[發明專利]基于觀點型閱讀理解的癲癇病輔助醫療智能問答方法

有效

• 申請號: 202010071579.6
• 申請日: 2020-01-21
• 公開（公告）號: CN111428104B
• 公開（公告）日: 2023-10-10
• 發明（設計）人: 楊祖元;張宇軒;陳怡雯;陳禧琛;黃昊楠;李珍妮;孫為軍
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06F16/951
• 分類號: G06F16/951;G16H80/00;G06N20/00;G06N3/044
• 代理公司: 廣東廣信君達律師事務所 44329
• 代理人: 陳勝杰

1.基于觀點型閱讀理解的癲癇病輔助醫療智能問答方法，其特征在于，包括以下步驟：

S1、使用爬蟲技術在互聯網爬取癲癇病的相關數據和獲取公開中文語料庫并儲存在數據庫中；

S2、設計深度學習模型并訓練分類器；

S3、將步驟S2訓練好的分類器傳給問答系統的主機，用于針對用戶提出的問題計算答案庫里最合適的答案；

S4、設計人機交互界面，作為用戶和機器之間交流的媒介；

S5、利用語音轉寫和語音聽寫服務，將用戶的提問轉為文字，將文字輸出的答案轉為語音朗讀出來。

2.根據權利要求1所述的基于觀點型閱讀理解的癲癇病輔助醫療智能問答方法，其特征在于，所述步驟S2的具體過程如下：

S2-1、對數據庫中的中文語料庫和癲癇疾病問答數據進行預處理；

S2-2、使用步驟S2-1分好的詞和中文語料庫訓練詞向量，用一個300維的向量表示該些分好的每一個詞，詞和向量一一對應，癲癇疾病語料庫的問答數據中的字詞就用對應的向量來表示；

訓練詞向量的具體方法為使用CBOW模型：對于一個真實詞序列，隨機去除中間的某個詞，得到標簽為該詞的訓練樣本,在訓練時隨機挑選詞語填入句子，目標函數是使填入的詞使句子出現的概率最大，不斷迭代優化的過程會學習到詞的語義信息從而選取合適的詞向量編碼；

S2-3、構造正反例作為訓練樣本。

3.根據權利要求2所述的基于觀點型閱讀理解的癲癇病輔助醫療智能問答方法，其特征在于，所述步驟S2-1的具體過程如下：

中文語料庫：中文分詞，結合基于規則和基于統計該兩類方法；

分詞的具體方法：首先基于前綴詞典進行對語料中的句子進行掃描，前綴詞典是指詞典中的詞按照前綴包含的順序排列；如果將詞看作節點，詞和詞之間的分詞符看作邊，那么對某個語句的一種分詞方案則對應著從第一個字到最后一個字的一條分詞路徑，全部可能分詞結果構成有向無環圖，這個圖中包含多條分詞路徑，這個有向無環圖就是一個概率模型；基于標注語料，并使用醫療領域的專有名詞作為詞典，使用動態規劃的方法找出最大概率路徑，并將其作為最終的分詞結果，將分好的詞儲存下來；

癲癇疾病問答數據：刪除重復、過長、含缺失值的樣本、英文符號轉中文符號，然后以問答對的形式儲存。

4.根據權利要求1所述的基于觀點型閱讀理解的癲癇病輔助醫療智能問答方法，其特征在于，所述分類器的具體結構如下：

第一層為詞嵌入層：使用CBOW模型；

第二層為上下文嵌入層：通過循環神經網絡對單詞周圍的上下文信息進行編碼，以此來精煉單詞的詞向量所蘊含的信息；

第三層為句子編碼層：從一個句子的各個嵌入向量中計算出對應句子的表示向量；對于問題文本的句子表示向量，選擇問題嵌入向量經過上下文嵌入層編碼后BiGRU的最后一個輸出狀態；對于問題補充文本的句子表示向量，選擇問題補充嵌入向量經過上下文嵌入層編碼后BiGRU各個時刻的輸出狀態的均值；對于答案文本的句子表示向量，選擇標點符號“，。？！”作為一個句子的終止符，通過記錄答案文本中這些句子終止符的位置，在答案嵌入向量經過上下文嵌入層編碼后BiGRU各個時刻的輸出狀態中選擇句子終止符所對應的狀態，作為對應的句子編碼；

第四層為記憶層：分別根據給定的問題句子向量、問題補充句子向量，結合答案句子向量，記憶層會利用注意力機制來關注哪些答案句子向量更加重要，然后分別產生問題對答案的注意力表示向量和問題補充對答案的注意力表示向量，這兩個向量分別考慮問題的信息和問題補充的信息；記憶層模塊的最終輸出為記憶表示向量，記憶表示向量的計算是一個可迭代的計算過程，計算時不僅需要當前迭代的兩個注意力表示向量，還需要上一個迭代計算產生的記憶表示向量；這種記憶表示向量的迭代計算，使得記憶層具有根據先前的知識從答案信息中檢索出新的信息的能力，這個過程模仿人類進行閱讀時反復記憶信息的行為；

第五層為多層感知機，輸出答案正確的概率或匹配的相似度，實現分類功能。