[發(fā)明專利]模型的訓(xùn)練方法和裝置、計算機(jī)設(shè)備、存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202210057007.1
• 申請日: 2022-01-18
• 公開（公告）號: CN114386528A
• 公開（公告）日: 2022-04-22
• 發(fā)明（設(shè)計）人: 趙越;徐卓揚(yáng)
• 申請（專利權(quán)）人: 平安科技（深圳）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F40/35;G06F40/289;G06N3/04;G06N3/08;G16H20/10
• 代理公司: 廣州嘉權(quán)專利商標(biāo)事務(wù)所有限公司 44205
• 代理人: 麥廣林

本實(shí)施例提供一種模型的訓(xùn)練方法和裝置、計算機(jī)設(shè)備、存儲介質(zhì)，屬于人工智能技術(shù)領(lǐng)域。包括：獲取多個問診樣本數(shù)據(jù)，以及對應(yīng)的處方樣本數(shù)據(jù)；通過預(yù)訓(xùn)練模型對患者樣本數(shù)據(jù)和對話樣本數(shù)據(jù)進(jìn)行預(yù)測處理，得到處方預(yù)測數(shù)據(jù)；根據(jù)多個藥物預(yù)測數(shù)據(jù)計算第一損失值；根據(jù)多個藥物樣本數(shù)據(jù)構(gòu)建藥物共現(xiàn)矩陣，并計算第二損失值；根據(jù)第一損失值和第二損失值對預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練，得到處方推薦模型。本實(shí)施例通過處方樣本數(shù)據(jù)構(gòu)建藥物共現(xiàn)矩陣，并根據(jù)藥物共現(xiàn)矩陣添加藥物共現(xiàn)損失的方式，不僅考慮到多個藥物之間的相關(guān)性，還避免了處方推薦模型中，隨著藥物數(shù)量增加而導(dǎo)致分類器隨之增加的問題，從而提高模型的訓(xùn)練效率。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能技術(shù)領(lǐng)域，尤其涉及一種模型的訓(xùn)練方法和裝置、計算機(jī)設(shè)備、存儲介質(zhì)。

背景技術(shù)

在處方推薦的任務(wù)中，處方中的多個藥物之間通常存在依賴關(guān)系，例如退熱貼和止咳類藥物通常處于同一個處方中。因此，有效挖掘藥物之間的相關(guān)性至關(guān)重要。由于處方中包含的藥物數(shù)量不止一個，所以處方推薦常常被轉(zhuǎn)換為多標(biāo)簽分類任務(wù)，但是隨著藥物數(shù)量的增長，處方推薦模型中的分類器也隨之增加，從而影響模型的訓(xùn)練效率。

發(fā)明內(nèi)容

本公開實(shí)施例的主要目的在于提出一種模型的訓(xùn)練方法和裝置、計算機(jī)設(shè)備、存儲介質(zhì)，能夠提高模型的訓(xùn)練效率。

為實(shí)現(xiàn)上述目的，本公開實(shí)施例的第一方面提出了一種模型的訓(xùn)練方法，用于訓(xùn)練處方推薦模型，包括：

獲取多個問診樣本數(shù)據(jù)和所述問診樣本數(shù)據(jù)的處方樣本數(shù)據(jù)；其中，每一所述問診樣本數(shù)據(jù)包括患者樣本數(shù)據(jù)和對話樣本數(shù)據(jù)，每一所述處方樣本數(shù)據(jù)包括多個藥物樣本數(shù)據(jù)；

通過預(yù)訓(xùn)練模型對所述患者樣本數(shù)據(jù)和所述對話樣本數(shù)據(jù)進(jìn)行預(yù)測處理，得到處方預(yù)測數(shù)據(jù)；其中，所述處方預(yù)測數(shù)據(jù)包括多個藥物預(yù)測數(shù)據(jù)；

根據(jù)所述多個藥物預(yù)測數(shù)據(jù)對所述預(yù)訓(xùn)練模型的第一損失函數(shù)進(jìn)行計算，得到第一損失值；

根據(jù)所述多個藥物樣本數(shù)據(jù)構(gòu)建藥物共現(xiàn)矩陣；

根據(jù)所述藥物共現(xiàn)矩陣對所述預(yù)訓(xùn)練模型的第二損失函數(shù)進(jìn)行計算，得到第二損失值；

根據(jù)所述第一損失值和所述第二損失值對所述預(yù)訓(xùn)練模型進(jìn)行訓(xùn)練處理，得到處方推薦模型；其中，所述處方推薦模型用于處方的推薦。

在一些實(shí)施例，所述通過預(yù)訓(xùn)練模型對所述患者樣本數(shù)據(jù)和所述對話樣本數(shù)據(jù)進(jìn)行預(yù)測處理，得到處方預(yù)測數(shù)據(jù)，包括：

根據(jù)預(yù)設(shè)的數(shù)據(jù)格式對所述患者樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，得到對應(yīng)的患者特征；

對所述患者特征進(jìn)行第一編碼處理，得到對應(yīng)的患者向量；

對所述對話樣本數(shù)據(jù)進(jìn)行第二編碼處理，得到對應(yīng)的對話向量；

根據(jù)所述患者向量和所述對話向量，進(jìn)行預(yù)測處理，得到處方預(yù)測數(shù)據(jù)。

在一些實(shí)施例，對所述對話樣本數(shù)據(jù)進(jìn)行第二編碼處理，得到對應(yīng)的對話向量，包括：

獲取預(yù)設(shè)的層次注意模型；其中，所述層次注意模型包括詞層次神經(jīng)網(wǎng)絡(luò)和句層次神經(jīng)網(wǎng)絡(luò)；

對所述對話樣本數(shù)據(jù)進(jìn)行分詞處理，得到分詞數(shù)據(jù)；

對所述分詞數(shù)據(jù)進(jìn)行編碼處理，得到詞編碼向量；

通過所述詞層次神經(jīng)網(wǎng)絡(luò)對所述詞編碼向量進(jìn)行編碼處理，得到句編碼向量；

通過所述句層次神經(jīng)網(wǎng)絡(luò)對所述句編碼向量進(jìn)行編碼處理，得到對話向量。

在一些實(shí)施例，每一所述藥物樣本數(shù)據(jù)包括多種預(yù)設(shè)藥物；所述根據(jù)所述患者向量和所述對話向量，進(jìn)行預(yù)測處理，得到處方預(yù)測數(shù)據(jù)，包括：