[發明專利]基于解釋模型的分診信息推薦方法、裝置、設備及介質

在審

• 申請號: 202010935273.0
• 申請日: 2020-09-08
• 公開（公告）號: CN112016318A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 朱昭葦;孫行智;胡崗
• 申請（專利權）人: 平安科技（深圳）有限公司
• 主分類號: G06F40/284
• 分類號: G06F40/284;G06F16/35;G06N3/04
• 代理公司: 深圳眾鼎專利商標代理事務所(普通合伙) 44325
• 代理人: 姚章國

1.一種基于解釋模型的分診信息推薦方法，其特征在于，包括：

獲取待分診對象錄入的特征信息文本；

將所述特征信息文本輸入至預設解釋模型，對所述特征信息文本進行解釋處理，得到與所述特征信息文本對應的解釋結果；所述解釋結果中包含預設分診參考向量與所述特征信息文本中各詞語對應的匹配值；

比對所述特征信息文本的各詞語對應的匹配值以及預設匹配閾值，確定所述特征信息文本中是否存在分診解釋詞語；所述分診解釋詞語是指所述特征信息文本中與大于或等于所述預設匹配閾值的匹配值對應的詞語；

在所述特征信息文本中存在分診解釋詞語時，將所述特征信息文本輸入至預設分診決策模型中，對所述特征信息文本進行分診處理，得到與所述特征信息文本對應的分診信息；

將所述分診信息以及所述分診解釋詞語關聯推送至所述待分診對象。

2.如權利要求1所述的基于解釋模型的分診信息推薦方法，其特征在于，所述將所述特征信息文本輸入至預設解釋模型，對所述特征信息文本進行解釋處理，得到與所述特征信息文本對應的解釋結果，包括：

根據預設詞語實體庫，對所述特征信息文本進行分詞處理，得到與所述特征信息文本對應的各字詞實體；

將各字詞實體輸入至所述預設解釋模型的循環神經網絡模型中，得到與各所述字詞實體對應的實體向量；

獲取預設分診參考向量，將各所述實體向量與所述預設分診參考向量輸入至所述預設解釋模型中的注意力模型中，確定各所述實體向量與所述預設分診參考向量之間的匹配值；

根據各所述實體向量與所述預設分診參考向量之間的匹配值，得到與所述特征信息文本對應的所述解釋結果。

3.如權利要求2所述的基于解釋模型的分診信息推薦方法，其特征在于，所述獲取預設分診參考向量之前，還包括：

獲取樣本數據集，所述樣本數據集中包含至少一個樣本信息；所述樣本信息中包含至少一個樣本決策詞語；

將各所述樣本決策詞語輸入至預設詞向量模型中，對各所述樣本決策詞語進行向量表示，得到與各所述樣本決策詞語對應的決策詞向量；

獲取與各決策詞向量對應的樣本權重，并根據各所述決策詞向量對應的樣本權重以及預設加權方法，確定所述預設分診參考向量。

4.如權利要求1所述的基于解釋模型的分診信息推薦方法，其特征在于，所述將所述特征信息文本輸入至預設分診決策模型中，對所述特征信息文本進行分診處理，得到與所述特征信息文本對應的分診信息，包括：

獲取所述特征信息文本中的結構化信息，通過所述預設分診決策模型對所述結構化信息進行特征提取，得到與所述結構化信息對應的結構特征向量；

獲取所述特征信息文本中的非結構化信息，確定所述特征信息文本中的非結構化信息的文本長度；

根據所述文本長度以及預設歷史文本長度，確定所述預設分診決策模型中的卷積核類別；

通過所述卷積核類別中的卷積核對所述非結構化信息進行卷積池化操作，得到非結構特征向量；

對所述結構特征向量與所述非結構特征向量進行拼接，得到融合向量，并將所述融合向量輸入至全連接層后，得到所述分診信息。

5.如權利要求4所述的基于解釋模型的分診信息推薦方法，其特征在于，所述根據所述文本長度以及預設歷史文本長度，確定所述預設分診決策模型中的卷積核類別，包括：

在所述文本長度小于或等于所述預設歷史文本長度時，將所述卷積核類別確定為小尺寸卷積核；

在所述文本長度大于所述預設歷史文本長度時，將所述卷積核類別確定為大尺寸卷積核。

6.如權利要求1所述的基于解釋模型的分診信息推薦方法，其特征在于：所述確定所述特征信息文本中是否存在分診解釋詞語之后，還包括：

在確定所述特征信息文本中并不存在分診解釋詞語時，提示所述待分診對象更新所述特征信息文本。