【技术实现步骤摘要】
改善累计误差的智能问诊方法、装置、设备及存储介质
[0001]本专利技术涉及人工智能
，尤其涉及一种改善累计误差的智能问诊方法、装置、设备及计算机可读存储介质。
技术介绍
[0002]随着人工智能的发展，机器学习在医疗分析领域的应用场景越来越多，比如，远程医疗、智能诊断、机器人问诊等。其中，医疗分析领域的智能分析手段大多是多轮交互的，确保获取更多的患者数据，得到更精确的诊断结果。
[0003]然而，多轮交互存在误差累积的问题，例如，在某一轮的某个阶段中，处理出现误差，则后续阶段会汇聚此误差，使后续阶段处理信息会被干扰，逐渐偏离目标方向，造成医疗分析准确性降低。
技术实现思路
[0004]本专利技术提供一种改善累计误差的智能问诊方法、装置、设备及存储介质，其主要目的在于通过改善累计误差，提高多轮交互场景下的智能识别准确率。
[0005]为实现上述目的，本专利技术提供的一种改善累计误差的智能问诊方法，包括：
[0006]获取患者的问答话语信息，并根据预设的预处理策略，对所述问答话语信...
【技术保护点】
【技术特征摘要】
1.一种改善累计误差的智能问诊方法，其特征在于，所述方法包括：获取患者的问答话语信息，并根据预设的预处理策略，对所述问答话语信息进行病症实体识别、意图识别及患者画像识别，得到实体集合、患者意图及患者画像；利用预训练的误差纠正疾病识别模型中的浅层网络，对所述实体集合、所述患者意图及所述患者画像进行第一量化操作，得到第一量化结果，并将第一量化结果进行全连接操作，得到第一特征向量；利用所述误差纠正疾病识别模型中的深层网络，对所述问答话语信息进行问答顺序拼接操作，得到患者症状文本，并对所述患者症状文本进行第二量化操作，得到第二特征向量；根据预设的特征融合策略，将所述第一特征向量及所述第二特征向量进行特征融合，得到融合向量；利用所述误差纠正疾病识别模型的疾病识别网络，对所述融合向量进行疾病多分类判断，得到疾病识别结果。2.如权利要求1所述的改善累计误差的智能问诊方法，其特征在于，所述对所述实体集合、所述患者意图及所述患者画像进行第一量化操作，得到第一量化结果，并将第一量化结果进行全连接操作，得到第一特征向量，包括：对所述患者画像中的各个画像标签进行量化操作，得到标签向量集合，根据预设的标签库数量及预设的第一嵌入维度，对所述标签向量集合进行加权平均计算，得到画像特征矩阵；对所述患者意图进行量化操作，得到意图向量集合，根据预设的意图库数量及所述第一嵌入维度，对所述意图向量集合进行加权平均计算，得到意图特征矩阵；对所述实体集合中的各个实体进行量化操作，得到实体向量集合，根据预设的实体库数量及所述第一嵌入维度，对所述实体向量集合进行加权平均计算，得到实体特征矩阵；对所述画像特征矩阵、所述意图特征矩阵及所述实体特征矩阵进行全连接操作，得到第一特征向量。3.如权利要求1所述的改善累计误差的智能问诊方法，其特征在于，所述对所述患者症状文本进行第二量化操作，得到第二特征向量，包括：根据预设的词典大小及预设的第二嵌入维度对所述患者症状本文进行分词及量化操作，得到各个语句量化结果；对各个所述语句量化结果分别进行加权平均计算，得到各个语句特征矩阵，并利用预构建的分隔符，根据所述患者症状文本中的问答顺序，依次将各个所述语句特征矩阵进行连接，得到第二特征向量。4.如权利要求1所述的改善累计误差的智能问诊方法，其特征在于，所述根据预设的特征融合策略，将所述第一特征向量及所述第二特征向量进行特征融合，得到融合向量，包括：根据预设的特征融合策略，对所述第一特征向量及所述第二特征向量进行矩阵对位相乘操作，得到乘积矩阵；对所述第一特征向量及所述第二特征向量进行矩阵对位相加操作，得到加和矩阵；依次对所述第一特征矩阵、所述第二特征矩阵、所述加和矩阵及所述乘积矩阵进行拼
接操作，得到融合向量。5.如权利要求1所述的改善累计误差的智能问诊方法，其特征在于，所述利用所述误差纠正疾病识别模型的疾病识别网络，对所述融合向量进行疾病多分类判断，得到疾病识别结果之前，所述方法还包括：获取预构建的历史患者数据，并根据预设的样本格式对所述历史患者数据进行格式化，得到训练样本集；获取初始化模型参数集合，并利用所述初始化模型参数集合，构建初始化误差纠正疾病识别模型；从所述训练样本集中依次提取一个训练样本，并利用所述初始化误差纠正疾病识别模型对所述训练样...
【专利技术属性】
技术研发人员：吴信朝，阮晓雯，吴振宇，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。