基于人工智能的答案识别方法及装置、介质、电子设备与流程

本公开涉及自然语言处理技术领域，具体而言，涉及一种基于人工智能的答案识别方法、基于人工智能的答案识别装置、计算机可读介质以及电子设备。

背景技术：

在线医疗平台能够针对医学专业问题进行线上讨论，用户在医疗平台上发布问题，由专业的医生进行答疑解惑，从而避免了用户线下求助医生的困难，极大得方便了用户对于专业知识的检索。

一个问题可以由多位医生来回答，系统判定不同医生的答案是否可信，往往是结合用户“点赞、评价”和医生所在医院等级、医生职称高低等属性进行打分，或者通过机器学习的方式将这些属性融合成一个分数，按照分数大小进行判定。由于医疗问题的专业性，这种基于多种医生静态属性和用户投票因子评价一条问题答案质量的方法，只能衡量一条问题答案的权威度，普通患者用户认可度等，并不能衡量答案的正确性。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现要素：

本公开的目的在于提供一种基于人工智能的答案识别方法、基于人工智能的答案识别装置、计算机可读存储介质以及电子设备，进而在一定程度上克服由于相关技术的限制和缺陷而导致的，问题答案的正确性无法识别问题。

根据本公开的第一方面，提供一种基于人工智能的答案识别方法，包括：

获取医疗问答平台中的医疗问题，对医疗问题进行识别，获得属于目标类型的待识别问题；

提取对于所述待识别问题的各个答案，识别所述答案的情感极性；

根据所述答案的情感极性确定所述答案的可信度，以根据所述答案的可信度在所述医疗问答平台中对所述答案进行展示。

在本公开的一种示例性实施例中，所述识别所述答案的情感极性包括：

识别所述待识别问题中包含的关键词；

通过所述关键词从所述待识别问题的答案中提取出目标文本；

将所述目标文本输入极性分类模型中，以获得所述答案的情感极性。

在本公开的一种示例性实施例中，所述医疗问题包括医疗问题，所述识别所述待识别问题中包含的关键词包括：

通过医疗知识词库识别所述待识别问题中的关键词。

在本公开的一种示例性实施例中，通过所述关键词从所述待识别问题的答案中提取出目标文本包括：

对所述待识别问题的答案进行分句，将包含所述关键词的语句作为所述目标文本。

在本公开的一种示例性实施例中，根据所述答案的情感极性确定所述答案的可信度包括：

根据所述待识别问题的答案总数，统计所述情感极性的占比；

根据所述情感极性的占比确定所述答案的可信度，其中，所述情感极性的占比与所述答案的可信度呈正相关。

在本公开的一种示例性实施例中，对医疗问题进行识别，获得属于目标类型的待识别问题包括：

利用自然语言处理技术对所述医疗问题进行识别，以获得属于目标类型的待识别问题。

在本公开的一种示例性实施例中，根据所述答案的可信度对所述答案进行展示包括：

在所述医疗问答平台中，按照所述答案的可信度从高到低对所述答案进行排列显示；或者，

在显示时对所述可信度超过预设值的答案添加可信度标识。

根据本公开的第二方面，提供一种基于人工智能的答案识别装置。基于人工智能的答案识别装置可以包括问题识别模块、答案识别模块以及答案展示模块。其中：

问题识别模块，用于获取医疗问答平台中的医疗问题，对所述医疗问题进行识别，获得属于目标类型的待识别问题。

答案识别模块，用于提取对于所述待识别问题的各个答案，识别所述答案的情感极性。

答案展示模块，用于根据所述答案的情感极性确定所述答案的可信度，以根据所述答案的可信度在所述医疗问答平台中对所述答案进行展示。

在本公开的一种示例性实施例中，所述答案识别模块可以包括：关键词识别单元，用于识别所述待识别问题中包含的关键词；文本提取单元，用于通过所述关键词从所述待识别问题的答案中提取出目标文本；以及，极性分类单元，用于将所述目标文本输入极性分类模型中，以获得所述答案的情感极性。

在本公开的一种示例性实施例中，关键词识别单元可以用于：通过医疗知识词库识别所述待识别问题中的关键词。

在本公开的一种示例性实施例中，所述文本提取单元可以包括：对所述待识别问题的答案进行分句，将包含所述关键词的语句作为所述目标文本。

在本公开的一种示例性实施例中，所述答案展示模块可以包括：占比计算单元，用于根据所述待识别问题的答案总数，统计所述情感极性的占比；以及可信度计算单元，用于根据所述情感极性的占比确定所述答案的可信度，其中，所述情感极性的占比与所述答案的可信度呈正相关。

在本公开的一种示例性实施例中，所述问题识别模块可以用于：利用自然语言处理技术对所述医疗问题进行识别，以获得属于目标类型的待识别问题。

在本公开的一种示例性实施例中，所述答案展示模块可以用于：在所述医疗问答平台中，按照所述答案的可信度从高到低对所述答案进行排列显示；或者，在显示时对所述可信度超过预设值的答案添加可信度标识。

根据本公开的第三方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一项所述的基于人工智能的答案识别方法。

根据本公开的第四方面，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意一项所述的基于人工智能的答案识别方法。

本公开示例性实施例可以具有以下部分或全部有益效果：

在本公开的示例实施方式所提供的基于人工智能的答案识别方法中，根据答案的情感极性来确定答案的可信度，基于答案的可信度对答案进行展示，能够为用户提供更加可靠的答案，提高问答平台的服务质量；同时，可以优化答案的展示，使用户优先看到可靠的答案，提高用户体验。并且，与通过用户点赞以及医生属性来评价答案相比，通过识别情感极性确定出的答案可信度更加准确，能够提高展示的答案的准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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。

图1示出了可以应用本公开实施例的一种基于人工智能的答案识别方法及装置的示例性系统架构的示意图；

图2示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图；

图3示意性示出了根据本公开的一个实施例的基于人工智能的答案识别方法的流程图；

图4示意性示出了根据本公开的一个实施例中识别答案的情感极性的步骤的流程图；

图5示意性示出了根据本公开的一个实施例中答案的显示效果示意图；

图6示意性示出了根据本公开的一个实施例中极性分类模型的结构示意图；

图7示意性示出了根据本公开的一个实施例中确定答案可信度的步骤的流程图；

图8示意性示出了根据本公开的一个实施例的基于人工智能的答案识别装置的框图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

图1示出了可以应用本公开实施例的一种基于人工智能的答案识别方法及装置的示例性应用环境的系统架构的示意图。

如图1所示，系统架构100可以包括终端设备101、102、103中的一个或多个，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。终端设备101、102、103可以是具有显示屏的各种电子设备，包括但不限于台式计算机、便携式计算机、智能手机和平板电脑等等。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。比如服务器105可以是多个服务器组成的服务器集群等。

本公开实施例所提供的基于人工智能的答案识别方法一般由服务器105执行，相应地，基于人工智能的答案识别装置一般设置于服务器105中。但本领域技术人员容易理解的是，本公开实施例所提供的基于人工智能的答案识别方法也可以由终端设备101、102、103执行，相应的，基于人工智能的答案识别装置也可以设置于终端设备101、102、103中，本示例性实施例中对此不做特殊限定。举例而言，在一种示例性实施例中，可以通过终端设备101、102、103将医疗问题上传至服务器105，服务器通过本公开实施例所提供的基于人工智能的答案识别方法确定医疗问题的答案的可信度，然后根据答案的可信度将答案展示在终端设备101、102、103上等。

图2示出了适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

需要说明的是，图2示出的电子设备的计算机系统200仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图2所示，计算机系统200包括中央处理单元(cpu)201，其可以根据存储在只读存储器(rom)202中的程序或者从存储部分208加载到随机访问存储器(ram)203中的程序而执行各种适当的动作和处理。在ram203中，还存储有系统操作所需的各种程序和数据。cpu201、rom202以及ram203通过总线204彼此相连。输入/输出(i/o)接口205也连接至总线204。

以下部件连接至i/o接口205：包括键盘、鼠标等的输入部分206；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分207；包括硬盘等的存储部分208；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分209。通信部分209经由诸如因特网的网络执行通信处理。驱动器210也根据需要连接至i/o接口205。可拆卸介质211，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器210上，以便于从其上读出的计算机程序根据需要被安装入存储部分208。

特别地，根据本公开的实施例，下文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分209从网络上被下载和安装，和/或从可拆卸介质211被安装。在该计算机程序被中央处理单元(cpu)201执行时，执行本申请的方法和装置中限定的各种功能。在一些实施例中，计算机系统200还可以包括ai(artificialintelligence，人工智能)处理器，该ai处理器用于处理有关机器学习的计算操作。

其中，人工智能(artificialintelligence,ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现，所描述的单元也可以设置在处理器中。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定。

以下对本公开实施例的技术方案进行详细阐述：

本示例实施方式提供了一种基于人工智能的答案识别方法。该基于人工智能的答案识别方法可以应用于上述服务器105，也可以应用于上述终端设备101、102、103中的一个或多个，本示例性实施例中对此不做特殊限定。参考图3所示，该基于人工智能的答案识别方法可以包括以下步骤s310至步骤s330，其中：

步骤s310.获取医疗问答平台中的医疗问题，对医疗问题进行识别，获得属于目标类型的待识别问题。

步骤s320.提取对于所述待识别问题的各个答案，识别所述答案的情感极性。

步骤s330.根据所述答案的情感极性确定所述答案的可信度，以根据所述答案的可信度在所述医疗问答平台中对所述答案进行展示。

在本示例实施方式所提供的基于人工智能的答案识别方法中，根据答案的情感极性来确定答案的可信度，基于答案的可信度对答案进行展示，对于专业性较强的医疗问题来说，可以为普通的用户提供更加可靠的答案，避免因用户对于专业性问题的辨认能力不足而无法识别正确答案的问题；同时，可以优化答案的展示，使用户优先看到可靠的答案，提高用户体验。并且，与通过用户点赞以及医生属性来评价答案相比，通过识别情感极性确定出的答案可信度更加准确，能够提高展示的答案的准确性。

下面，对于本示例实施方式的上述步骤进行更加详细的说明。

在步骤s310中，获取医疗问答平台中的医疗问题，对医疗问题进行识别，获得属于目标类型的待识别问题。

其中，医疗问题可以理解为用户在互联网问答平台上发布的问题，具体可以包括医疗平台中的问题，或者其他平台中与医学知识相关的问题。根据用户医疗问题的内容，医疗问题可以分为多种类型，例如有关疾病治疗方案是否可行的判定型问题，如艾灸有没有效果、癌症手术的效果好不好等，再例如对医疗知识的解释型问题，如艾灸是什么等。可选地，目标类型可以为判定性问题。

通过获取问答平台上存在的医疗问题，对医疗问题进行识别，可以识别出其中属于目标类型的问题，将属于目标类型的问题作为待识别问题。本示例性实施方式中，通过自然语言处理技术可以对医疗问题进行识别。互联网上存在着各种各样的医疗问答平台，平台中的医疗问题是公开可见的，因此首先可以采集一定数量的问题样本，并标注出其中的判定型问题，然后基于自然语言处理技术，例如textcnn，来训练用于对问题进行分类识别的识别模型，训练完成后，可以将需要识别的医疗问题输入训练后的识别模型中，对医疗问题进行分类，确定医疗问题是否为待识别问题。

在示例性实施方式中，用于对医疗问题进行识别的识别模型可以包括输入层、卷积层、池化层、以及全连接层。在输入层可以通过word2vec来将医疗问题从文本转化为词向量，word2vec可以将文本中的每个词映射为一个向量，从而便于进行计算。最后一层全连接层可以为全连接的二分类softmax层，然后预测文本的类型，例如可以预测0/1二分类标签等。

在步骤s320中，提取对于所述待识别问题的各个答案，识别所述答案的情感极性。

情感极性可以分为正向和负向，也可以进行更加细化的区分，例如分为“正、普通、负”、“差、一般、好、很好”等。示例性的，对于判定型的待识别问题来说，其答案的情感极性可以包括肯定以及否定，也可以包括肯定、不明确以及否定，或者其他类型，例如反对、中立、赞同等。通过极性分类可以获取答案的情感极性。用户发布的每个医疗问题可以由多个医生来回答，问答平台会对每个问题及其对应的答案按照答案对的形式进行存储，因此同一个医疗问题具有多个答案对。从待识别问题的多个答案对中可以提取出待识别问题的多个答案，然后利用自然语言处理技术分别对各个答案进行极性分类，可以得出各个答案的情感极性。

示例性实施方式中，如图4所示，确定答案的情感极性的方法可以包括步骤s410、步骤s420以及步骤s430。具体的：

在步骤s410中，识别待识别问题中包含的关键词。示例性的，对于待识别问题可以先进行分词处理，获取问题中包含的各个词，进而利用医疗知识词库对分词处理得到的各个词进行匹配，得到其中的关键词。医疗知识词库中可以包含医疗领域的专有名词，例如疾病名称、症状、药物名称等等，通过医疗知识词库可以匹配出问题中包含的医疗类词语作为关键词，例如对于一问题“腹泻艾灸效果好吗”，可以识别出关键词“腹泻”、“艾灸”。另外，通过命名实体识别算法也可以识别出待识别问题中与医学知识相关的词，将答案中包含的与医学知识相关的词作为关键词。需要理解的是，本实施方式中，通过其他方法也可以识别出问题中包含的关键词，例如通过关键词识别算法直接对待识别问题进行识别，例如tf-idf算法等，从而得到问题中包含的关键词。

在步骤s420中，通过关键词从待识别问题的答案中提取出目标文本。通常用户在回答问题时也会包含一些与问题无关的内容，例如答案中可能包含回答者的打招呼、自我介绍等内容，如果将答案整体作为输入来评判情感极性不仅会降低极性分类的效率，还可能会导致极性分类不准确。因此可以从答案中提取出与关键词相关的语句作为目标文本，通过目标文本来确定答案的情感极性。示例性的，按照答案中的标点符号可以对答案进行分句，得到答案中包含的多个语句，进而将关键词所在的语句作为目标文本。举例而言，可以将答案按照句号进行划分得到多个语句，然后通过字符串匹配的方式匹配出包含关键词的语句，从而得到目标文本，可以保证目标文本的上下文语义的完整性，进而保证极性分类的准确性。例如，对于问题“腹泻艾灸效果好吗”对应的答案可以如图5所示，通过关键词“艾灸”提取出的“回答一”中的目标文本为“一般来说艾灸它对腹泻有一定的作用，但是作用不是很大，只能够辅助治疗”，而通过关键词“腹泻”则可以将“回答一”中全部内容均识别为目标文本。因此，如果待识别问题中包含多个关键词，也可以将同时包含多个关键词的语句作为目标文本，例如，对于图5中的“回答二”，提取出的目标文本则为“艾灸一般经过局部刺激，经络调节，改善循环，调节免疫等发挥作用，尤其是结合相关的经络也是有一定的治疗效果的，但是艾灸腹泻的效果是比较差的”。

在步骤s430中，将目标文本输入极性分类模型中，获得答案的情感极性。本实施方式中，在对目标文本进行分类之前，可以先获取一极性分类模型。示例性的，可以先采集一定数量的问答样本，通过人工标记的方式对问答样本中的答案可以进行标注，例如可以标注为是否两种类型等，将包含标注的答案作为训练数据，然后基于lstm(longshort-termmemory，长短期记忆网络)模型进行训练，得到极性分类模型。得到训练后的极性分类模型后，将目标文本输入该极性分类模型中，该极性分类模型可以对该目标文本进行预测，输出对应的情感极性。

待识别问题中可以包含一个或多个关键词，当待识别问题中只包含一个关键词时，包含该关键词的语句也可能不止一个，因此目标文本可以为多个。将多个目标文本可以分别进行极性分类，得到每一个目标文本的情感极性，然后将情感极性占比较高的作为答案的情感极性，例如，3个目标文本的情感极性均为否定，则可以确定答案的情感极性为否定，如果3个目标文本中有两个为肯定，则可以确定答案的情感极性为肯定。或者，可以将多个目标文本作为一个整体进行极性分类，从而确定出答案的情感极性。

图6示出了极性分类模型的示例性结构图。如图6所示，该极性分类模型可以为一lstm模型，该模型能够对文本的上下文序列进行捕捉从而取得较好的分类效果。该模型具体可以包括输入层(wordembedding)602、隐含层603以及输出层604。其中，输入层602可以复用步骤s310中的识别模型的输入层，通过该输入层将目标文本601中包含的各个词映射为向量，然后通过隐含层603中反复迭代的记忆单元(lstm单元)对向量序列进行计算处理，最后通过输出层(fullyconnected)604输出对于目标文本601的情感极性605。该输出层可以为正负二分类的softmax分类器。该情感极性605可以为一类型标签，在输出层可以通过设置极性阈值可以来输出目标文本的情感极性的类型标签，例如极性阈值可以设置为0.5、0.6等，或者也可以设置为其他数值，例如0.7、0.8等。如果输出层的预测值大于该极性阈值则可以确定情感极性的类型标签为正，如果小于该极性阈值则可以输出情感极性的类型标签为负，例如，对于目标文本601来说，可以得出预测值为0.17，则可以确定该目标文本601的情感极性为负。

在本公开的其他实施方式中，上述lstm模型还可以为其他结构，例如可以为双向的lstm、多层堆叠的lstm等；并且，极性分类模型还可以采用其他模型，例如卷积神经网络模型cnn、循环神经网络rnn等，这些均属于本公开的保护范围。

本领域技术人员容易理解的是，在本公开的其他实施方式中，确定待识别问题的答案的情感极性还可以通过其他方式，例如将答案的整体内容均作为极性分类模型的输入，直接对答案整体进行识别得到对应的情感极性；或者，对答案进行分句后将得到的每个语句分别进行识别，得到每个语句分别对应的情感极性，最终综合各个语句的情感极性确定出答案的情感极性等等，这些均属于本公开的保护范围。

继续参考图3，在步骤s330中，根据答案的情感极性确定所述答案的可信度，以根据答案的可信度在所述医疗问答平台中对答案进行展示。

本示例性实施方式中，答案的情感极性可以为否定或者肯定，如果一待识别问题的所有答案的情感极性均相同，则可以确定各个答案的可信度比较高。然后可以对各个答案的可信度进行排序，在医疗问答平台中展示时可以按照可信度从高到低排列展示各个答案。例如，在用户搜索相关问题时，该问题的所有答案按照可信度高低依次排列，排在第一位则为可信度最高的答案，用户可以先对可信度较高的答案进行浏览，从而快速找到相关问题的解决方案，提高搜索的效率。

举例而言，对于图5来说，如果确定“答案一”和“答案二”的情感极性为负，而确定“答案三”的情感极性为正，则可以确定“答案一”和“答案二”为可信度较高的答案。

如图7所示，确定答案的可信度的方法可以具体包括步骤s710以及步骤s720。

在步骤s710中，根据待识别问题的答案总数，统计情感极性的占比。举例而言，如果情感极性分为三种类型“否定、中立、肯定”，则确定每个答案的情感极性后，可以分别统计每一种情感极性的答案的占比，例如问题“颈椎病推拿按摩有效果吗”，存在5个答案，其中有4个答案的情感极性均为肯定，则可以确定情感极性为肯定的占比为4/5，有1个答案的情感极性为否定，则可以确定情感极性为否定的占比为1/5，情感极性为中立的占比为零。

在步骤s720中，根据情感极性的占比确定答案的可信度，其中，情感极性的占比与答案的可信度呈正相关。也就是说，情感极性占比越高的答案的可信度越高。情感极性的占比可以与答案的可信度相同，也可以通过一正相关函数计算答案的可信度，例如答案1的情感极性为肯定，情感极性为肯定的占比为0.6，则答案1的可信度可以为0.6，再例如，答案2的情感极性的占比为0.5，则可以根据y＝kx，其中k可以为任意正数，代入x＝0.5从而得到可信度y。

在示例性实施方式中，答案的情感极性的占比还可以与其他参数结合起来确定答案的可信度。示例性的，将情感极性的占比可以作为其中一个参数，分别确定各个参数的权重，然后综合各个参数确定可信度，例如结合答案的情感极性的占比以及上传答案的回答者的属性信息，如医生的职称、所在医院等级等，然后通过加权求和的方法来计算答案的可信度等。

可选地，在根据答案的可信度显示答案时，可以确定一可信度预设值，例如0.5、0.6等，将可信度不小于该预设值的答案推荐给用户。或者，如果医疗问题的答案数量较少，可以按照可信度从高到底将每一个答案进行排列展示；如果医疗问题对应的答案数量较多，则可以按照预设值将一部分可信度较小的答案进行过滤，只显示可信度超过预设值的答案，从而优化展示，提高用户体验。在本实施方式中，还可以对可信度超过预设值的答案添加一可信度标识，例如，对可信度最高的答案标识为“正确”、“可信”等。对于可信度不超过预设值的答案也可以添加另一标识，例如对可信度最低的答案标识为“不可信”、“错误”等。通过添加可信度标识可以使得专业性较强的医疗问题的答案更容易被识别，从而使得普通的用户能够识别出可靠的答案，降低医疗类答案的识别难度。

得到答案可信度之后，可以将答案的可信度应用于医学知识图谱的构建中，将可信度较高的答案可以存入知识库，并随着医疗类问答平台中的提问和答案的不断更新，对知识库进行更新，有利于提高知识图谱的准确性。当知识图谱构建完成后可以利用知识图谱来对医疗问题进行自动回答，并且能够得到可信度较高的答案。利用知识图谱可以将自动回答与人工回答相结合，从而为用户提供更加方便快捷的线上问答服务，并且还可以保证答案的可信度，有利于互联网在线问诊的发展。

此外，利用答案可信度还可以对问题的回答者进行等级划分。具体的，回答者每回答一个问题可以确定出该回答者提供的答案的可信度，综合该回答者提供的每个答案的可信度来确定该回答者的等级，如果在该回答者提供的所有答案中可信度较高的答案占大多数，或者所有答案的可信度均比较高，则可以将该回答者确定为一较高的等级，例如“高级”等，如果该回答者提供的所有答案中大多数的可信度均比较低，则可以将该回答者确定为一较低的等级，例如“普通”等。通过等级划分还可以对等级较高的回答者进行奖励，或者对特定等级的回答者进行奖励等，从而激励回答者提供更加专业、正确性较高的回答，可以改善问答平台的用户体验，提高问答平台的专业性。

在实际情况中，随着问答平台中的回答者发布的答案数量的增加，可以对回答者的等级进行更新，或者通过时间周期对回答者的等级进行更新。举例而言，如果回答者“医生a”的初始等级为“普通”，在该“医生a”提供的答案增加之后，可以再次对该“医生a”进行一次等级计算，结合新增答案的可信度以及历史回答的答案的可信度重新评价该“医生a”的等级，从而提高或者降低该“医生a”的等级。

示例性的，用户在问答平台中对于医疗相关的问题进行咨询时，根据用户输入的医疗问题可以搜索到该医疗问题对应的所有答案，并分别计算每个答案的可信度，选择一定数量的答案按照可信度从高到底显示在图形用户界面中，并且可以对可信度排在第一的答案打上标识，供用户参考，更方便用户快速地获取质量较高的搜索结果。此外，对于其他类型的判定型问题来说，也可以利用本公开提供的答案识别方法识别答案的可信度，例如生活类、教育类、娱乐类等，如果用户针对这些类型提问出了判定型问题，例如对于用户提问的生活类问题如“去国外旅游需不需要带外币”，也可以对对应的答案进行极性分类，确定各个答案的情感极性，从而给用户推荐可信度较高的答案。

应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

进一步的，本示例实施方式中，还提供了一种基于人工智能的答案识别装置。该基于人工智能的答案识别装置可以应用于一服务器或终端设备。参考图8所示，该基于人工智能的答案识别装置800可以包括问题识别模块810、答案识别模块820以及答案展示模块830。其中：

问题识别模块810，用于获取医疗问答平台中的医疗问题，对医疗问题进行识别，获得属于目标类型的待识别问题。

答案识别模块820，用于提取对于所述待识别问题的各个答案，识别所述答案的情感极性。

答案展示模块830，用于根据所述答案的情感极性确定所述答案的可信度，以根据所述答案的可信度在所述医疗问答平台中对所述答案进行展示。

在本公开的一种示例性实施例中，所述答案识别模块820可以包括：关键词识别单元，用于识别所述待识别问题中包含的关键词；文本提取单元，用于通过所述关键词从所述待识别问题的答案中提取出目标文本；以及，极性分类单元，用于将所述目标文本输入极性分类模型中，以获得所述答案的情感极性。

在本公开的一种示例性实施例中，关键词识别单元可以用于：通过医疗知识词库识别所述待识别问题中的关键词。

在本公开的一种示例性实施例中，所述文本提取单元可以包括：对所述待识别问题的答案进行分句，将包含所述关键词的语句作为所述目标文本。

在本公开的一种示例性实施例中，所述答案展示模块830可以包括：占比计算单元，用于根据所述待识别问题的答案总数，统计所述情感极性的占比；以及可信度计算单元，用于根据所述情感极性的占比确定所述答案的可信度，其中，所述情感极性的占比与所述答案的可信度呈正相关。

在本公开的一种示例性实施例中，所述问题识别模块810可以用于：利用自然语言处理技术对所述医疗问题进行识别，以获得属于目标类型的待识别问题。

在本公开的一种示例性实施例中，所述答案展示模块830可以用于：在所述医疗问答平台中，按照所述答案的可信度从高到低对所述答案进行排列显示；或者，在显示时对所述可信度超过预设值的答案添加可信度标识。

上述基于人工智能的答案识别装置中各模块或单元的具体细节已经在对应的基于人工智能的答案识别方法中进行了详细的描述，因此此处不再赘述。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该电子设备执行时，使得该电子设备实现如下述实施例中所述的方法。例如，所述的电子设备可以实现如图3～图7所示的各个步骤等。

需要说明的是，本公开所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。