医疗领域多轮对话智能问答方法、装置和计算机设备制造方法及图纸

本申请涉及数字医疗领域，可以应用于远程医疗问诊或自助医疗服务等场景，揭示了一种医疗领域多轮对话智能问答方法包括：获取第N问题描述语句；将第N问题描述语句输入到自然语言理解模型，进行实体信息和意图信息抽取；若未抽取到实体信息或意图信息，则将第N

【技术实现步骤摘要】
医疗领域多轮对话智能问答方法、装置和计算机设备


[0001]本申请涉及到数字医疗领域，特别是涉及到一种医疗领域多轮对话智能问答方法、装置和计算机设备。

技术介绍

[0002]近年来，互联网医疗兴起，患者获取相关医疗信息的方式，从原来的网页搜索改为向集成了更多更全面专业医疗知识和功能的产品获取资讯。因此市面上也出现了一些医疗领域的对话机器人帮助用户快速的定位问题以及解答问答。
[0003]这些对话产品大多都是单轮对话的形式，和人的交互是一问一答。但是真实场景中，人与人在交互时，有70％概率会通过指代甚至隐去相关信息的方式去交流沟通，只有30％左右的句子是完整的语义表示。举例说，A：“今天上海天气怎样”，B：“今天(上海)天气很好”，A：“那(上海)附近有什么可以游玩的吗？”B：“可以去滴水湖玩一玩”。在沟通过程中，人往往可以通过联系对话的上下文情景，合理推测，继续对话。
[0004]通用领域的对话系统由于领域与领域之间的差异性，所以相比垂直领域，较容易区分，比如天气领域与交通出行领域。然而在医疗领域，实体之间的耦合性较高，用户在询问药品时，往往也带有疾病或者症状等其他医疗实体的信息，如“二甲双胍能治疗糖尿病吗？”。如何合理且顺畅的切换实体领域，使得与用户进行多轮的对话即是亟待解决的问题。

技术实现思路

[0005]本申请的主要目的为提供一种医疗领域多轮对话智能问答方法、装置和计算机设备，旨在解决医疗领域多轮对话问答时，如何实现语境准确切换，提高问答准确率的技术问题。
[0006]为了实现上述专利技术目的，本申请提出一种医疗领域多轮对话智能问答方法，包括：
[0007]获取第N轮对话的第N问题描述语句，其中N为大于等于2的正整数；
[0008]将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块；
[0009]若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
[0010]根据所述补全问题描述语句进行对话答复输出。
[0011]进一步地，所述获取第N轮对话的第N问题描述语句的步骤之前，包括：
[0012]获取第一轮对话的第一问题描述语句，根据第一问题描述语句进行对话答复输出；
[0013]将所述第一问题描述语句输入到所述自然语言理解模型，进行第一实体信息和第一意图信息抽取，得到第一实体信息和第一意图信息。
[0014]进一步地，所述将所述第一问题描述语句输入到所述自然语言理解模型，进行第
一实体信息和第一意图信息抽取，得到第一实体信息和第一意图信息的步骤包括：
[0015]将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息；
[0016]将所述第一问题描述语句输入所述意图分类模块进行意图分类，得到所述第一意图信息。
[0017]进一步地，所述将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息的步骤包括：
[0018]将所述第一问题描述语句进行分词处理，将分词结果输入到预设的BERT模型进行语义编码，得到语义编码的词向量；
[0019]将所述语义编码结果输入到BILTSM模型，得到隐藏向量；
[0020]将所述隐藏向量输入到CRF模型进行解码，得到所述第一实体信息。
[0021]进一步地，所述将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息的步骤包括：
[0022]将所述第一问题描述语句进行分词处理，将分词结果输入到预设的双向GRU模型进行特征提取；
[0023]将所述特征提取结果输入到softmax层进行意图分类，得到所述第一意图信息。
[0024]所述利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句的步骤包括：
[0025]若所述第N问题描述语句缺少实体信息，则将所述第N-1实体信息作为所述第N实体信息，并利用所述语句补全模型对所述第N实体信息进行位置评分，根据所述位置评分的评分结果确定所述第N实体信息的位置，得到补全问题描述语句；
[0026]若所述第N问题描述语句缺少意图信息，则将所述第N-1意图信息作为所述第N意图信息，并利用所述语句补全模型对所述第N意图信息进行位置评分，根据所述位置评分的评分结果确定所述第N实体信息的位置，得到补全问题描述语句。
[0027]进一步地，所述获取第N轮对话的第N问题描述语句的步骤之后还包括：
[0028]判断N是否大于预设值或前N-1轮的对话时间是否大于指定值；
[0029]若N大于预设值或前N-1轮对话时间大于指定值，则将对话轮数重置；
[0030]若N不大于预设值或前N-1轮对话时间不大于指定值，则执行所述将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块的步骤。
[0031]本申请实施例还提供一种医疗领域多轮对话智能问答装置，包括：
[0032]获取模块，用于获取第N轮对话的第N问题描述语句；
[0033]理解模块，用于将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取；
[0034]补全模块，用于若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；
[0035]答复模块，用于根据所述补全问题描述语句进行对话答复输出。
[0036]本申请还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
[0037]本申请还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
[0038]本申请的医疗领域多轮对话智能问答方法、装置和计算机设备，通过抽取上一轮对话的实体信息和意图信息，可以更好模拟人与人之间的交流，即便用户使用了指代词或者是隐去了一些实体或者意图，仍然能通过继承上下文语境，使得对话更自然更流畅，用户体验更佳。
附图说明
[0039]图1为本申请一实施例的医疗领域多轮对话智能问答方法的流程示意图；
[0040]图2为本申请另一实施例的医疗领域多轮对话智能问答方法的流程示意图；
[0041]图3为本申请另一实施例的医疗领域多轮对话智能问答方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种医疗领域多轮对话智能问答方法，其特征在于，包括：获取第N轮对话的第N问题描述语句，其中N为大于等于2的正整数；将所述第N问题描述语句输入到预设的自然语言理解模型，进行第N实体信息和第N意图信息抽取，其中所述自然语言理解模型包括命名实体识别模块和意图分类模块；若未抽取到所述第N实体信息或所述第N意图信息，则将第N-1轮对话的第N-1问题描述语句中的第N-1实体信息或第N-1意图信息作为所述第N实体信息或所述第N意图信息，利用预设的语句补全模型对所述第N问题描述语句进行补全，得到补全问题描述语句；根据所述补全问题描述语句进行对话答复输出。2.根据权利要求1所述的医疗领域多轮对话智能问答方法，其特征在于，所述获取第N轮对话的第N问题描述语句的步骤之前，包括：获取第一轮对话的第一问题描述语句，根据第一问题描述语句进行对话答复输出；将所述第一问题描述语句输入到所述自然语言理解模型，进行第一实体信息和第一意图信息抽取，得到第一实体信息和第一意图信息。3.根据权利要求2所述的医疗领域多轮对话智能问答方法，其特征在于，所述将所述第一问题描述语句输入到所述自然语言理解模型，进行第一实体信息和第一意图信息抽取，得到第一实体信息和第一意图信息的步骤包括：将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息；将所述第一问题描述语句输入所述意图分类模块进行意图分类，得到所述第一意图信息。4.根据权利要求3所述的医疗领域多轮对话智能问答方法，其特征在于，所述将所述第一问题描述语句输入所述命名实体识别模块进行实体抽取，得到所述第一实体信息的步骤包括：将所述第一问题描述语句进行分词处理，将分词结果输入到预设的BERT模型进行语义编码，得到语义编码的词向量；将所述语义编码结果输入到BILTSM模型，得到隐藏向量；将所述隐藏向量输入到CRF模型进行解码，得到所述第一实体信息。5.根据权利要求3所述的医疗领域多轮对话智能问答方法，其特征在于，所述将所述第一问题描述语句输入所述意图分类模块进行意图分类，得到所述第一意图信息的步骤包括：将所述第一问题描述语句进行分词处理，将分词结果输入到预设的双向GRU模型进行特征提取；将所述特征提取结果输入到softmax层进行意图...

【专利技术属性】
技术研发人员：梁欣，周晓峰，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：