一种信息交互方法、装置、设备及存储介质与流程

1.本说明书涉及计算机技术领域，尤其涉及一种信息交互方法、装置、设备及存储介质。


背景技术：

2.随着人口的快速增长，医生提供的有限医疗资源已难以满足患者的医疗需求。基于智能对话系统的医疗诊断是人工智能在医疗领域的重要应用。智能对话系统可以通过与患者进行信息交互，为患者的非紧急病情提供医疗建议和用于辅助医生进行医疗诊断的诊断参考结果，以解决医生提供的医疗资源有限的问题。
3.现有技术中，通常采用强化学习的方法建模医疗诊断任务，根据强化学习模型输出的诊断参考结果的正误确定长期奖励，并以最大化长期奖励为目标训练模型。
4.然而，基于强化学习方法可能会出现患者的症状获取不完备的情况，进而降低了诊断参考结果的准确性。


技术实现要素：

5.本说明书提供一种信息交互方法及装置，以部分的解决现有技术存在的上述问题。
6.本说明书采用下述技术方案：
7.本说明书提供了一种信息交互方法，包括：
8.获取第一用户输入的用户信息以及向所述第一用户返回的会话信息；
9.将所述用户信息以及所述向所述第一用户返回的会话信息作为输入信息，输入到预先训练的会话模型，通过所述会话模型的第一特征融合层，得到所述输入信息的特征向量；
10.针对预设的每个会话类型，将所述输入信息的特征向量输入到所述会话模型中该会话类型对应的第二特征融合层，通过该会话类型对应的第二特征融合层，确定该会话类型对应的各候选会话信息；
11.根据该会话类型对应的各候选会话信息，由所述会话模型输出该会话类型对应的各候选会话信息的概率；
12.根据所述各会话类型分别对应的各候选会话信息的概率，确定目标会话信息并返回第一用户。
13.可选地，所述向所述第一用户返回的会话信息包括向所述第一用户返回的各提问信息；所述第一用户输入的用户信息包括所述第一用户输入的初始信息以及所述第一用户针对所述各提问信息输入的回应信息；
14.将所述用户信息以及所述向所述第一用户返回的会话信息作为输入信息，输入到预先训练的会话模型，通过所述会话模型的第一特征融合层，得到所述输入信息的特征向量，具体包括：
15.将所述初始信息以及所述各提问信息作为输入信息；
16.根据所述第一用户针对所述各提问信息输入的回应信息以及所述初始信息，确定所述输入信息的目标特征；
17.将所述输入信息以及所述输入信息的目标特征，输入到所述会话模型中的第一特征融合层，得到由所述第一特征融合层输出的所述输入信息的特征向量。
18.可选地，针对预设的每个会话类型，将所述输入信息的特征向量输入到所述会话模型中该会话类型对应的第二特征融合层，通过该会话类型对应的第二特征融合层，确定该会话类型对应的各候选会话信息，具体包括：
19.将所述输入信息的特征向量作为输入，输入到该会话类型对应的第二特征融合层，得到所述输入信息对该会话类型的重要性；
20.以所述输入信息对该会话类型的重要性为权重，对所述输入信息的特征向量加权；
21.根据该会话类型对应的加权结果，确定该会话类型对应的各候选会话信息。
22.可选地，根据所述各会话类型分别对应的各候选会话信息的概率，确定目标会话信息并返回所述第一用户，具体包括：
23.根据所述各会话类型分别对应的各候选会话信息的概率，确定目标会话类型；
24.根据所述目标会话类型对应的各候选会话信息的概率，从所述目标会话类型对应的各候选会话信息中，确定目标会话信息，并将包含所述目标会话信息的会话返回给所述第一用户。
25.可选地，所述预设的会话类型包括提问类型以及结果类型；
26.根据所述各会话类型分别对应的各候选会话信息的概率，确定目标会话类型，具体包括：
27.判断所述提问类型的各候选会话信息的最高概率是否高于预设的概率阈值；
28.若是，确定目标会话类型为提问类型；
29.若否，确定目标会话类型为结果类型。
30.可选地，预先训练会话模型，具体包括：
31.预先获取第一用户输入的历史用户信息，以及第二用户输入的历史会话信息；
32.根据所述历史用户信息以及所述历史会话信息，确定各会话类型的训练样本以及各会话类型的训练样本的标注；
33.针对预设的每个会话类型，将该会话类型的训练样本输入到待训练的会话模型，通过所述待训练的会话模型中的第一特征融合层，得到该会话类型对应的训练样本的特征向量；
34.将该会话类型对应的训练样本的特征向量作为输入，输入到所述会话模型中该会话类型对应的第二特征融合层，确定该会话类型对应的预测会话信息；
35.以各会话类型对应的预测会话信息，以及各会话类型对应的训练样本的标注之间的差异的最小化为训练目标，训练所述会话模型。
36.可选地，所述第二用户输入的历史会话信息包括各历史提问信息以及历史结果信息；所述第一用户输入的历史用户信息包括历史初始信息；
37.根据所述历史初始信息以及所述历史会话信息，确定各会话类型的训练样本以及
各会话类型的训练样本的标注，具体包括：
38.将所述历史初始信息以及若干历史提问信息作为提问类型对应的训练样本；
39.从所述各历史提问信息中，选择所述提问类型对应的训练样本未命中的历史提问信息，作为所述提问类型对应的训练样本的标注。
40.可选地，所述方法还包括：
41.将所述历史初始信息以及所有历史提问信息，作为结果类型对应的训练样本，将所述历史结果信息作为结果类型对应的训练样本的标注。
42.本说明书提供了一种信息交互装置，包括：
43.获取模块，用于获取第一用户输入的用户信息以及向所述第一用户返回的会话信息；
44.特征向量确定模型，用于将所述用户信息以及向所述第一用户返回的会话信息作为输入信息，输入到预先训练的会话模型，通过所述会话模型的第一特征融合层，得到所述输入信息的特征向量；
45.候选会话信息确定模块，用于针对预设的每个会话类型，将所述输入信息的特征向量输入到所述会话模型中该会话类型对应的第二特征融合层，通过该会话类型对应的第二特征融合层，确定该会话类型对应的各候选会话信息；
46.概率确定模块，用于根据该会话类型对应的各候选会话信息，由所述会话模型输出该会话类型对应的各候选会话信息的概率；
47.目标会话信息确定模块，用于根据所述各会话类型分别对应的各候选会话信息的概率，确定目标会话信息并返回所述第一用户。
48.本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述信息交互方法。
49.本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述信息交互方法。
50.本说明书采用的上述至少一个技术方案能够达到以下有益效果：
51.将第一用户输入的用户信息以及向第一用户返回的会话信息输入到预先训练的会话模型，得到输入信息的特征向量，进而由各会话类型对应的第二特征融合层输出各会话类型对应的候选会话信息，并得到各会话类型对应的候选会话信息的概率，根据确定出的候选会话信息的概率，确定向第一用户返回的会话信息的类型，进而确定向第一用户返回的指定会话信息。可见，通过会话模型中的各会话类型对应的第二特征融合层得到各会话类型对应的候选会话信息，挖掘第一用户未输入的潜在症状，避免了第一用户输入的用户信息不完备的问题，进而提高了诊断参考结果的准确性。
附图说明
52.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
53.图1为本说明书中一种信息交互方法的流程示意图；
54.图2为本说明书中一种会话模型训练方法的流程示意图；
55.图3为本说明书提供的一种信息交互装置的示意图；
56.图4为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
57.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
58.另外，需要说明的是，本发明中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
59.在实际生活中，医生能够为患者提供的医疗资源与患者的医疗需求之间存在不平衡的问题。为了应对上述问题，患者可以利用线上医疗资源为自身的非紧急病情寻求医疗建议和诊断参考结果，这可以一定程度地解决医生提供的医疗资源有限的问题。通常，患者可以在信息搜索平台搜索自身的症状相关信息，通过信息搜索平台返回的信息进行自我诊断，但是信息搜索平台返回的信息给出的患者症状对应的诊断结果的准确率较低，或者与患者症状不相关。因此，如何提高诊断的准确性是亟待解决的问题。
60.随着人工智能技术的发展，用于医疗问诊的智能对话系统越来越受到相关技术领域人员的关注。用于医疗问诊的智能对话系统可以认为是能够与患者进行信息交互并从中收集患者症状信息的智能对话系统，其本质是一个任务型的信息交互系统，主要任务可以是根据患者的自述症状，通过与患者的信息交互获得确定诊断参考结果所需要的症状信息，然后自动地给出用于辅助医生进行疾病诊断的诊断参考结果。上述过程能够有效地简化诊断流程并且减少从患者处收集症状信息的成本，此外智能对话系统做出的诊断参考结果也可以协助医生更加高效地做出诊断。
61.目前，通常采用强化学习的方式对医疗诊断任务进行建模。但这种强化学习的方式以最大化长期奖励为训练目标，此处的长期奖励通常是诊断参考结果的正误，也即，在模型训练阶段，基于强化学习的诊断模型的仅关注于如何输出正确的诊断参考结果。但是，上述诊断模型输出的诊断参考结果仅基于患者自述的症状，并未考虑患者还存在潜在症状没有描述，这就导致仅根据患者自述的不完备的症状确定诊断参考结果，降低了诊断参考结果的准确性。
62.为了解决上述问题，本方法通过基于患者自述的症状挖掘患者实际存在却没有自述的潜在症状，进而基于患者的自述症状以及潜在症状确定诊断参考结果，以达到提高诊断参考结果准确性的目的。
63.另外，需要说明的是，本说明书实施例提供的信息交互方法可以应用于不同交互方式的医疗诊断场景中，例如，患者可以通过与具备智能语音系统的智能设备进行语音交互，通过自述症状以及回答智能对话系统询问的问题，由智能语音系统以语音的形式为患者输出诊断参考结果；患者还可以通过与具有智能文字对话系统的智能设备进行文字交互，由智能文字对话系统以文字的形式为患者输出诊断参考结果。本说明书对信息交互方法应用的具体交互方式不做限定。
64.以下结合附图，详细说明本说明书各实施例提供的技术方案。
65.图1为本说明书中一种信息交互方法的流程示意图，具体包括以下步骤：
66.s100：获取第一用户输入的用户信息以及向第一用户返回的会话信息。
67.在本说明书实施例中，信息交互方法的执行主体可以是配置智能对话系统的服务器等电子设备，也可以是第一用户所使用的终端设备中安装的具有智能交互功能的客户端、浏览器等应用程序。本说明书以执行主体为服务器为例，对本说明书实施例进行具体说明。
68.具体的，本说明书实施例中，将寻求自身非紧急病情的诊断参考结果的患者作为第一用户，与第一用户进行信息交互的可以是配置有智能对话系统的智能设备。第一用户输入的用户信息包括初始信息，也即，患者自述的症状，例如，第一用户在与智能对话系统的首轮信息交互中输入的会话为“流鼻涕，而且咳嗽”，则可以提取“流鼻涕”和“咳嗽”作为用户信息，本说明书对第一用户输入的用户信息的数量不做限定。智能对话系统向第一用户(患者)返回的会话信息包括向第一用户询问的提问信息，例如，智能对话系统向第一用户询问“有没有发热”，则想第一用户返回的会话信息指的是“发热”这一症状。
69.在实际应用中，第一用户在与配置有智能对话系统的智能设备进行信息交互时，通常以第一用户输入信息为一轮信息交互的开始，以智能对话系统向第一用户返回会话信息为一轮信息交互的结束。一般的，智能对话系统可根据第一用户输入的信息为第一用户返回会话信息，其中，第一用户输入的信息可以是初始信息，也可以是针对智能对话系统返回的提问信息的回应信息。第一用户输入信息的方式可以依据智能对话系统支持的输入方式进行调整，如智能对话系统为智能语音系统时，第一用户输入的信息可以是语音，智能对话系统为智能文字对话系统时，第一用户输入的信息可以是文字。本说明书实施例对用户的输入方式不做限定。
70.通过若干轮的会话，智能对话系统不仅能够获得第一用户输入的初始信息(即自述症状)，还能够基于初始信息挖掘潜在的提问信息(即潜在症状)，进而基于初始信息以及挖掘出的提问信息获得第一用户完备的症状，进而确定用于为第一用户提供诊断参考的结果信息。
71.s102：将所述用户信息以及所述向所述第一用户返回的会话信息作为输入信息，输入到预先训练的会话模型，通过所述会话模型的第一特征融合层，得到所述输入信息的特征向量。
72.由于本说明书实施例提供的信息交互方法可以应用于为第一用户(患者)提供医疗问诊，而医疗问诊任务是具有症状挖掘和疾病诊断的顺序决策问题，因此，本说明书实施例中提供的会话模型可用于基于第一用户输入的初始信息确定向第一用户返回的提问信息，根据第一用户针对提问信息输入的回应信息挖掘第一用户的潜在症状，进而基于第一用户的自述症状以及智能对话系统挖掘出的第一用户所有潜在症状向第一用户返回诊断参考结果。
73.其中，会话信息中包含智能对话系统向第一用户返回的提问信息，用户信息中包含初始信息以及第一用户针对提问信息输入的回应信息，因此，输入信息中可包含的初始信息以及提问信息，并将回应信息用于确定输入信息的目标特征。
74.在此步骤中，针对智能对话系统与第一用户之间多轮信息交互的具体情况，可以
将信息交互场景分为首轮交互以及非首轮交互。
75.对于首轮交互，只基于第一用户输入的用户信息，因此，输入信息仅包含初始信息。对于非首次交互，基于用户信息，以及已经进行了的若干轮会话中智能对话系统返回给第一用户的各会话信息，因此，输入信息包含初始信息以及智能对话系统已返回给第一用户的提问信息。
76.实际上，向第一用户返回的完整会话可以是包含会话信息的询问会话或诊断参考会话，需要说明的是，为了提高第一用户的交互体验，通常会话信息与用户信息不同，各会话信息之间也不同，避免出现向第一用户重复提问症状的情况。
77.具体的，预先训练的会话模型中包含第一特征融合层，第一特征融合层用于从输入信息中提取特征，并根据输入信息中包含的用户信息以及各会话信息的特征，确定输入信息的特征向量。
78.s104：针对预设的每个会话类型，将所述输入信息的特征向量输入到所述会话模型中该会话类型对应的第二特征融合层，通过该会话类型对应的第二特征融合层，确定该会话类型对应的各候选会话信息。
79.在实际应用中，预设的会话类型可至少包括提问类型以及结果类型。本说明书实施例中提供的会话模型中包含预设的多个会话类型中的每个会话类型都对应于的第二特征融合层。通过将输入信息的特征向量输入到预设的各会话类型对应的第二特征融合层中，进而确定每个预设的会话类型对应的至少一个候选会话信息。
80.s106：根据该会话类型对应的各候选会话信息，由所述会话模型输出该会话类型对应的各候选会话信息的概率。
81.具体的，将各会话类型对应的第二特征融合层的输出，即，各会话类型对应的各候选会话信息，输入到各会话类型对应的分类函数中，以得到各会话类型对应的各候选会话信息的概率，具体的，可以根据不同的会话类型选择不同的分类函数，如逻辑回归函数。
82.s108：根据所述各会话类型分别对应的各候选会话信息的概率，确定目标会话信息并返回所述第一用户。
83.通常情况下，当提问类型对应的各候选回话信息的概率都较低时，说明即使继续向第一用户提问症状信息，也不会得到更多有价值的症状信息，另一方面，还需要避免想第一用户询问轮次过多，降低用户体验，因此，可根据提问类型对应的各候选会话信息的概率确定是否存在向第一用户继续询问症状的必要，并以此确定向第一用户返回的目标会话信息。
84.基于图1所示的信息交互方法，将第一用户输入的用户信息以及向第一用户返回的会话信息输入到预先训练的会话模型，得到输入信息的特征向量，进而由各会话类型对应的第二特征融合层输出各会话类型对应的候选会话信息，并得到各会话类型对应的候选会话信息的概率，根据确定出的候选会话信息的概率，确定向第一用户返回的会话信息的类型，进而确定向第一用户返回的指定会话信息。可见，通过会话模型中的各会话类型对应的第二特征融合层得到各会话类型对应的候选会话信息，挖掘第一用户未输入的潜在症状，避免了第一用户输入的用户信息不完备的问题，进而提高了诊断参考结果的准确性。
85.本说明书实施例中，在如图1步骤s102将所述用户信息以及所述向所述第一用户返回的会话信息作为输入信息，输入到预先训练的会话模型，通过所述会话模型的第一特
征融合层，得到所述输入信息的特征向量中，由于向第一用户返回的会话信息中包括各提问信息，以及，用户信息中不仅包含第一用户在首轮会话中输入的初始信息，还包括第一用户针对各提问信息的回应信息，因此，还可以根据第一用户输入的初始信息以及回应信息确定输入到会话模型中的输入信息的目标特征，将症状在第一用户自身存在的情况这一特征融合到输入信息的特征向量中，进而根据症状的存在或不存在的实际情况，挖掘第一用户的潜在症状。具体通过以下方式实现：
86.首先，根据所述第一用户针对所述各提问信息输入的回应信息以及所述初始信息，确定所述输入信息的目标特征。
87.具体的，由于各类型的症状之间也存在关系，如“流鼻涕”可能会伴发“鼻塞”，“咽痛”可能会伴发“咳嗽”。因此，基于已知的症状向第一用户询问是否存在已知症状的伴发症状可以挖掘出第一用户并未自述但可能存在的症状。第一用户针对智能对话系统返回的提问信息的输入的回应信息可以是对询问第一用户自身是否存在会话信息的回答。例如，智能对话系统向第一用户返回的包含会话信息的询问会话是“有没有发热”，其中，提问信息为“发热”，第一用户针对询问会话可以回答“没有发热”，智能对话系统获得第一用户输入的“没有发热”的回应信息，可以确定“发热”这一会话信息的目标特征为不存在。
88.需要说明的是，由于智能对话系统向第一用户返回的包含目标会话信息的会话可以是向第一用户询问是否存在提问信息。无论第一用户针对返回的提问信息的输入的回应信息是什么，都将向第一用户返回的会话信息作为下一轮信息交互中会话模型的输入。
89.会话模型可以基于输入的已知用户信息，预测第一用户可能存在的其他症状，其中，已知的用户信息可以包括第一用户自述的症状以及各症状的存在情况。之所以会出现已知信息中还包括各症状的存在情况的问题，是由于在会话中，智能对话系统向第一用户返回的提问信息虽然是存在概率较高的会话信息，但是有可能第一用户自身实际并未存在该提问信息所表征的症状，因此，即使第一用户自身实际不存在该会话信息所表征的症状，也可以将该会话信息与“不存在”的目标特征融合，指示该提问信息虽然与已知的症状相关，但第一用户实际不存在该提问信息所表征的症状，进而为后续预测其他会话信息提供预测方向。
90.例如，第一用户自述“流鼻涕，而且咳嗽”，但由于“流鼻涕”和“咳嗽”这两种用户信息对应的诊断参考结果可以是多种类型的，如“鼻炎”、“感冒”等，可以向第一用户询问是否存在会话信息所表征的症状，如向用户询问“是否发热”，若第一用户回答“是”，则可以在第一用户存在“流鼻涕”、“咳嗽”和“发热”的前提下，进一步预测与这三种症状伴发的其他症状，或者依据现有的已知症状确定用于为第一用户提供诊断参考意见的结果信息，如“可能是上呼吸道感染，建议及时就医”。若第一用户回答“否”，则说明第一用户在“流鼻涕”和“咳嗽”的前提下，并不存在“发热”的症状，应当在后续预测症状时，预测与“流鼻涕”和“咳嗽”相关，却不与“发热”相关的症状。
91.其次，将所述初始信息以及所述各提问信息作为输入信息。
92.在本说明书实施例提供的具体场景中，第一用户通过自述症状以及回答智能对话系统询问的与症状有关的问题，获得诊断参考结果，因此，会话模型的输入可以是第一用户输入的初始信息，以及若干轮会话中智能对话系统返回的各提问信息。在实际应用中，第一用户不会针对智能对话系统返回的诊断参考结果做出回应，也即，在智能对话系统向第一
用户返回诊断参考结果(结果类型的会话信息)后，会话结束，因此输入信息中包含的会话信息通常是各提问信息。
93.最后，将所述输入信息以及所述输入信息的目标特征，输入到所述会话模型中的第一特征融合层，得到由所述第一特征融合层输出的所述输入信息的特征向量。
94.具体的，可以将输入信息以及输入信息的目标特征在输入到第一特征融合层之前就进行拼接，然后将拼接后的输入信息及其目标特征共同输入到第一特征融合层；也可以在第一特征融合层之前设置特征提取层，将输入信息以及输入信息的目标特征分别输入到特征提取层，获得输入信息的原始特征向量，以及目标特征的特征向量，在通过第一特征融合层对输入信息的原始特征向量以及目标特征的特征向量进行特征融合。本说明书对此不做限定。
95.本说明书实施例中，在如图1步骤s104针对预设的每个会话类型，将所述输入信息的特征向量输入到所述会话模型中该会话类型对应的第二特征融合层，通过该会话类型对应的第二特征融合层，确定该会话类型对应的各候选会话信息，具体通过以下方式实现：
96.首先，将所述输入信息的特征向量作为输入，输入到该会话类型对应的第二特征融合层，得到由该会话类型对应的第二特征融合层输出的所述输入信息的重要性。
97.具体的，由于预设的会话类型包括提问类型以及结果类型，因此各会话类型对应的第二特征融合层输出的重要性表征的是：输入信息对预测各会话类型的候选会话信息的重要程度。其中，第二特征融合层输出的重要性可以是以向量的形式输出，该向量形式的输入信息的重要性中包含了输入信息中各信息对于预测各候选会话信息的重要程度。
98.可以理解的是，由于输入信息的特征向量可以体现输入信息中包含的各信息(用户信息以及各提问信息)之间的关系、各信息的特征以及各信息的存在情况，因此，提问类型的候选会话信息可以是依据第一用户自身存在的症状、不存在的症状以及上述各症状对预测各可能存在的症状的重要程度，挖掘出的第一用户自身可能存在的症状。结果类型的候选会话信息可以是依据第一用户完备的症状、各症状存在情况以及各症状对第一用户可能存在的疾病的重要程度，为第一用户提供诊断参考结果。
99.各会话类型对应的第二特征融合层输出的输入信息的重要性具体公式如下：
100.a＝[α1,α2,
…
αj]
[0101][0102]
其中，a第二特征融合层输出的输入信息的重要性的向量表征；n代表已知的所有症状的集合，为激活函数，τ为预设的参数，q为虚拟的指示标识，对于提问类型对应的第二特征融合层，q用于指示当前计算的重要性αj为：提问类型的训练样本中包含的第j个信息(用户信息或提问信息)对于预测提问信息的重要性；对于结果类型对应的第二特征融合层，q用于指示当前计算的重要性αj为：结果类型的训练样本中包含的第j个信息(用户信息或提问信息)对于预测结果信息的重要性。其中，激活函数可以是任意适用于会话模型中的第二特征融合层的激活函数，本说明书对此不做限定。
[0103]
然后，以该会话类型对应的所述输入信息的重要性为权重，对所述输入信息的特征向量加权。
[0104]
最后，根据该会话类型对应的加权结果，确定该会话类型对应的各候选会话信息。具体公式如下：
[0105][0106]
其中，y是各候选会话信息的向量表征形式，w1为会话模型训练中可调整的参数，n代表已知的所有症状的集合，αi为训练样本中包含的第j个信息(用户信息或提问信息)对于预测候选会话信息的重要性，zi为输入信息包含的第j个信息(用户信息或提问信息)的特征向量。
[0107]
需要说明的是，输入信息是包括第一用户输入的初始信息以及智能对话系统输入的提问信息的，对于不同会话类型的第二特征融合层，输入信息在提问信息的数量上存在不同。
[0108]
对于提问类型，输入信息包括第一用户输入的用户信息以及若干轮已进行的会话中智能对话系统返回给第一用户的各提问信息。
[0109]
对于提问类型，输入信息包括第一用户输入的用户信息以及所有已进行的会话中智能对话系统返回给第一用户的各提问信息。
[0110]
这是由于对于提问类型，基于第一用户自述的症状(用户信息)以及通过若干轮已进行的会话已经挖掘出的第一用户的潜在症状(提问信息)，预测还未被挖掘出的第一用户的潜在症状，而对于提问类型，基于第一用户自述的症状(用户信息)以及通过所有已进行的会话挖掘出的完备的第一用户的潜在症状(会话信息)，为第一用户提供诊断参考结果。
[0111]
本说明书实施例中，在如图1步骤s108根据所述各会话类型分别对应的各候选会话信息的概率，确定目标会话信息并返回所述第一用户，具体通过以下方式实现：
[0112]
首先，根据所述各会话类型分别对应的各候选会话信息的概率，判断所述提问类型的各候选会话信息的最高概率是否高于预设的概率阈值。
[0113]
提问类型的候选会话信息的概率用于指示第一用户自身实际存在候选会话信息的概率，因此，概率越高，说明第一用户越有可能实际存在会话信息所体现的症状，但却没有在输入用户信息时将该会话信息输入。
[0114]
其次，根据判断结果，确定目标会话类型。
[0115]
具体的，若提问类型的各候选会话信息中最高概率高于预设的概率阈值，说明第一用户还有潜在的症状没有阐述，通过询问第一用户是否实际存在这些潜在症状的方式，可以完整地获取第一用户实际存在和实际不存在的症状，为后续确定诊断参考结果奠定基础，因此确定目标会话类型为提问类型。
[0116]
若提问类型的各候选会话信息中最高概率不高于预设的概率阈值，说明智能对话系统通过会话模型挖掘出的各潜在症状(候选会话信息)实际存在于第一用户身上的概率都低于预设的概率阈值，此时可以认为已经充分挖掘出第一用户的潜在症状，可以结束智能对话系统与第一用户的会话，并进一步给出用于为第一用户提供疾病诊断参考意见的诊断参考结果，因此确定目标会话类型为结果类型。
[0117]
最后，根据所述目标会话类型对应的各候选会话信息的概率，从所述目标会话类型对应的各候选会话信息中，确定目标会话信息，并将包含所述目标会话信息的会话返回给所述第一用户。
[0118]
具体的，对于目标会话类型为提问类型的情况，可以从提问类型对应的各候选会话信息中选择预设数量的概率较高的候选会话信息作为向第一用户返回的目标会话信息，也可以仅选择概率最高的候选会话信息作为向第一用户返回的目标会话信息，本说明书对此不做限定。
[0119]
对于目标会话类型为结果类型的情况，通常，将概率最高的候选结果信息作为目标结果信息，这是由于在本说明书实施例中的医疗诊断任务的期望为向用户提供准确的诊断参考结果，以便为第一用户提供符合第一用户完备症状的诊断参考结果，但根据具体的应用场景，也可以对结果类型的目标会话信息的数量进行调整，本说明书对此不做限定。
[0120]
在本说明书一个可选地实施例中，在如图1步骤s102至s106所示的会话模型可具体通过以下方式预先训练，如图2所示。
[0121]
s200：预先获取第一用户输入的历史用户信息，以及第二用户输入的历史会话信息。
[0122]
本说明书实施例中提供一种预先训练用于预测向第一用户返回的会话信息的会话模型的方法，可由用于训练模型的服务器执行会话模型的训练过程。
[0123]
具体的，第一用户输入的历史用户信息，以及第二用户输入的历史会话信息可以是线下或线上问诊场景下的医患对话信息，将就诊的患者作为第一用户，将看诊的医生作为第二用户。第一用户输入的历史用户信息包括第一用户输入的初始信息(自述症状)以及第一用户针对第二用户输入的历史提问信息输入的历史回应信息，第二用户输入的历史会话信息包括第二用户根据第一用户自述的症状以及自身医疗知识确定出的历史提问信息(向第一用户询问的症状)以及第二用户基于第一用户自述的症状、第一用户针对第二用户询问是否存在各预测症状的回答给出的历史结果信息(历史诊断参考结果)。也即，可以获得第一用户的自述症状、第二用户预测的第一用户可能存在的症状及其历史存在情况。
[0124]
s202：根据所述历史用户信息以及所述历史会话信息，确定各会话类型的训练样本以及各会话类型的训练样本的标注。
[0125]
在本说明书实施例中，会话模型可以用于基于已知的第一用户的症状，挖掘第一用户可能存在、但智能对话系统未知的症状，也可以用于基于第一用户完备的症状，确定诊断参考结果。这是由于会话模型中包含各会话类型对应的第二特征融合层，因此，在训练会话模型的过程中，用于训练不同会话类型对应的第二特征融合层所用的训练样本也不同。其中，会话类型包括提问类型以及结果类型。
[0126]
s204：针对预设的每个会话类型，将该会话类型的训练样本输入到待训练的会话模型，通过所述待训练的会话模型中的第一特征融合层，得到该会话类型对应的训练样本的特征向量。
[0127]
可选的，还可以将训练样本的目标特征与训练样本共同输入到第一特征融合层中，进而得到由第一特征融合层输出该会话类型的训练样本对应的特征向量。其中，训练样本的目标特征是通过历史用户信息以及第一用户针对历史提问信息输入的历史回应信息确定的。训练样本的目标特征可以认为是训练样本中包含得各历史症状在第一用户自身的
存在情况，具体的，第一用户针对历史提问信息输入的历史回应信息为：存在历史提问信息所表征的症状，或不存在历史提问信息所表征的症状。
[0128]
s206：将该会话类型对应的训练样本的特征向量作为输入，输入到所述会话模型中该会话类型对应的第二特征融合层，确定该会话类型对应的预测会话信息。
[0129]
其中，提问类型的预测信息可以是待训练的会话模型基于已知的第一用户的症状，预测出的第一用户可能存在的其他症状。结果类型的预测会话信息可以认为是待训练的会话模型基于完备的第一用户的症状，预测出的第一用户的诊断参考结果。
[0130]
s208：以各会话类型对应的预测会话信息，以及各会话类型对应的训练样本的标注之间的差异的最小化为训练目标，训练所述会话模型。
[0131]
具体的，根据各会话类型进行区分，以预测提问信息以及提问类型对应的训练样本的标注之间的差异的最小化为训练目标，训练包含提问类型对应的第二特征融合层的会话模型；以预测结果信息以及结果类型对应的训练样本的标注之间的差异的最小化为训练目标，训练包含结果类型对应的第二特征融合层的会话模型。
[0132]
在本说明书以各可选的实施例中，如图2步骤s202根据所述历史用户信息以及所述历史会话信息，确定各会话类型的训练样本以及各会话类型的训练样本的标注，具体通过以下方式确定：
[0133]
历史会话信息的会话类型可包括提问类型以及结果类型，也即，历史会话信息包括历史提问信息以及历史结果信息。
[0134]
对于提问类型，用于训练会话模型的训练样本可以是已知的第一用户的症状，训练样本的标注则可以是第一用户可能存在、但智能对话系统未知的症状。因此，基于历史用户信息以及历史会话信息确定用于训练包含提问类型对应的第二特征融合层的会话模型的训练样本以及训练样本的标注可存在以下三种情况：
[0135]
第一种情况：智能对话系统已知的症状仅为第一用户输入的历史初始信息。对于这种情况，可将第一用户输入的初始信息作为提问类型的训练样本，将第二用户输入的所有历史提问信息作为提问类型的训练样本的标注。
[0136]
第二种情况：智能对话系统已知的症状完备的包含了第一用户输入的历史初始信息(即第一用户的自述症状)以及所有第二用户输入的历史提问信息(即第二用户预测的第一用户可能存在的所有症状)。对于这种情况，可将第一用户输入的初始信息以及第二用户输入的所有历史提问信息作为提问类型的训练样本，将没有症状作为提问类型的训练样本的标注。
[0137]
第三种情况：智能对话系统已知的症状包含了第一用户输入的历史初始信息以及若干第二用户输入的历史提问信息。对于这种情况，可将第一用户输入的历史初始信息以及第二用户输入的若干历史提问信息作为提问类型的训练样本，从所述各历史提问信息中，选择所述提问类型对应的训练样本未命中的历史提问信息，作为所述提问类型对应的训练样本的标注。
[0138]
上述提问类型的训练样本的构建方式不仅模拟了第一用户与第二用户进行多轮信息交互的情景，还扩展了训练样本的规模，在一定程度上缓解了数据稀疏的问题。其中，按上述样本构建方式构建的提问类型的训练样本的规模可以达到：
[0139][0140]
其中，i是提问类型训练样本中包含的历史提问信息的数量，k是所有历史提问信息的数量。
[0141]
对于结果类型，第二用户输入的历史会话信息中还包括第二用户基于历史初始信息以及历史提问信息确定出的历史结果信息。因此，基于历史初始信息以及历史提问信息确定用于训练包含结果类型对应的第二特征融合层的会话模型的结果类型的训练样本可以是第一用户输入的历史初始信息以及第二用户输入的所有历史提问信息，以及，结果类型的训练样本的标注可以是第二用户输入的历史结果。由于包含结果类型对应的第二特征融合层的会话模型是用于基于患者的所有已知症状，给出能够为患者提供医疗参考意见的诊断参考结果。因此，将第二用户输入的医疗诊断结果作为结果类型的训练样本的标注，是为了让会话模型输出的预测结果信息能够更贴近于第二用户输入的医疗诊断结果，以便训练后的会话模型能够给出为患者提供医疗参考意见的诊断参考结果。
[0142]
以上为本说明书的一个或多个实施例提供的信息交互方法，基于同样的思路，本说明书还提供了相应的信息交互装置，如图3所示。
[0143]
图3为本说明书提供的一种信息交互装置示意图，具体包括：
[0144]
获取模块300，用于获取第一用户输入的用户信息以及向所述第一用户返回的会话信息；
[0145]
特征向量确定模型302，用于将所述用户信息以及所述向所述第一用户返回的会话信息作为输入信息，输入到预先训练的会话模型，通过所述会话模型的第一特征融合层，得到所述输入信息的特征向量；
[0146]
候选会话信息确定模块304，用于针对预设的每个会话类型，将所述输入信息的特征向量输入到所述会话模型中该会话类型对应的第二特征融合层，通过该会话类型对应的第二特征融合层，确定该会话类型对应的各候选会话信息；
[0147]
概率确定模块306，用于根据该会话类型对应的各候选会话信息，由所述会话模型输出该会话类型对应的各候选会话信息的概率；
[0148]
目标会话信息确定模块308，用于根据所述各会话类型分别对应的各候选会话信息的概率，确定目标会话信息并返回所述第一用户。
[0149]
可选地，所述向所述第一用户返回的会话信息包括向所述第一用户返回的各提问信息；所述第一用户输入的用户信息包括所述第一用户输入的初始信息以及所述第一用户针对所述各提问信息输入的回应信息；
[0150]
可选地，所述特征向量确定模型302具体用于，将所述初始信息以及所述各提问信息作为输入信息；根据所述第一用户针对所述各提问信息输入的回应信息以及所述初始信息，确定所述输入信息的目标特征；将所述输入信息以及所述输入信息的目标特征，输入到所述会话模型中的第一特征融合层，得到由所述第一特征融合层输出的所述输入信息的特征向量。
[0151]
可选地，所述候选会话信息确定模块304具体用于，将所述输入信息的特征向量作为输入，输入到该会话类型对应的第二特征融合层，得到所述输入信息对该会话类型的重要性；以所述输入信息对该会话类型的重要性为权重，对所述输入信息的特征向量加权；根
array，fpga))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(hardware description language，hdl)，而hdl也并非仅有一种，而是有许多种，如abel(advanced boolean expression language)、ahdl(altera hardware description language)、confluence、cupl(cornell university programming language)、hdcal、jhdl(java hardware description language)、lava、lola、myhdl、palasm、rhdl(ruby hardware description language)等，目前最普遍使用的是vhdl(very-high-speed integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0163]
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0164]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0165]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0166]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0167]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0168]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0169]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0170]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0171]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0172]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0173]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0174]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0175]
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0176]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0177]
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。