[發(fā)明專利]醫(yī)療領(lǐng)域多輪對話智能問答方法、裝置和計算機設(shè)備有效
| 申請?zhí)枺?/td> | 202011118109.7 | 申請日： | 2020-10-19 |
| 公開（公告）號： | CN112256825B | 公開（公告）日： | 2023-06-16 |
| 發(fā)明（設(shè)計）人： | 梁欣;周曉峰 | 申請（專利權(quán)）人： | 平安科技（深圳）有限公司 |
| 主分類號： | G06F16/33 | 分類號： | G06F16/33;G06F16/332;G06F16/35;G06F40/295;G06F40/30 |
| 代理公司： | 深圳市明日今典知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44343 | 代理人： | 王杰輝;曹勇 |
| 地址： | 518000 廣東省深圳市福田區(qū)福*** | 國省代碼： | 廣東;44 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 醫(yī)療 領(lǐng)域 輪對 智能 問答 方法 裝置 計算機 設(shè)備 | ||
1.一種醫(yī)療領(lǐng)域多輪對話智能問答方法，其特征在于，包括：
獲取第N輪對話的第N問題描述語句，其中N為大于等于2的正整數(shù)；
將所述第N問題描述語句輸入到預(yù)設(shè)的自然語言理解模型，進行第N實體信息和第N意圖信息抽取，其中所述自然語言理解模型包括命名實體識別模塊和意圖分類模塊；所述命名實體識別模塊包括BERT模型，使用醫(yī)學(xué)問答預(yù)料對預(yù)訓(xùn)練的BERT模型進行微調(diào)；
若所述信息抽取沒有抽取到實體信息或意圖信息，則可以要求用戶補全相關(guān)信息，也可以通過自動判斷的方式補全相關(guān)信息，并由用戶確認；
若未抽取到所述第N實體信息或所述第N意圖信息，則將第N-1輪對話的第N-1問題描述語句中的第N-1實體信息或第N-1意圖信息作為所述第N實體信息或所述第N意圖信息，利用預(yù)設(shè)的語句補全模型對所述第N問題描述語句進行補全，得到補全問題描述語句；根據(jù)所述補全問題描述語句進行對話答復(fù)輸出；
在所述根據(jù)所述補全問題描述語句進行對話答復(fù)輸出的步驟之前，還包括：生成補全問題描述語句是否為用戶本意的確認交互選項，如果接受到肯定意圖的指令則根據(jù)所述補全問題描述語句進行對話答復(fù)輸出；如果接收到否定意圖的指令，則提示用戶主動補全問題描述語句，然后根據(jù)用戶主動補全的問題描述語句進行答復(fù)輸出；
所述利用預(yù)設(shè)的語句補全模型對所述第N問題描述語句進行補全，得到補全問題描述語句的步驟包括：
若所述第N問題描述語句缺少實體信息，則將所述第N-1實體信息作為所述第N實體信息，并利用所述語句補全模型對所述第N實體信息進行位置評分，根據(jù)所述位置評分的評分結(jié)果確定所述第N實體信息的位置，得到補全問題描述語句；
若所述第N問題描述語句缺少意圖信息，則將所述第N-1意圖信息作為所述第N意圖信息，并利用所述語句補全模型對所述第N意圖信息進行位置評分，根據(jù)所述位置評分的評分結(jié)果確定所述第N實體信息的位置，得到補全問題描述語句；
所述語句補全模型選擇transformer作為encoder和decoder，所述encoder的輸入為word?embedding、position?embedding、所述的實體信息和所述意圖信息；所述decoder設(shè)有參數(shù)控制所述語句是否需要改寫。
2.根據(jù)權(quán)利要求1所述的醫(yī)療領(lǐng)域多輪對話智能問答方法，其特征在于，所述獲取第N輪對話的第N問題描述語句的步驟之前，包括：
獲取第一輪對話的第一問題描述語句，根據(jù)第一問題描述語句進行對話答復(fù)輸出；
將所述第一問題描述語句輸入到所述自然語言理解模型，進行第一實體信息和第一意圖信息抽取，得到第一實體信息和第一意圖信息。
3.根據(jù)權(quán)利要求2所述的醫(yī)療領(lǐng)域多輪對話智能問答方法，其特征在于，所述將所述第一問題描述語句輸入到所述自然語言理解模型，進行第一實體信息和第一意圖信息抽取，得到第一實體信息和第一意圖信息的步驟包括：
將所述第一問題描述語句輸入所述命名實體識別模塊進行實體抽取，得到所述第一實體信息；
將所述第一問題描述語句輸入所述意圖分類模塊進行意圖分類，得到所述第一意圖信息。
4.根據(jù)權(quán)利要求3所述的醫(yī)療領(lǐng)域多輪對話智能問答方法，其特征在于，所述將所述第一問題描述語句輸入所述命名實體識別模塊進行實體抽取，得到所述第一實體信息的步驟包括：
將所述第一問題描述語句進行分詞處理，將分詞結(jié)果輸入到預(yù)設(shè)的BERT模型進行語義編碼，得到語義編碼的詞向量；
將所述語義編碼結(jié)果輸入到BILTSM模型，得到隱藏向量；
將所述隱藏向量輸入到CRF模型進行解碼，得到所述第一實體信息。
5.根據(jù)權(quán)利要求3所述的醫(yī)療領(lǐng)域多輪對話智能問答方法，其特征在于，所述將所述第一問題描述語句輸入所述意圖分類模塊進行意圖分類，得到所述第一意圖信息的步驟包括：
將所述第一問題描述語句進行分詞處理，將分詞結(jié)果輸入到預(yù)設(shè)的雙向GRU模型進行特征提取；
將所述特征提取結(jié)果輸入到softmax層進行意圖分類，得到所述第一意圖信息。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于平安科技（深圳）有限公司，未經(jīng)平安科技（深圳）有限公司許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011118109.7/1.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
