为本轮对话的实体信息或意图信息，即若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息。然后利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句。上述“语句补全模型”通过训练，可以将含有指代或者隐藏信息的句子补全。
最后，根据补全问题描述语句在医疗问答语料库中进行问答查询，输出答案给用户。所述医疗问答语料库可以是医疗领域知识图谱，包含大量的医学知识。
上述的医疗领域多轮对话智能问答方法，可以应用于远程医疗问诊或自助医疗服务等场景，例如应用于移动终端例如手机等的自助医疗服务APP，移动终端接收用户输入的第N问题描述语句，移动终端可以于服务端通讯连接，后续步骤的处理过程可以在移动终端完成也可以在服务端完整，最终给出第N问题的答案。优选地，后续步骤在服务端完成，也就是说所述自然语言理解模型和语句补全模型储存于服务端，在服务端获取答案后再传输给移动终端展示给用户。
下面为了方便理解，以一个实际的案例举例说明。
例如，患者提问 “糖尿病可不可以吃西瓜？”，自然语言理解模型抽取相应实体（疾病：糖尿病，食物：西瓜）和意图分类（意图：疾病饮食）；系统通过搜索疾病知识库，给出问题的正确答案。此时，“糖尿病可不可以吃西瓜”的问题描述语句以及系统给出的正确答案组成第一轮对话，“糖尿病可不可以吃西瓜”即为第一问题描述语句。
若患者同时患有高血压，患者继续提问“那高血压呢？”。此时，即认为第二轮对话开始，患者的提问即可认为是第二轮对话的第二问题描述语句。上文中的实体信息“糖尿病和西瓜”，意图信息“疾病饮食”，以及当前用户的输入“那高血压呢？”，会作为“语句补全模型”的输入，模型补齐用户的完整提问为“高血压可不可以吃西瓜？”，然后再经过自然语言理解模型抽取实体（疾病：高血压，食物：西瓜）和意图分类（疾病饮食），继续在整个对话流程中传递上述实体信息和意图信息，系统通过搜索疾病知识库，给出问题的正确答案。
若患者继续提问“能注射多巴酚丁胺吗？”此时，即认为第三轮对话开始，患者的提问即可认为是第三轮对话的第三问题描述语句。根据传递的实体信息和意图信息和输入数据，语句补全模型补全用户的完整提问为“高血压能注射多巴酚丁胺吗？”，抽取实体结果为（疾病：高血压，药品：多巴酚丁胺），意图分类结果为（意图：药物禁忌）；系统通过搜索药品知识库，给出禁忌关系，并继续传递实体信息和意图信息，直到N轮对话结束。
如图2所示，在一个实施例中，所述获取第N轮对话的第N问题描述语句的步骤之前，包括：
S01、获取第一轮对话的第一问题描述语句，根据第一问题描述语句进行对话答复输出；
S02、将所述第一问题描述语句输入到所述自然语言理解模型，进行第一实体信息和第一意图信息抽取，得到第一实体信息和第一意图信息。
如上所述，首先获取第一问题描述语句，所述第一问题描述语句是指用户进行多轮对话的第一轮对话的第一个问题语句，此时，所述第一问题描述语句一般是完整的，即不会有省略掉的实体信息或语境信息。然后通过所述自然语言理解模型对所述第一问题语句进行实体信息和意图信息的抽取得到第一实体信息和第一意图信息。如果通过模型的抽取，没有抽取到实体信息或意图信息，则可以要求用户补全相关信息，也可以通过自动判断的方式补全相关信息，并由用户确认。例如，可以通过查询用户历史的问答数据确定用户的常用问答实体信息或意图信息，作为第一实体信息或第一意图信息。
如图3所示，在一个实施例中，所述将所述第一问题描述语句输入到所述自然语言理解模型，进行第一实体信息和第一意图信息抽取，得到第一实体信息和第一意图信息的步骤包括：
S021、将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息；
S022、将所述第一问题描述语句输入所述意图分类模块进行意图分类，得到所述第一意图信息。
如上所述，在自然语言理解模型中包含命名实体识别模块和意图分类模块，其中命名实体模块用于实体抽取，意图分类模块用于意图分离。命名实体识别（Named Entity Recognition, NER）是 NLP（Natural Language Processing，自然语言处理） 里的一项很基础的任务，就是指从文本中识别出命名性指称项，为关系抽取等任务做铺垫。狭义上，是识别出人名、地名和组织机构名这三类命名实体（时间、货币名称等构成规律明显的实体类型可以用正则等方式识别）。当然，在特定领域中，会相应地定义领域内的各种实体类型。目前常用机器学习模型来实现NER，如LSTM（Long Short Memory Network，长短期记忆网络）模型和CRF（Conditional Random Fields，条件随机场）模型等。意图分类也就是意图识别是通过分类的办法将句子或者我们常说的query分到相应的意图种类。常见的意图分类方法有基于规则的分类方法和基于模型的分类方法。
如图4所示，在一个具体的实施例中，所述将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息的步骤包括：
S0211、将所述第一问题描述语句进行分词处理，将分词结果输入到预设的BERT模型进行语义编码，得到语义编码的词向量；
S0212、将所述语义编码结果输入到BILTSM模型，得到隐藏向量；
S0213、将所述隐藏向量输入到CRF模型进行解码，得到所述第一实体信息。
如上所述，在本实施例中，使用了BERT+BILTSM+CRF进行命名实体识别。BERT（Bidirectional Encoder Representations from Transformers）模型是一个预训练的语言模型，在各种NLP任务上都有非常优异的表现。在应该过程中，需要使用医学问答预料对预训练的BERT模型进行微调。BERT+BILTSM+CRF模型相比于传统命名实体识别的BiLSTM+CRF模型，用BERT模型代替了原来的词嵌入部分，利用BERT来进行语义编码，BiLSTM+CRF进行解码。BERT模型的算法能较好地识别口语化症状，非常适用于医疗知识问答的实体识别，实体识别准确度高。
如图5所示，在一个具体的实施例中，所述将所述第一问题描述语句输入所述意图分类模块进行意图分类，得到所述第一意图信息的步骤包括：
S0221、将所述第一问题描述语句进行分词处理，将分词结果输入到预设的双向GRU模型进行特征提取；
S0222、将所述特征提取结果输入到softmax层进行意图分类，得到所述第一意图信息。
如上所述，在本实施例中，采取了双向GRU(Gated Recurrent Unit)模型来学习语句的高维度特征，然后利用softmax进行意图分类。采用双向GRU模型可以解决LSTM和GRU从左往右推进，后面的输入比前面更重要的问题，可以更加完整捕捉上下文信息，使意图分类的准确性更高。
如图6所示，在一个实施例中，所述利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句的步骤包括：
S31、若所述第N问题描述语句缺少实体信息，则将所述第N-1实体信息作为所述第N实体信息，并利用所述语句补全模型对所述第N实体信息进行位置评分，根据所述位置评分的评分结果确定所述第N实体信息的位置，得到补全问题描述语句；
S32、若所述第N问题描述语句缺少意图信息，则将所述第N-1意图信息作为所述第N意图信息，并利用所述语句补全模型对所述第N意图信息进行位置评分，根据所述位置评分的评分结果确定所述第N实体信息的位置，得到补全问题描述语句。
如上所述，在第N问题描述语句经过自然语言理解模型中处理后，若发现缺少实体信息或意图信息，则将上一轮问题描述语句的实体信息或意图信息作为本轮的问题描述语句的实体信息或意图信息。然后对实体信息或意图信息进行补全，可以利用预设的规则进行位置补全，也可以利用深度学习模型评分的方法进行补全，本实施例中采取了使用深度学习模型的对位置进行评分，选择评分最高的实体信息或意图信息位置来确定所述补全问题描述语句。具体地，模型选择transformer作为encoder（编码器）和decoder(解码器)，encoder的输入为word embedding、position embedding和上述的实体信息和意图信息。在decoder模块中，设置了一个参数λ来控制语句是否需要改写。最后经过softmax层对解码结果进行归一化，得到包含实体或意图位置信息的置信度的评分，根据评分最高的实体信息或意图信息位置来确定所述补全问题描述语句。用户的输入在经过该模型后，再被送入自然语言理解模块，从而提高意图识别的召回率和准确率。
在一个实施例中，所述获取第N轮对话的第N问题描述语句的步骤之后还包括：
S11、判断N是否大于预设值或前N-1轮的对话时间是否大于指定值；
S12、若N大于预设值或前N-1轮对话时间大于指定值，则将对话轮数重置；
S13、若N不大于预设值或前N-1轮对话时间不大于指定值，则执行将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块的步骤。
如上所述，为了模拟真实交流语境的对话记忆，在本实施例中设置了对话轮数重置的条件。在对话轮数大于预设值或者对话时间已经持续了指定时间时，可以将对话轮数重置，相当于系统认为从第一轮重新开始对话。之后用户输入的问题描述语句中如果缺少实体信息或者意图信息，可以提示用户进行主动补全。这样操作可以减少过多轮数的对话可能导致的实体或意图曲解，提高多轮对话整体的准确性，避免信息过多，产生对话混乱。在一个优选地实施例中，所述预设值为15，所述指定值为5min。即在对话轮数达到15轮或者对话已经持续了5分钟时，将对话轮数重置，认为从第一轮重新开始对话；当对话轮数N不大于预设值或前N-1轮对话时间不大于指定值时，则开始执行步骤S2。图7中示出了本实施例中基于以上逻辑的医疗领域多轮对话智能问答方法的完整步骤。
在一个实施例中，在所述根据所述补全问题描述语句进行对话答复输出的步骤之前还可以生成补全问题描述语句是否为用户本意的确认交互选项，如果接收到肯定意图的指令则执行步骤S4，如果接收到否定意图的指令，则提示用户主动补全问题描述语句，然后根据用户主动补全的问题描述语句进行答复输出。
在一个实施例中，所述自然语言理解模型和语句补全模型的的相关数据均可以存储与区块链中，在区块链网络中实现如上所述的医疗领域多轮对话智能问答方法。
如上所述，区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层。
区块链底层平台可以包括用户管理、基础服务、智能合约以及运营监控等处理模块。其中，用户管理模块负责所有区块链参与者的身份信息管理，包括维护公私钥生成(账户管理)、密钥管理以及用户真实身份和区块链地址对应关系维护(权限管理)等，并且在授权的情况下，监管和审计某些真实身份的交易情况，提供风险控制的规则配置(风控审计)；基础服务模块部署在所有区块链节点设备上，用来验证业务请求的有效性，并对有效请求完成共识后记录到存储上，对于一个新的业务请求，基础服务先对接口适配解析和鉴权处理(接口适配)，然后通过共识算法将业务信息加密(共识管理)，在加密之后完整一致的传输至共享账本上(网络通信)，并进行记录存储；智能合约模块负责合约的注册发行以及合约触发和合约执行，开发人员可以通过某种编程语言定义合约逻辑，发布到区块链上(合约注册)，根据合约条款的逻辑，调用密钥或者其它的事件触发执行，完成合约逻辑，同时还提供对合约升级注销的功能；运营监控模块主要负责产品发布过程中的部署、配置的修改、合约设置、云适配以及产品运行中的实时状态的可视化输出，例如：告警、监控网络情况、监控节点设备健康状态等。
本申请实施例的医疗领域多轮对话智能问答方法，通过抽取上一轮对话的实体信息和意图信息，可以更好模拟人与人之间的交流，即便用户使用了指代词或者是隐去了一些实体或者意图，仍然能通过继承上下文语境，使得对话更自然更流畅，用户体验更佳。
参照图8，本申请实施例中还提供一种医疗领域多轮对话智能问答装置，包括：
获取模块1，用于获取第N轮对话的第N问题描述语句；
理解模块2，用于将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取；
补全模块3，用于若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
答复模块4，用于根据所述补全问题描述语句进行对话答复输出。
在一个实施例中，所述理解模块2包括：
命名实体抽取模块，用于进行实体抽取，得到所述第一实体信息；
意图分类模块，用于进行意图分类，得到所述第一意图信息。
在一个具体的实施例中，所述命名实体抽取模块包括：
BERT单元，用于将所述第一问题描述语句进行分词处理，将分词结果输入到预设的BERT模型进行语义编码，得到语义编码的词向量；
BILTSM单元，用于将所述语义编码结果输入到BILTSM模型，得到隐藏向量；
CRF单元，用于将所述隐藏向量输入到CRF模型进行解码，得到所述第一实体信息。
在一个具体的实施例中，所述意图分类模块包括：
双向GRU单元，用于将所述第一问题描述语句进行分词处理，将分词结果输入到预设的双向GRU模型进行特征提取；
softmax单元，用于将所述第一问题描述语句进行分词处理，将分词结果输入到预设的双向GRU模型进行特征提取；
将所述特征提取结果输入到softmax层进行意图分类，得到所述第一意图信息。
在一个实施例中，所述补全模块3包括：
实体信息补全单元，用于若所述第N问题描述语句缺少实体信息，则将所述第N-1实体信息作为所述第N实体信息，并利用所述语句补全模型对所述第N实体信息可能在所述第N问题描述语句的位置进行评分判断，确定所述第N实体信息的位置，得到补全问题描述语句；
意图信息补全单元，用于若所述第N问题描述语句缺少意图信息，则将所述第N-1意图信息作为所述第N意图信息，并利用所述语句补全模型对所述第N意图信息可能在所述第N问题描述语句的位置进行评分判断，确定所述第N实体信息的位置，得到补全问题描述语句。
在一个实施例中，所述医疗领域多轮对话智能问答装置还包括：
判断模块，用于判断N是否大于预设值或前N-1轮的对话时间是否大于指定值；
重置模块，用于若N大于预设值或前N-1轮对话时间大于指定值，则将对话轮数重置。
如上所述，可以理解地，本申请中提出的所述医疗领域多轮对话智能问答装置的各组成部分可以实现如上所述医疗领域多轮对话智能问答方法任一项的功能，具体结构不再赘述。
参照图9，本申请实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图9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，该计算机设计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、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于实体信息、意图信息等数据。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。该计算机程序被处理器执行时以实现一种医疗领域多轮对话智能问答方法。
所述医疗领域多轮对话智能问答方法包括：
获取第N轮对话的第N问题描述语句，其中N为大于等于2的正整数；
将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块；
若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
根据所述补全问题描述语句进行对话答复输出。
本申请一实施例还提供一种计算机可读存储介质，所述计算机可读存储介质可以是非易失性，也可以是易失性的，其上存储有计算机程序，计算机程序被处理器执行时实现一种医疗领域多轮对话智能问答方法，所述医疗领域多轮对话智能问答方法包括步骤：
获取第N轮对话的第N问题描述语句，其中N为大于等于2的正整数；
将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块；
若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
根据所述补全问题描述语句进行对话答复输出。
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，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和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。非易失性存储器可以包括只读存储器（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）、双速据率SDRAM（SSRSDRAM）、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。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (20)

  1. 一种医疗领域多轮对话智能问答方法，包括：
    获取第N轮对话的第N问题描述语句，其中N为大于等于2的正整数；
    将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块；
    若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
    根据所述补全问题描述语句进行对话答复输出。
  2. 根据权利要求1所述的医疗领域多轮对话智能问答方法，其中，所述获取第N轮对话的第N问题描述语句的步骤之前，包括：
    获取第一轮对话的第一问题描述语句，根据第一问题描述语句进行对话答复输出；
    将所述第一问题描述语句输入到所述自然语言理解模型，进行第一实体信息和第一意图信息抽取，得到第一实体信息和第一意图信息。
  3. 根据权利要求2所述的医疗领域多轮对话智能问答方法，其中，所述将所述第一问题描述语句输入到所述自然语言理解模型，进行第一实体信息和第一意图信息抽取，得到第一实体信息和第一意图信息的步骤包括：
    将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息；
    将所述第一问题描述语句输入所述意图分类模块进行意图分类，得到所述第一意图信息。
  4. 根据权利要求3所述的医疗领域多轮对话智能问答方法，其中，所述将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息的步骤包括：
    将所述第一问题描述语句进行分词处理，将分词结果输入到预设的BERT模型进行语义编码，得到语义编码的词向量；
    将所述语义编码结果输入到BILTSM模型，得到隐藏向量；
    将所述隐藏向量输入到CRF模型进行解码，得到所述第一实体信息。
  5. 根据权利要求3所述的医疗领域多轮对话智能问答方法，其中，所述将所述第一问题描述语句输入所述意图分类模块进行意图分类，得到所述第一意图信息的步骤包括：
    将所述第一问题描述语句进行分词处理，将分词结果输入到预设的双向GRU模型进行特征提取；
    将所述特征提取结果输入到softmax层进行意图分类，得到所述第一意图信息。
  6. 根据权利要求1所述的医疗领域多轮对话智能问答方法，其中，所述利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句的步骤包括：
    若所述第N问题描述语句缺少实体信息，则将所述第N-1实体信息作为所述第N实体信息，并利用所述语句补全模型对所述第N实体信息进行位置评分，根据所述位置评分的评分结果确定所述第N实体信息的位置，得到补全问题描述语句；
    若所述第N问题描述语句缺少意图信息，则将所述第N-1意图信息作为所述第N意图信息，并利用所述语句补全模型对所述第N意图信息进行位置评分，根据所述位置评分的评分结果确定所述第N实体信息的位置，得到补全问题描述语句。
  7. 根据权利要求1所述的医疗领域多轮对话智能问答方法，其中，所述获取第N轮对话的第N问题描述语句的步骤之后还包括：
    判断N是否大于预设值或前N-1轮的对话时间是否大于指定值；
    若N大于预设值或前N-1轮对话时间大于指定值，则将对话轮数重置；
    若N不大于预设值或前N-1轮对话时间不大于指定值，则执行所述将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块的步骤。
  8. 一种医疗领域多轮对话智能问答装置，包括：
    获取模块，用于获取第N轮对话的第N问题描述语句；
    理解模块，用于将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取；
    补全模块，用于若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
    答复模块，用于根据所述补全问题描述语句进行对话答复输出。
  9. 一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现一种医疗领域多轮对话智能问答方法，所述医疗领域多轮对话智能问答方法包括：
    获取第N轮对话的第N问题描述语句，其中N为大于等于2的正整数；
    将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块；
    若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
    根据所述补全问题描述语句进行对话答复输出。
  10. 根据权利要求9所述的一种计算机设备，其中，所述获取第N轮对话的第N问题描述语句的步骤之前，包括：
    获取第一轮对话的第一问题描述语句，根据第一问题描述语句进行对话答复输出；
    将所述第一问题描述语句输入到所述自然语言理解模型，进行第一实体信息和第一意图信息抽取，得到第一实体信息和第一意图信息。
  11. 根据权利要求10所述的计算机设备，其中，所述将所述第一问题描述语句输入到所述自然语言理解模型，进行第一实体信息和第一意图信息抽取，得到第一实体信息和第一意图信息的步骤包括：
    将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息；
    将所述第一问题描述语句输入所述意图分类模块进行意图分类，得到所述第一意图信息。
  12. 根据权利要求11所述的计算机设备，其中，所述将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息的步骤包括：
    将所述第一问题描述语句进行分词处理，将分词结果输入到预设的BERT模型进行语义编码，得到语义编码的词向量；
    将所述语义编码结果输入到BILTSM模型，得到隐藏向量；
    将所述隐藏向量输入到CRF模型进行解码，得到所述第一实体信息。
  13. 根据权利要求11所述的计算机设备，其中，所述将所述第一问题描述语句输入所述意图分类模块进行意图分类，得到所述第一意图信息的步骤包括：
    将所述第一问题描述语句进行分词处理，将分词结果输入到预设的双向GRU模型进行特征提取；
    将所述特征提取结果输入到softmax层进行意图分类，得到所述第一意图信息。
  14. 根据权利要求9所述的计算机设备，其中，所述利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句的步骤包括：
    若所述第N问题描述语句缺少实体信息，则将所述第N-1实体信息作为所述第N实体信息，并利用所述语句补全模型对所述第N实体信息进行位置评分，根据所述位置评分的评分结果确定所述第N实体信息的位置，得到补全问题描述语句；
    若所述第N问题描述语句缺少意图信息，则将所述第N-1意图信息作为所述第N意图信息，并利用所述语句补全模型对所述第N意图信息进行位置评分，根据所述位置评分的评分结果确定所述第N实体信息的位置，得到补全问题描述语句。
  15. 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现一种医疗领域多轮对话智能问答方法，所述医疗领域多轮对话智能问答方法包括：
    获取第N轮对话的第N问题描述语句，其中N为大于等于2的正整数；
    将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块；
    若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
    根据所述补全问题描述语句进行对话答复输出。
  16. 根据权利要求15所述的计算机可读存储介质，其中，所述获取第N轮对话的第N问题描述语句的步骤之前，包括：
    获取第一轮对话的第一问题描述语句，根据第一问题描述语句进行对话答复输出；
    将所述第一问题描述语句输入到所述自然语言理解模型，进行第一实体信息和第一意图信息抽取，得到第一实体信息和第一意图信息。
  17. 根据权利要求16所述的计算机可读存储介质，其中，所述将所述第一问题描述语句输入到所述自然语言理解模型，进行第一实体信息和第一意图信息抽取，得到第一实体信息和第一意图信息的步骤包括：
    将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息；
    将所述第一问题描述语句输入所述意图分类模块进行意图分类，得到所述第一意图信息。
  18. 根据权利要求17所述的计算机可读存储介质，其中，所述将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息的步骤包括：
    将所述第一问题描述语句进行分词处理，将分词结果输入到预设的BERT模型进行语义编码，得到语义编码的词向量；
    将所述语义编码结果输入到BILTSM模型，得到隐藏向量；
    将所述隐藏向量输入到CRF模型进行解码，得到所述第一实体信息。
  19. 根据权利要求17所述的计算机可读存储介质，其中，所述将所述第一问题描述语句输入所述意图分类模块进行意图分类，得到所述第一意图信息的步骤包括：
    将所述第一问题描述语句进行分词处理，将分词结果输入到预设的双向GRU模型进行特征提取；
    将所述特征提取结果输入到softmax层进行意图分类，得到所述第一意图信息。
  20. 根据权利要求15所述的计算机可读存储介质，其中，所述利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句的步骤包括：
    若所述第N问题描述语句缺少实体信息，则将所述第N-1实体信息作为所述第N实体信息，并利用所述语句补全模型对所述第N实体信息进行位置评分，根据所述位置评分的评分结果确定所述第N实体信息的位置，得到补全问题描述语句；
    若所述第N问题描述语句缺少意图信息，则将所述第N-1意图信息作为所述第N意图信息，并利用所述语句补全模型对所述第N意图信息进行位置评分，根据所述位置评分的评分结果确定所述第N实体信息的位置，得到补全问题描述语句。
PCT/CN2020/132598 2020-10-19 2020-11-30 医疗领域多轮对话智能问答方法、装置和计算机设备 Ceased WO2021189921A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202011118109.7 2020-10-19
CN202011118109.7A CN112256825B (zh) 2020-10-19 2020-10-19 医疗领域多轮对话智能问答方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
WO2021189921A1 true WO2021189921A1 (zh) 2021-09-30

Family

ID=74244776

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/132598 Ceased WO2021189921A1 (zh) 2020-10-19 2020-11-30 医疗领域多轮对话智能问答方法、装置和计算机设备

Country Status (2)

Country Link
CN (1) CN112256825B (zh)
WO (1) WO2021189921A1 (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113987310A (zh) * 2021-10-22 2022-01-28 南方科技大学 交通数据补全方法、系统及存储介质
CN113989591A (zh) * 2021-10-26 2022-01-28 网易（杭州）网络有限公司 账号处理方法、介质、装置和计算设备
CN114003700A (zh) * 2021-10-27 2022-02-01 浙江诺诺网络科技有限公司 一种对话信息的处理方法、系统、电子设备及存储介质
CN114020774A (zh) * 2021-11-22 2022-02-08 国家电网有限公司大数据中心 多轮问答语句的处理方法、装置、设备及存储介质
CN114048298A (zh) * 2021-11-23 2022-02-15 中国民用航空总局第二研究所 意图理解方法、装置、设备及介质
CN114090762A (zh) * 2022-01-21 2022-02-25 浙商期货有限公司 一种期货领域的自动问答方法和系统
CN114238653A (zh) * 2021-12-08 2022-03-25 华东师范大学 一种编程教育知识图谱构建、补全与智能问答的方法
CN114238592A (zh) * 2021-11-15 2022-03-25 国家电网有限公司客户服务中心 一种基于模板的深度问答系统及方法
CN114490972A (zh) * 2021-12-30 2022-05-13 北京五八信息技术有限公司 一种消息处理方法、装置、电子设备和存储介质
CN114840653A (zh) * 2022-04-26 2022-08-02 北京百度网讯科技有限公司 对话处理方法、装置、设备以及存储介质
CN115132353A (zh) * 2022-07-19 2022-09-30 平安科技（深圳）有限公司 心理问题自动答复模型的生成方法、装置及设备
CN115687593A (zh) * 2022-11-11 2023-02-03 中国工商银行股份有限公司 智能问答方法、装置、计算机设备和存储介质
CN116151273A (zh) * 2023-04-24 2023-05-23 湖南超能机器人技术有限公司 基于Transformer和知识图谱的智能交互方法
CN116913527A (zh) * 2023-09-14 2023-10-20 北京健康有益科技有限公司 一种基于多轮对话框架的高血压评测方法及系统
CN117235221A (zh) * 2023-09-18 2023-12-15 重庆长安汽车股份有限公司 一种对话系统、电子设备及可读存储介质
CN118427307A (zh) * 2024-05-23 2024-08-02 中日友好医院(中日友好临床医学研究所) 基于知识图谱的甲状旁腺医学知识智能查询方法及装置

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112989008A (zh) * 2021-04-21 2021-06-18 上海汽车集团股份有限公司 一种多轮对话改写方法、装置和电子设备
CN113420115B (zh) * 2021-06-22 2024-03-22 平安科技（深圳）有限公司 基于人机语音对话的信息处理方法及装置
CN113673256B (zh) * 2021-07-21 2024-08-27 杭州阿里云飞天信息技术有限公司 问询语句改写方法及装置
CN113657102B (zh) * 2021-08-17 2023-05-30 北京百度网讯科技有限公司 信息抽取方法、装置、设备及存储介质
CN113806508A (zh) * 2021-09-17 2021-12-17 平安普惠企业管理有限公司 基于人工智能的多轮对话方法、装置及存储介质
CN113934858A (zh) * 2021-09-22 2022-01-14 易联众智鼎(厦门)科技有限公司 基于医学知识图谱检索技术的健康咨询实现方法及装置
CN113868388B (zh) * 2021-09-26 2025-11-18 科大讯飞华南人工智能研究院（广州）有限公司 一种对话信息处理方法、装置、设备及存储介质
CN116010563A (zh) * 2021-10-22 2023-04-25 厦门快商通科技股份有限公司 一种多轮对话数据分析方法、电子设备和存储介质
CN114239602B (zh) * 2021-11-19 2024-10-25 中国建设银行股份有限公司 会话方法、装置和计算机程序产品
CN114328862A (zh) * 2021-12-09 2022-04-12 竹间智能科技（上海）有限公司 一种解决智能客服对话上下文的处理方法及装置
CN114490961A (zh) * 2021-12-13 2022-05-13 天翼物联科技有限公司 一种基于多轮对话的客服方法、系统、装置及存储介质
CN114281973A (zh) * 2021-12-28 2022-04-05 上海畅圣计算机科技有限公司 Rasa框架下的智能问答方法、系统、装置及存储介质
CN114548110A (zh) 2021-12-29 2022-05-27 北京百度网讯科技有限公司 语义理解方法、装置、电子设备及存储介质
CN114925678B (zh) * 2022-04-21 2023-05-26 电子科技大学 一种基于高层交互机制的药物实体和关系联合抽取方法
CN115203385A (zh) * 2022-05-12 2022-10-18 平安科技（深圳）有限公司 基于多轮对话场景下的回复策略分析方法及装置
CN115238101B (zh) * 2022-09-23 2023-01-03 中国电子科技集团公司第十研究所 一种面向多类型知识库的多引擎智能问答系统
CN116127010A (zh) * 2022-11-22 2023-05-16 马上消费金融股份有限公司 意图识别方法、装置、电子设备及存储介质
CN117131238A (zh) * 2023-07-13 2023-11-28 上海秒针网络科技有限公司 社媒领域的实体分析方法、装置、设备及介质
CN119884286A (zh) * 2023-10-18 2025-04-25 华为技术有限公司 对话交互方法、电子设备和计算机可读存储介质
CN117370530A (zh) * 2023-10-27 2024-01-09 泰康在线健康科技(武汉)有限公司 多轮知识问答方法、服务器及介质
WO2025123631A1 (zh) * 2023-12-13 2025-06-19 百度智能云(成都)科技有限公司 基于llm的意图识别方法、装置、设备和存储介质
CN117421416B (zh) * 2023-12-19 2024-03-26 数据空间研究院 交互检索方法、装置和电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170177715A1 (en) * 2015-12-21 2017-06-22 Adobe Systems Incorporated Natural Language System Question Classifier, Semantic Representations, and Logical Form Templates
CN107193978A (zh) * 2017-05-26 2017-09-22 武汉泰迪智慧科技有限公司 一种基于深度学习的多轮自动聊天对话方法及系统
CN110472022A (zh) * 2019-06-25 2019-11-19 南京邮电大学 基于深度学习的对话方法及装置、存储介质和终端
CN111191016A (zh) * 2019-12-27 2020-05-22 车智互联（北京）科技有限公司 一种多轮对话处理方法、装置及计算设备
CN111737411A (zh) * 2020-05-20 2020-10-02 华为技术有限公司 人机对话中的响应方法、对话系统及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109727041B (zh) * 2018-07-03 2023-04-18 平安科技（深圳）有限公司 智能客服多轮问答方法、设备、存储介质及装置
CN110704641B (zh) * 2019-10-11 2023-04-07 零犀(北京)科技有限公司 一种万级意图分类方法、装置、存储介质及电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170177715A1 (en) * 2015-12-21 2017-06-22 Adobe Systems Incorporated Natural Language System Question Classifier, Semantic Representations, and Logical Form Templates
CN107193978A (zh) * 2017-05-26 2017-09-22 武汉泰迪智慧科技有限公司 一种基于深度学习的多轮自动聊天对话方法及系统
CN110472022A (zh) * 2019-06-25 2019-11-19 南京邮电大学 基于深度学习的对话方法及装置、存储介质和终端
CN111191016A (zh) * 2019-12-27 2020-05-22 车智互联（北京）科技有限公司 一种多轮对话处理方法、装置及计算设备
CN111737411A (zh) * 2020-05-20 2020-10-02 华为技术有限公司 人机对话中的响应方法、对话系统及存储介质

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113987310A (zh) * 2021-10-22 2022-01-28 南方科技大学 交通数据补全方法、系统及存储介质
CN113989591A (zh) * 2021-10-26 2022-01-28 网易（杭州）网络有限公司 账号处理方法、介质、装置和计算设备
CN114003700A (zh) * 2021-10-27 2022-02-01 浙江诺诺网络科技有限公司 一种对话信息的处理方法、系统、电子设备及存储介质
CN114238592A (zh) * 2021-11-15 2022-03-25 国家电网有限公司客户服务中心 一种基于模板的深度问答系统及方法
CN114020774A (zh) * 2021-11-22 2022-02-08 国家电网有限公司大数据中心 多轮问答语句的处理方法、装置、设备及存储介质
CN114048298A (zh) * 2021-11-23 2022-02-15 中国民用航空总局第二研究所 意图理解方法、装置、设备及介质
CN114048298B (zh) * 2021-11-23 2024-05-31 中国民用航空总局第二研究所 意图理解方法、装置、设备及介质
CN114238653B (zh) * 2021-12-08 2024-05-24 华东师范大学 一种编程教育知识图谱构建、补全与智能问答的方法
CN114238653A (zh) * 2021-12-08 2022-03-25 华东师范大学 一种编程教育知识图谱构建、补全与智能问答的方法
CN114490972A (zh) * 2021-12-30 2022-05-13 北京五八信息技术有限公司 一种消息处理方法、装置、电子设备和存储介质
CN114090762A (zh) * 2022-01-21 2022-02-25 浙商期货有限公司 一种期货领域的自动问答方法和系统
CN114090762B (zh) * 2022-01-21 2022-06-03 浙商期货有限公司 一种期货领域的自动问答方法和系统
CN114840653A (zh) * 2022-04-26 2022-08-02 北京百度网讯科技有限公司 对话处理方法、装置、设备以及存储介质
CN114840653B (zh) * 2022-04-26 2023-08-01 北京百度网讯科技有限公司 对话处理方法、装置、设备以及存储介质
CN115132353A (zh) * 2022-07-19 2022-09-30 平安科技（深圳）有限公司 心理问题自动答复模型的生成方法、装置及设备
CN115687593A (zh) * 2022-11-11 2023-02-03 中国工商银行股份有限公司 智能问答方法、装置、计算机设备和存储介质
CN116151273A (zh) * 2023-04-24 2023-05-23 湖南超能机器人技术有限公司 基于Transformer和知识图谱的智能交互方法
CN116913527A (zh) * 2023-09-14 2023-10-20 北京健康有益科技有限公司 一种基于多轮对话框架的高血压评测方法及系统
CN116913527B (zh) * 2023-09-14 2023-12-05 北京健康有益科技有限公司 一种基于多轮对话框架的高血压评测方法及系统
CN117235221A (zh) * 2023-09-18 2023-12-15 重庆长安汽车股份有限公司 一种对话系统、电子设备及可读存储介质
CN118427307A (zh) * 2024-05-23 2024-08-02 中日友好医院(中日友好临床医学研究所) 基于知识图谱的甲状旁腺医学知识智能查询方法及装置

Also Published As

Publication number Publication date
CN112256825A (zh) 2021-01-22
CN112256825B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
WO2021189921A1 (zh) 医疗领域多轮对话智能问答方法、装置和计算机设备
WO2021139283A1 (zh) 基于深度学习技术的知识图谱问答方法、装置及设备
CN111883140B (zh) 基于知识图谱和声纹识别的认证方法、装置、设备及介质
CN109635122A (zh) 智能疾病问询方法、装置、设备及存储介质
CN112650854B (zh) 基于多知识图谱的智能答复方法、装置及计算机设备
WO2021109690A1 (zh) 多类型问题智能问答方法、系统、设备及可读存储介质
US20150161191A1 (en) Systems, methods and software for entity relationship resolution
CN108989349B (zh) 用户账号解锁方法、装置、计算机设备及存储介质
WO2019062010A1 (zh) 语义识别方法、电子装置及计算机可读存储介质
CN112287068A (zh) 基于人工智能的问诊对话数据处理方法及装置
CN113836273B (zh) 基于复杂语境的法律咨询方法及相关设备
CN114049973A (zh) 对话质检方法、电子设备、计算机存储介质及程序产品
Bhutani et al. Open information extraction from question-answer pairs
CN117174232A (zh) 一种电子病历的生成方法、装置、电子设备及存储介质
CN113821587A (zh) 文本相关性确定方法、模型训练方法、装置及存储介质
CN117373698A (zh) 基于会话交互的导医信息获取方法、装置和设备
CN116776857A (zh) 客户通话关键信息提取方法、装置、计算机设备及介质
CN116975212A (zh) 问题文本的答案查找方法、装置、计算机设备和存储介质
CN120470283A (zh) 大语言模型的评测方法、装置、设备和存储介质
CN118520095A (zh) 基于语言模型的答复内容生成方法及装置
WO2021077834A1 (zh) 一种基于对话系统对用户问句提出反问的方法和装置
CN116612906B (zh) 一种基于人工智能的医疗问答服务方法、系统及设备
WO2021139271A1 (zh) 基于fm模型的医学热点的预测方法、装置和计算机设备
CN114862420B (zh) 身份识别方法、装置、程序产品、介质及设备
CN111523763B (zh) 装修信息推送方法、装置、计算机设备及存储介质

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: 20927230

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: 20927230

Country of ref document: EP

Kind code of ref document: A1