基于多轮对话的高血压风险等级评估方法及系统技术方案

本发明专利技术提供一种基于多轮对话的高血压风险等级评估方法及系统，包括获取用户与智能问答终端的对话信息，将所述对话信息转换为文本信息，并将所述文本信息转换为文本向量；将所述文本向量以及预先获取的用户信息输入预先构建的意图识别模型，通过所述意图识别模型对所述文本向量和所述用户信息分配对应的权重值，输出与所述对话信息对应的意图信息；将所述意图信息与预先获取的用户信息进行结合，通过预先构建的风险评估模型，确定所述用户对应的风险评估值。的风险评估值。的风险评估值。

【技术实现步骤摘要】
基于多轮对话的高血压风险等级评估方法及系统


[0001]本专利技术涉及人机对话技术，尤其涉及一种基于多轮对话的高血压风险等级评估方法及系统。

技术介绍

[0002]在传统医疗问答系统中，很少有进行人机交互的。通常是用户在咨询完相关信息后系统就不会再进行对话，并且在传统的人机交互中用户通常是直接就开始与机器进行交互，这样一来用户通常是通过键盘或鼠标等外设来将自己的命令传递给机器人，而这种人机方式操作复杂，效率低下，对于没有使用经验的用户来说，这种传统的人机交互方式成为了用户与机器人进行沟通的障碍。
[0003]对话管理控制着人机对话的过程，其根据对话历史信息，决定此刻对用户的反应。最常见的应用是任务驱动的多轮对话，用户需求比较复杂，有很多限制条件，可能需要分多轮进行陈述，一方面，用户在对话过程中可以不断修改或完善自己的需求，另一方面，当用户的陈述的需求不够具体或明确的时候，机器也可以通过询问、澄清或确认来帮助用户找到满意的结果。对话管理器是协调人机交互的中心模块，大致可分为以下几种：
[0004]1.基于统计模型的对话管理技：如贝叶斯网络、图模型、基于对话的增强学习技术、部分可观测的马尔科夫决策过程等，使得计算机能够灵活地处理人机对话过程中用户的输入错误。相对于传统的基于规则的对话模型，基于统计模型的对话管理给予了用户较大的自由度，但使得计算复杂度高。
[0005]2.采用填槽法实现对话管理。该方法将对话建模成一个填槽的过程。槽是多轮对话过程中将初步用户意图转化为明确用户指令所需要补全的信息。一个槽与一件事情的处理中所需要获取的一种信息相对应。该方法支持混合主导型系统，用户和系统都可以获取对话的主导权。输入相对灵活，用户回答可以包含一个或多个槽位信息。对槽位提取准确度的要求比较高，适用于相对复杂的多轮对话。
[0006]3.有限状态机。这种方法通常将对话建模成一棵树或者有限状态机。系统根据用户的输入在有限的状态集合内进行状态跳转并选择下一步输出，如果从开始节点走到了终止节点则任务就完成了。该方法可提前设定好对话流程并由系统主导，建模简单，适用于简单任务。能将用户的回答限定在有限的集合内，但表达能力有限，灵活性不高。

技术实现思路

[0007]本专利技术实施例提供一种基于多轮对话的高血压风险等级评估方法及系统，至少能够解决现有技术中的部分问题，也即解决现有技术中问答局限性较多，且问答复杂的问题。
[0008]本专利技术实施例的第一方面，
[0009]提供一种基于多轮对话的高血压风险等级评估方法，包括：
[0010]获取用户与智能问答终端的对话信息，将所述对话信息转换为文本信息，并将所述文本信息转换为文本向量；
[0011]将所述文本向量以及预先获取的用户信息输入预先构建的意图识别模型，通过所述意图识别模型对所述文本向量和所述用户信息分配对应的权重值，输出与所述对话信息对应的意图信息，其中，所述意图识别模型基于双向神经网络构建，用于输出所述意图识别模型的输入信息对应的意图概率；
[0012]将所述意图信息与预先获取的用户信息进行结合，通过预先构建的风险评估模型，确定所述用户对应的风险评估值，其中，所述风险评估模型基于神经网络模型构建，用于输出所述风险评估模型的输入信息对应的风险评估值。
[0013]在一种可选的实施方式中，
[0014]所述将所述文本向量以及预先获取的用户信息输入预先构建的意图识别模型，通过所述意图识别模型对所述文本向量和所述用户信息分配对应的权重值，输出与所述对话信息对应的意图信息包括：
[0015]根据所述文本向量和所述用户信息，通过所述意图识别模型分别按照正向顺序确定所述文本向量对应的文本前向隐藏信息、所述用户信息对应的用户前向隐藏信息，以及按照反向顺序确定所述文本向量对应的文本反向隐藏信息、所述用户信息对应的用户反向隐藏信息，将所述文本前向隐藏信息、所述用户前向隐藏信息、所述文本反向隐藏信息以及所述用户反向隐藏信息作为语义向量组；
[0016]根据所述意图识别模型的注意力机制，为所述语义向量组中每个元素分配对应的权重值；
[0017]根据所述语义向量组以及所述语义向量组中每个元素对应的权重值，预测与所述对话信息对应的意图信息。
[0018]在一种可选的实施方式中，
[0019]所述根据所述意图识别模型的注意力机制，为所述语义向量组中每个元素分配对应的权重值如下公式所示：
[0020]；
[0021]其中，A
ij
表示权重值，N表示语义向量组的数量，h
i
、h
j
分别表示语义向量组中第i个元素和第j个元素，similarity()表示相似度函数。
[0022]在一种可选的实施方式中，
[0023]所述将所述意图信息与预先获取的用户信息进行结合，通过预先构建的风险评估模型，确定所述用户对应的风险评估值包括：
[0024]将所述意图信息与预先获取的用户信息进行向量拼接，确定综合向量信息；
[0025]将综合向量信息输入训练好的风险评估模型中，得到用户对应的风险评估值；
[0026]所述方法还包括训练所述风险评估模型：
[0027]将综合向量信息和相应的风险评估值作为目标标签；
[0028]定义损失函数，用于衡量模型预测结果与真实风险评估值之间的差距；对于回归问题，使用均方差损失函数；对于分类问题，使用交叉熵损失函数；
[0029]定义优化器，用于更新模型的权重参数，以减小损失函数的值；
[0030]使用训练数据集对模型进行训练，通过反向传播算法更新模型的参数，使模型输
出值趋近于拟合训练数据。
[0031]在一种可选的实施方式中，
[0032]通过所述意图识别模型对所述文本向量和所述用户信息分配对应的权重值，输出与所述对话信息对应的意图信息包括：
[0033]基于所述对话信息以及所述意图识别模型的特征提取模块中每一卷积层的卷积输出信息，以及所述对话信息经过所述特征提取模块中每一隐藏层的隐藏向量得分；
[0034]根据所述隐藏向量得分确定所述对话信息对应的注意力权重值，基于所述注意力权重值以及所述卷积输出信息确定所述对话信息对应的特征信息；
[0035]所述确定所述对话信息对应的特征信息如下公式所示：
[0036]；
[0037]其中，H
t
表示t时刻的特征信息，T表示总时长，表示t时刻卷积模块中第s层对应的卷积输出信息，W
CS
、W
lS
分别表示卷积模块和长短期记忆模块对应的权重，、分别表示t
‑
1时刻长短期记忆模块和卷积模块对应的输出。
[0038]本专利技术实施例的第二方面，
[0039]提供一种基于多轮对话的高血压风险等级评估系统，包括：
[0040]第一单元，用于获取用户与智能问答终端的对话信息，将所述对话本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多轮对话的高血压风险等级评估方法，其特征在于，包括：获取用户与智能问答终端的对话信息，将所述对话信息转换为文本信息，并将所述文本信息转换为文本向量；将所述文本向量以及预先获取的用户信息输入预先构建的意图识别模型，通过所述意图识别模型对所述文本向量和所述用户信息分配对应的权重值，输出与所述对话信息对应的意图信息，其中，所述意图识别模型基于双向神经网络构建，用于输出所述意图识别模型的输入信息对应的意图概率；将所述意图信息与预先获取的用户信息进行结合，通过预先构建的风险评估模型，确定所述用户对应的风险评估值，其中，所述风险评估模型基于神经网络模型构建，用于输出所述风险评估模型的输入信息对应的风险评估值。2.根据权利要求1所述的方法，其特征在于，所述将所述文本向量以及预先获取的用户信息输入预先构建的意图识别模型，通过所述意图识别模型对所述文本向量和所述用户信息分配对应的权重值，输出与所述对话信息对应的意图信息包括：根据所述文本向量和所述用户信息，通过所述意图识别模型分别按照正向顺序确定所述文本向量对应的文本前向隐藏信息、所述用户信息对应的用户前向隐藏信息，以及按照反向顺序确定所述文本向量对应的文本反向隐藏信息、所述用户信息对应的用户反向隐藏信息，将所述文本前向隐藏信息、所述用户前向隐藏信息、所述文本反向隐藏信息以及所述用户反向隐藏信息作为语义向量组；根据所述意图识别模型的注意力机制，为所述语义向量组中每个元素分配对应的权重值；根据所述语义向量组以及所述语义向量组中每个元素对应的权重值，预测与所述对话信息对应的意图信息。3.根据权利要求2所述的方法，其特征在于，所述根据所述意图识别模型的注意力机制，为所述语义向量组中每个元素分配对应的权重值如下公式所示：；其中，A
ij
表示权重值，N表示语义向量组的数量，h
i
、h
j
分别表示语义向量组中第i个元素和第j个元素，similarity()表示相似度函数。4.根据权利要求1所述的方法，其特征在于，所述将所述意图信息与预先获取的用户信息进行结合，通过预先构建的风险评估模型，确定所述用户对应的风险评估值包括：将所述意图信息与预先获取的用户信息进行向量拼接，确定综合向量信息；将综合向量信息输入训练好的风险评估模型中，得到用户对应的风险评估值；所述方法还包括训练所述风险评估模型：将综合向量信息和相应的风险评估值作为目标标签；定义损失函数，用于衡量模型预测结果与真实风险评估值之间的差距；对于回归问题，使用均方差损失函数；对于分类问题，使用交叉熵损失函数；定义优化器，用于更新模型的权重参数，以减小损失函数的值；使用训练数据集对模型进行训练，通过反向传播算法更新模型的参数，使模型输出值
趋近于拟合训练数据。5.根据权利要求1所述的方法，其特征在于，通过所述意图识别模型对所述文本向量和所述用户信息分配对应的权重值，输出与所述对话信息对应的意图信息包括：基于所述对话信息以及所述意图识别模型的特征提取模块中每一卷积层的卷积输出信息，以及所述对话信息经过所述特征提取模块中每一隐藏层的隐藏向量得分；根据所述隐藏向量得分确定所述对话信息对应的注意力权重值，基于所述注意力权重值以及所述卷积输出信息确定所述对话信息对应的特征信息；所述确定所述对话信息对应的特征信息如下公式所示：；其中，H
t
表示t时刻的特征信息，T表示总时长，表示t时刻卷积模块中第s层对应的卷积输出信息，W
CS
、W
lS
分...

【专利技术属性】
技术研发人员：李斯琦，
申请(专利权)人：北京健康有益科技有限公司，
类型：发明
国别省市：