[發明專利]基于人工智能的問診數據處理方法及裝置

在審

• 申請號: 202011283030.X
• 申請日: 2020-11-16
• 公開（公告）號: CN112397197A
• 公開（公告）日: 2021-02-23
• 發明（設計）人: 傅欣雨
• 申請（專利權）人: 康鍵信息技術（深圳）有限公司
• 主分類號: G16H50/20
• 分類號: G16H50/20;G16H40/67;G06N3/08;G06N3/04;G06K9/62;G06F16/332
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 陳小娜

1.一種基于人工智能的問診數據處理方法，其特征在于，所述方法包括：

獲取與目標用戶標識對應的目標問診提問數據；

在語料庫中查詢與所述目標問診提問數據相似的多個參考問診提問數據，并獲取所述參考問診提問數據對應的參考問診應答數據作為候選問診應答數據；

基于所述目標問診提問數據與各所述候選問診應答數據創建問答數據對；

將各所述問答數據對分別輸入深度學習模型，得到各所述問答數據對相應的匹配置信度；所述深度學習模型根據正樣本和負樣本訓練得到，所述正樣本和所述負樣本均包括問診提問數據樣本和問診應答數據樣本，在所述正樣本中問診應答數據樣本為問診提問數據樣本的真實問診應答數據，在所述負樣本中問診應答數據樣本為問診提問數據樣本的偽問診應答數據；

從所述問答數據對中，選擇預設數量的、且匹配置信度最大的問答數據對，并輸出選中的所述問答數據對中的候選問診應答數據。

2.根據權利要求1所述的方法，其特征在于，所述深度學習模型根據樣本組訓練得到，每個所述樣本組包括一個正樣本和與所述正樣本對應的至少一個負樣本，每個所述樣本組中的正樣本和負樣本包括相同的問診提問數據樣本。

3.根據權利要求2所述的方法，其特征在于，所述正樣本的生成步驟包括：

收集歷史問診對話數據；

對所述歷史問診對話數據進行清洗，得到多個結構化的歷史問答數據對；每個所述歷史問答數據對包括歷史問診提問數據和與所述歷史問診提問數據對應的歷史問診應答數據；

將所述歷史問答數據對作為正樣本；

所述正樣本對應的至少一個負樣本的生成步驟包括：

將其中一個正樣本作為當前正樣本；

將所述當前正樣本中的問診提問數據樣本，與除所述當前正樣本外的至少一個正樣本中的問診應答數據樣本組成問答數據對，得到所述當前正樣本對應的至少一個負樣本。

4.根據權利要求2所述的方法，其特征在于，所述深度學習模型的訓練步驟包括：

獲取初始化的深度學習模型；

根據歷史問診對話數據生成所述樣本組；

將所述樣本組中的正樣本和至少一個負樣本批量輸入所述深度學習模型，得到所述正樣本對應的第一輸出，和所述負樣本對應的第二輸出；

根據所述第一輸出和所述第二輸出之間的差異，構建損失函數訓練所述深度學習模型，以更新所述深度學習模型的模型參數。

5.根據權利要求4所述的方法，其特征在于，所述目標問診提問數據存儲于區塊鏈中；所述方法還包括：

在所述目標問診提問數據所在的問診會話結束后，清洗所述問診會話的問診對話數據，得到新增的正樣本；

生成所述新增的正樣本對應的至少一個負樣本；

采用所述新增的正樣本和所述新增的正樣本對應的至少一個負樣本，更新所述深度學習模型。

6.根據權利要求1-5中任一項所述的方法，其特征在于，所述方法還包括：

收集歷史問診對話數據；

對所述歷史問診對話數據進行清洗，得到多個結構化的歷史問答數據對；每個所述歷史問答數據對包括歷史問診提問數據和與所述歷史問診提問數據對應的歷史問診應答數據；

將所述歷史問診提問數據作為參考問診提問數據，并將所述歷史問診提問數據對應的歷史問診應答數據作為所述參考問診提問數據對應的參考問診應答數據，建立語料庫；所述語料庫以所述參考問診提問數據為索引。

7.根據權利要求1-5中任一項所述的方法，其特征在于，所述從所述問答數據對中，選擇預設數量的、且匹配置信度最大的問答數據對，并輸出選中的所述問答數據對中的候選問診應答數據，包括：

從所述問答數據對中，選擇預設數量的、且匹配置信度最大的問答數據對；

將選中的所述問答數據對中的候選問診應答數據在醫生終端界面進行展示；

所述方法還包括：

將通過選擇操作選中的候選問診應答數據在問診對話中輸出。