[發(fā)明專利]用于生成信息的方法和裝置

在審

• 申請?zhí)枺?/td>: 201711242792.3
• 申請日: 2017-11-30
• 公開（公告）號: CN107910060A
• 公開（公告）日: 2018-04-13
• 發(fā)明（設(shè)計）人: 楊葉輝;董維山;龍子弋;范偉
• 申請（專利權(quán)）人: 百度在線網(wǎng)絡(luò)技術(shù)（北京）有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G06N3/04
• 代理公司: 北京英賽嘉華知識產(chǎn)權(quán)代理有限責(zé)任公司11204
• 代理人: 王達(dá)佐,馬曉亞

技術(shù)領(lǐng)域

本申請實(shí)施例涉及計算機(jī)技術(shù)領(lǐng)域，具體涉及互聯(lián)網(wǎng)技術(shù)領(lǐng)域，尤其涉及用于生成信息的方法和裝置。

背景技術(shù)

在生病的時候，人們需要去醫(yī)院或診所，尋求醫(yī)生的幫助。但是，目前來說，實(shí)體的醫(yī)療資源有限難以滿足人們對醫(yī)療資源的需求。隨著計算機(jī)和互聯(lián)網(wǎng)的發(fā)展，可以利用各種形式的在線醫(yī)療方式。

發(fā)明內(nèi)容

本申請實(shí)施例提出了用于生成信息的方法和裝置。

第一方面，本申請實(shí)施例提供了一種用于生成信息的方法，包括：獲取描述同一病癥的至少兩種類型的病癥描述信息，其中，病癥描述信息的類型包括文本類型、語音類型或圖像類型；對于所獲取的每種類型的病癥描述信息，將該種類型的病癥描述信息導(dǎo)入預(yù)先建立的與該種類型對應(yīng)的特征提取模型，生成與該種類型的病癥描述信息對應(yīng)的特征信息，其中，特征提取模型用于表征病癥描述信息與特征信息之間的對應(yīng)關(guān)系；將所生成的特征信息導(dǎo)入預(yù)先建立的特征融合模型，生成上述病癥描述信息所描述的病癥屬于預(yù)定義的病癥的概率值，其中，上述特征融合模型用于表征特征信息與概率值之間的對應(yīng)關(guān)系。

在一些實(shí)施例中，上述圖像類型包括至少兩種子圖像類型，與圖像類型對應(yīng)的特征提取模型包括上述至少兩種子圖像類型中的每種子圖像類型對應(yīng)的子圖像特征提取模型，其中，子圖像特征提取模型用于表征圖像與圖像特征信息之間的對應(yīng)關(guān)系。

在一些實(shí)施例中，上述對于所獲取的每種類型的病癥描述信息，將該種類型的病癥描述信息導(dǎo)入預(yù)先建立的與該種類型對應(yīng)的特征提取模型，生成與該種類型的病癥描述信息對應(yīng)的特征信息，包括：響應(yīng)于確定所獲取的至少兩種類型的病癥描述信息包括圖像類型的病癥描述信息，確定與所獲取的圖像的子圖像類型對應(yīng)的子圖像特征提取模型，其中，所獲取的圖像是所獲取的至少兩種類型的病癥描述信息中的圖像類型的病癥描述信息；將所獲取的圖像導(dǎo)入所確定的子圖像特征提取模型，生成所獲取的圖像的圖像特征信息。

在一些實(shí)施例中，特征提取模型為神經(jīng)網(wǎng)絡(luò)模型，上述神經(jīng)網(wǎng)絡(luò)模型包括第一全連接層；以及上述對于所獲取的每種類型的病癥描述信息，將該種類型的病癥描述信息導(dǎo)入預(yù)先建立的與該種類型對應(yīng)的特征提取模型，生成與該種類型的病癥描述信息對應(yīng)的特征信息，包括：對于所獲取的每種類型的病癥描述信息，將該種類型的病癥描述信息導(dǎo)入預(yù)先建立的與該種類型對應(yīng)的特征提取模型，由該種類型的特征提取模型的第一全連接層輸出與該種類型的病癥描述信息對應(yīng)的特征信息。

在一些實(shí)施例中，上述將所生成的特征信息導(dǎo)入預(yù)先建立的特征融合模型，生成上述病癥描述信息所描述的病癥屬于預(yù)定義的病癥的概率值，包括：拼接至少兩個特征提取模型的第一全連接層輸出的特征信息；將拼接后的特征信息導(dǎo)入上述特征融合模型。

在一些實(shí)施例中，特征提取模型和上述特征融合模型是通過以下步驟訓(xùn)練得到的：獲取至少兩個初始第一神經(jīng)網(wǎng)絡(luò)和初始第二神經(jīng)網(wǎng)絡(luò)，其中，各個初始第一神經(jīng)網(wǎng)絡(luò)的輸出為上述初始第二神經(jīng)網(wǎng)絡(luò)的輸入，其中，特征提取模型基于初始第一神經(jīng)網(wǎng)絡(luò)得到，特征融合模型基于上述初始第二神經(jīng)網(wǎng)絡(luò)得到；獲取樣本集，樣本包括描述同一病癥的至少兩種類型的病癥描述樣本以及病癥描述樣本描述的病癥所屬的病癥的病癥標(biāo)識；利用上述樣本集，對上述至少兩個初始第一神經(jīng)網(wǎng)絡(luò)和上述初始第二神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練后的初始第一神經(jīng)網(wǎng)絡(luò)作為特征提取模型，將訓(xùn)練后的初始第二神經(jīng)網(wǎng)絡(luò)作為特征融合模型。

在一些實(shí)施例中，上述特征融合模型包括第二全連接層，上述初始第二神經(jīng)網(wǎng)絡(luò)包括初始第二全連接層，其中，上述初始第二全連接層包括至少兩個節(jié)點(diǎn)；以及上述利用上述樣本集，對上述特征提取模型對應(yīng)的上述至少兩個初始第一神經(jīng)網(wǎng)絡(luò)和上述初始第二神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包括：利用丟棄方法，將上述初始第二全連接層所包括的至少兩個節(jié)點(diǎn)中的部分節(jié)點(diǎn)的權(quán)重置零。

第二方面，本申請實(shí)施例提供了一種用于生成信息的裝置，包括：獲取單元，用于獲取描述同一病癥的至少兩種類型的病癥描述信息，其中，病癥描述信息的類型包括文本類型、語音類型或圖像類型；第一生成單元，用于對于所獲取的每種類型的病癥描述信息，將該種類型的病癥描述信息導(dǎo)入預(yù)先建立的與該種類型對應(yīng)的特征提取模型，生成與該種類型的病癥描述信息對應(yīng)的特征信息，其中，特征提取模型用于表征病癥描述信息與特征信息之間的對應(yīng)關(guān)系；第二生成單元，用于將所生成的特征信息導(dǎo)入預(yù)先建立的特征融合模型，生成上述病癥描述信息所描述的病癥屬于預(yù)定義的病癥的概率值，其中，上述特征融合模型用于表征特征信息與概率值之間的對應(yīng)關(guān)系。