信息生成方法及装置制造方法及图纸

本公开实施例公开了一种信息生成方法及装置，首先将目标用户的至少一个治疗干预技术文本按照时间先后排序，得到治疗干预技术文本序列L[C1，C2，C3......C

【技术实现步骤摘要】
信息生成方法及装置


[0001]本公开涉及数据处理
，具体涉及到一种信息生成方法及装置。

技术介绍

[0002]多个治疗干预技术文本可以组成一个治疗干预线文本，相关技术中，依据历史治疗干预技术文本内容，无法快速预测下一阶段的治疗干预技术文本，从而信息生成效率低。

技术实现思路

[0003]本公开的主要目的在于提供一种信息生成方法及装置，以提高信息生成效率。
[0004]为了实现上述目的，根据本公开的第一方面，提供了一种信息生成方法，包括：将目标用户的至少一个治疗干预技术文本按照时间先后排序，得到治疗干预技术文本序列L[C1，C2，C3......C
n
]；将所述治疗干预技术文本序列L[C1，C2，C3......C
n
]输入至预先训练的循环神经网络进行预测，输出所述序列中最后一个元素C
n
的下一个治疗干预技术文本C
n+1
；将治疗干预技术文本序列L[C1，C2，C3......C
n
，C
n+1
]输入至所述预先训练的循环神经网络中，输出治疗干预技术文本C
n+2
；将每一次得到的治疗干预技术文本序列输入至所述预先训练的循环神经网络进行预测，循环执行预设次数m次后，得到治疗干预技术文本组成的序列L[C1，C2，C3......C
n
，C
n+1
，......C
n+m
]。
[0005]可选地，方法还包括：在每一次预测得到治疗干预技术文本后，确定与其相似的相似治疗干预技术文本，其中，将所述相似治疗干预技术文本作为备选治疗干预技术文本。
[0006]可选地，预先训练的循环神经网络的训练过程包括：对每一个预设治疗干预技术文本进行独热编码，得到每一个预设治疗干预技术文本对应的独热向量；基于所述预设治疗干预技术文本对应的独热向量，确定每一个预设治疗干预线文本的序列；将所有的预设治疗干预线文本的序列，输入至预建立的双向循环神经网络中，并且以序列中的最后一个独热向量为实际值，使用交叉熵损失函数计算误差，完成所述网络的参数学习，得到训练完成的网络模型。
[0007]可选地，在每一次预测得到治疗干预技术文本后，确定与其相似的相似治疗干预技术文本；基于预测得到治疗干预技术文本，在语义向量词典中确定与其对应的目标语义向量；确定与所述目标语义向量相似的相似语义向量，以将所述相似语义向量对应的治疗干预技术文本作为相似治疗干预技术文本。
[0008]可选地，方法还包括建立语义向量词典，包括：将预设治疗干预技术的描述文本、所述预设治疗干预技术的成效描述文本作为分类网络的输入；将预设治疗干预技术的描述文本标定为正性类别标签、将所述预设治疗干预技术的成效描述文本标定为负性类别标签；基于所述分类网络的输入、标定的所述正性类别标签、标定的所述负性类别标签，对所述分类网络进行训练；获取训练过程中提取的所述描述文本的注意力向量，并由所述注意力向量组成语义向量词典。
[0009]根据本公开的第二方面，提供了一种信息生成装置，包括：排序单元，被配置成将
目标用户的至少一个治疗干预技术文本按照时间先后排序，得到治疗干预技术文本序列L[C1，C2，C3......C
n
]；第一预测单元，被配置成将所述治疗干预技术文本序列L[C1，C2，C3......C
n
]输入至预先训练的循环神经网络进行预测，输出所述序列中最后一个元素C
n
的下一个治疗干预技术文本C
n+1
；第二预测单元，被配置成将治疗干预技术文本序列L[C1，C2，C3......C
n
，C
n+1
]输入至所述预先训练的循环神经网络进行预测，输出治疗干预技术文本C
n+2
；循环预测单元，被配置成将每一次得到的治疗干预技术文本序列输入至所述预先训练的循环神经网络进行预测，循环执行预设次数m次后，得到治疗干预技术文本组成的序列L[C1，C2，C3......C
n
，C
n+1
，......C
n+m
]。
[0010]装置还包括：确定单元，被配置成在每一次预测得到治疗干预技术文本后，确定与其相似的相似治疗干预技术文本，其中，将所述相似治疗干预技术文本作为备选治疗干预技术文本。
[0011]预先训练的循环神经网络的训练过程包括：对每一个预设治疗干预技术文本进行独热编码，得到每一个预设治疗干预技术文本对应的独热向量；基于所述预设治疗干预技术文本对应的独热向量，确定每一个预设治疗干预线文本的序列；将所有的预设治疗干预线文本的序列，输入至预建立的双向循环神经网络中，并且以序列中的最后一个独热向量为实际值，使用交叉熵损失函数计算误差，完成所述网络的参数学习，得到训练完成的网络模型。
[0012]根据本公开的第三方面，提供了一种计算机可读存储介质，存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面任意一项实施例所述的信息生成方法。
[0013]根据本公开的第四方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行第一方面任意一项实施例所述的信息生成方法。
[0014]在本公开实施例信息生成方法中，首先将目标用户的至少一个治疗干预技术文本按照时间先后排序，得到治疗干预技术文本序列L[C1，C2，C3......C
n
]；将治疗干预技术文本序列L[C1，C2，C3......C
n
]输入至预先训练的循环神经网络进行预测，输出序列中最后一个元素C
n
的下一个治疗干预技术文本C
n+1
；而后将每一次得到的治疗干预技术文本序列输入至所述预先训练的循环神经网络进行预测，循环执行预设次数m次后，得到治疗干预技术文本组成的序列L[C1，C2，C3......C
n
，C
n+1
，......C
n+m
]，采用基于目标用户的历史治疗干预技术文本能够快速预测当前治疗干预技术文本，提高了信息生成效率。。
附图说明
[0015]为了更清楚地说明本公开具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0016]图1是本公开信息生成方法的一个实施例流程图；图2是本公开信息生成方法的另一个实施例流程图；图3是本公开实施例信息生成装置的结构示意图；
图4是根据本公开实施例的电子设备的示意图。
具体实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种信息生成方法，其特征在于，包括：将目标用户的至少一个治疗干预技术文本按照时间先后排序，得到治疗干预技术文本序列L[C1，C2，C3......C
n
]；将所述治疗干预技术文本序列L[C1，C2，C3......C
n
]输入至预先训练的循环神经网络进行预测，输出所述序列中最后一个元素C
n
的下一个治疗干预技术文本C
n+1
；将治疗干预技术文本序列L[C1，C2，C3......C
n
，C
n+1
]输入至所述预先训练的循环神经网络中，输出治疗干预技术文本C
n+2
；将每一次得到的治疗干预技术文本序列输入至所述预先训练的循环神经网络进行预测，循环执行预设次数m次后，得到治疗干预技术文本组成的序列L[C1，C2，C3......C
n
，C
n+1
，......C
n+m
]。2.根据权利要求1所述的信息生成方法，其特征在于，所述方法还包括：在每一次预测得到治疗干预技术文本后，确定与其相似的相似治疗干预技术文本，其中，将所述相似治疗干预技术文本作为备选治疗干预技术文本。3.根据权利要求1所述的信息生成方法，其特征在于，所述预先训练的循环神经网络的训练过程包括：对每一个预设治疗干预技术文本进行独热编码，得到每一个预设治疗干预技术文本对应的独热向量；基于所述预设治疗干预技术文本对应的独热向量，确定每一个预设治疗干预线文本的序列；将所有的预设治疗干预线文本的序列，输入至预建立的双向循环神经网络中，并且以序列中的最后一个独热向量为实际值，使用交叉熵损失函数计算误差，完成所述网络的参数学习，得到训练完成的网络模型。4.根据权利要求2所述的信息生成方法，其特征在于，所述在每一次预测得到治疗干预技术文本后，确定与其相似的相似治疗干预技术文本；基于预测得到治疗干预技术文本，在语义向量词典中确定与其对应的目标语义向量；确定与所述目标语义向量相似的相似语义向量，以将所述相似语义向量对应的治疗干预技术文本作为相似治疗干预技术文本。5.根据权利要求4所述的信息生成方法，其特征在于，所述方法还包括建立语义向量词典，包括：将预设治疗干预技术的描述文本、所述预设治疗干预技术的成效描述文本作为分类网络的输入；将预设治疗干预技术的描述文本标定为正性类别标签、将所述预设治疗干预技术的成效描述文本标定为负性类别标签；基于所述分类网络的输入、标定的所述正性类别标签、标定的所述负性类别标签，对所述分类网络进行训练；获取训...

【专利技术属性】
技术研发人员：徐涛，
申请(专利权)人：浙江连信科技有限公司，
类型：发明
国别省市：