基于语言模型的问询方法、装置、计算机设备及存储介质制造方法及图纸

本申请实施例属于人工智能技术领域，应用于智慧医疗领域中，涉及一种基于语言模型的问询方法、装置、计算机设备及存储介质。包括通过对样本进行分词，获得多个词语，基于词语生成词语综合向量，根据词语综合向量计算生成目标向量，其中，目标向量是根据静态图注意力机制计算目标知识图的图向量来生成的，实现了输入医疗知识辅助模型的语言模型中的词语的目标向量融合了目标知识图中的知识。提升了医疗知识辅助模型的输出结果的准确率。训练后的医疗知识辅助模型可存储于区块链中。本申请中的训练后的医疗知识辅助模型能够提升模型输出结果的准确率，辅助医生诊断，提高医生对患者的问询效率，提升医疗诊断质量。

【技术实现步骤摘要】
基于语言模型的问询方法、装置、计算机设备及存储介质
本申请涉及人工智能
，尤其涉及基于语言模型的问询方法、装置、计算机设备及存储介质。
技术介绍
近年来，随着计算力和数据量的大幅度提升，人工智能技术获得进一步的发展，应用人工智能解决中国医疗领域问题已成为了热点。人工智能技术可以在短时间内学习新的医疗方法并在实践中应用，一定程度上能弥补由于培养周期长而造成的医生空缺，辅助医生诊断，降低误诊率和漏诊率，提升医疗诊断质量。目前，现有的医疗辅助模型存在输出的文本质量较低，进而输出结果的准确性低，难以得到有效的应用的情况。
技术实现思路
本申请实施例的目的在于提出一种基于语言模型的问询方法、装置、计算机设备及存储介质，能够提升模型输出结果的准确率，辅助医生诊断，提高医生对患者的问询效率。为了解决上述技术问题，本申请实施例提供一种基于语言模型的问询方法，采用了如下所述的技术方案：一种基于语言模型的问询方法，包括下述步骤：接收多次医患问诊的历史问诊数据，分别基于每次历史问诊数据生成多个样本，其中，一次历史问诊本文档来自技高网...

【技术保护点】
1.一种基于语言模型的问询方法，其特征在于，包括下述步骤：/n接收多次医患问诊的历史问诊数据，分别基于每次历史问诊数据生成多个样本，其中，一次历史问诊数据包括多轮的患者和医生的对话；/n获取预设的医疗知识辅助模型，所述医疗知识辅助模型包括向量转换层、向量组合层、知识编译层、语言模型和知识生成层，基于所述向量转换层对所述样本进行分词操作，获得多个词语，并将所述词语转换为词语向量，对样本的词语进行相对位置编码操作，获得位置向量，根据语境生成所述词语的身份信息向量；/n基于所述向量组合层对每个词语的词语向量、位置向量和身份信息向量进行组合，生成所述词语对应的词语综合向量；/n基于所述知识编译层分别从...

【技术特征摘要】
1.一种基于语言模型的问询方法，其特征在于，包括下述步骤：
接收多次医患问诊的历史问诊数据，分别基于每次历史问诊数据生成多个样本，其中，一次历史问诊数据包括多轮的患者和医生的对话；
获取预设的医疗知识辅助模型，所述医疗知识辅助模型包括向量转换层、向量组合层、知识编译层、语言模型和知识生成层，基于所述向量转换层对所述样本进行分词操作，获得多个词语，并将所述词语转换为词语向量，对样本的词语进行相对位置编码操作，获得位置向量，根据语境生成所述词语的身份信息向量；
基于所述向量组合层对每个词语的词语向量、位置向量和身份信息向量进行组合，生成所述词语对应的词语综合向量；
基于所述知识编译层分别从预设的知识图谱中生成每个词语对应的子知识图，作为目标知识图，通过静态图注意力机制计算所述目标知识图的图向量，将所述图向量和对应的所述词语综合向量进行拼接操作，获得词语的目标向量；
将所有的词语的目标向量输入至所述语言模型中，获得依照时序输出的多个隐藏状态；
基于知识生成层中的动态注意力机制和所述隐藏状态对所述目标知识图进行计算，获得三元组向量，将所述三元组向量与对应的隐藏状态进行拼接，获得目标拼接向量，并对所述目标拼接向量进行解码，获得预测词语，根据时序拼接所述预测词语，获得预测话语；
基于所述预测话语迭代训练所述医疗知识辅助模型，直至所述医疗知识辅助模型收敛，获得训练后的医疗知识辅助模型；
接收待预测医患问诊数据，将所述待预测医患问诊数据输入至所述训练后的医疗知识辅助模型中，获得目标预测结果。


2.根据权利要求1所述的基于语言模型的问询方法，其特征在于，基于知识生成层中的动态注意力机制和所述隐藏状态对所述目标知识图进行计算，获得三元组向量的步骤包括：
分别基于每个目标知识图的图向量和所述隐藏状态，计算生成每个隐藏状态时，使用每个目标知识图的概率值，并将数值最高的所述目标知识图的概率值，所对应的目标知识图作为关键知识图；
基于所述目标知识图的概率值计算所述关键知识图中的三元组的向量，获得所述三元组向量。


3.根据权利要求2所述的基于语言模型的问询方法，其特征在于，所述分别基于每个目标知识图的图向量和所述隐藏状态，计算生成隐藏状态时，使用每个目标知识图的概率值的步骤包括：
所述目标知识图的概率值的特征为：其中，表示第一中间值；
所述第一中间值的特征为：其中，T表示矩阵转置，Vb，Wb，Ub表示随机生成的权重矩阵，St表示所述隐藏状态，gi表示所述图向量。


4.根据权利要求2所述的基于语言模型的问询方法，其特征在于，基于所述目标知识图的概率值计算所述关键知识图中的三元组的向量，获得所述三元组向量的步骤包括：
所述三元组向量的特征为：其中，表示所述目标知识图的概率值，表示三元组的概率值，kj表示所述关键知识图中的三元组，
所述三元组的概率值的特征为：其中，表示第二中间值，
所述第二中间值的特征为：其中，Wc表示预设的权重矩阵，St表示所述隐藏状态，T表示矩阵转置。


5.根据权利要求1所述的基于语言模型的问询方法，其特征在于，所述通过静态图注意力机制计算所述目标知识图的图向量的步骤包括：
从生成的所述目标知识图中提取出所有...

【专利技术属性】
技术研发人员：姚海申，孙行智，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44