本技术涉及人工智能，具体地涉及一种基于大模型的膳食营养调查方法、装置及存储介质。
背景技术：
1、膳食营养调查是了解人群营养和健康状况的关键手段。基于人工统计的调查方法，主要依靠患者和营养师的配合完成，而患者经常无法准确回忆过去几天的饮食情况，患者的饮食量也无法评估，增加了调查结果的不准确性。同时，营养师数量不足、能力水平参差不齐，并且依靠人工做膳食营养调查，个人时间有限，能管理的人数有限，给膳食营养调查的开展增加了难度。借助膳食调查辅助工具的方法，大多是基于传感器采集数据进行统计分析，一方面使用不便利，另一方面采集的数据处理后也需要专业营养师的评估才能得出相对准确的结果。
技术实现思路
1、本技术实施例的目的是提供一种基于大模型的膳食营养调查方法、装置及存储介质，用以解决现有技术中膳食营养调查不够便捷准确的问题。
2、为了实现上述目的，本技术第一方面提供一种基于大模型的膳食营养调查方法，该方法包括：
3、响应于目标用户的膳食营养调查需求，控制膳食营养大模型向目标用户发送多个提问信息；多个提问信息基于循环问答的方式发送且用于获取目标用户的健康数据，健康数据至少包括病史、近期健康状况和生活饮食习惯；除首个提问信息之外的其余提问信息均由膳食营养大模型基于前述所有提问信息的目标用户的回答文本生成；
4、在根据目标用户针对每个提问信息的回答文本获取到目标用户的健康数据的情况下，控制膳食营养大模型生成目标用户的膳食营养调查报告。
5、在本技术实施例中，除首个提问信息之外的任一提问信息的生成步骤包括：获取前述所有提问信息的目标用户的回答文本中的待比对特征；基于对数似然损失算法将待比对特征与预期特征进行比对；预期特征对应于前述所有提问信息；根据比对结果生成当前的提问信息。
6、在本技术实施例中，构建膳食营养大模型的步骤包括：获取膳食营养知识文本和医学领域知识文本；分别确定医学领域知识文本中每个医学实体对应的医学类别；根据每个医学实体对应的医学类别，确定医学领域知识文本中不同医学实体之间的关系；根据医学领域知识文本确定每个医学实体对应的属性值；确定不同医学实体之间的第一相似度；确定不同关系之间的第二相似度；根据第一相似度、第二相似度、属性值确定医学知识图谱；对膳食营养知识文本进行向量化，以确定膳食营养向量库；基于医学知识图谱和膳食营养向量库构建膳食营养大模型。
7、在本技术实施例中，分别确定医学领域知识文本中每个医学实体对应的医学类别包括：基于bio标注法对医学领域知识文本中的每个医学实体进行标注，得到对应的标注文本；将标注文本输入至预训练的bert模型中编码，得到标注文本中的每个单词的向量信息；将向量信息输入至softmax分类器，以确定每个单词对应的医学类别；医学类别至少包括疾病、症状和药物。
8、在本技术实施例中，根据每个医学实体对应的医学类别，确定医学领域知识文本中不同医学实体之间的关系包括：基于每个医学实体对应的医学类别，确定医学领域知识文本中的词汇级特征；基于卷积方式确定医学领域知识文本中的句子级特征；将综合特征向量输入分类器中，以预测医学领域知识文本中不同医学实体之间的关系；综合特征向量由词汇级特征、句子级特征拼接得到。
9、在本技术实施例中，根据医学领域知识文本确定每个医学实体对应的属性值包括：基于metapad方法识别医学领域知识文本中的语句模式文本；通过预设的高质量语句模式库对语句模式文本进行过滤，将过滤后的语句模式文本中的名词短语作为候选属性词；根据所有候选属性词生成属性词典；基于属性词典对每个医学实体中的名词短语进行属性匹配，将匹配成功的名词短语作为对应医学实体的属性值。
10、在本技术实施例中，确定不同医学实体之间的第一相似度包括：基于预训练的word2vec模型和余弦相似度算法，确定不同医学实体之间的第一相似度。
11、在本技术实施例中，确定不同关系之间的第二相似度包括：分别确定各关系对应的特征集合；特征集合中包括该关系对应的词汇级特征和句子级特征；计算不同关系对应的特征集合的jaccard系数值，以确定不同关系之间的第二相似度。
12、在本技术实施例中，该方法还包括：构建膳食营养大模型的基础问答数据集；基础问答数据集用于训练膳食营养大模型学习医学领域和膳食营养领域的基础知识；构建膳食营养大模型的推理问答数据集；推理问答数据集用于训练膳食营养大模型对医学领域和膳食营养领域的多知识点进行逻辑关联推理；构建膳食营养大模型的任务问答数据集；任务问答数据集用于训练膳食营养大模型对医学领域和膳食营养领域的多知识点进行整合输出；依序基于基础问答数据集、推理问答数据集和任务问答数据集，对膳食营养大模型进行逐步调优。
13、在本技术实施例中，响应于目标用户的主动提问文本，判断主动提问文本所属的领域；在领域为医学领域的情况下，控制膳食营养大模型基于图检索增强生成技术和图遍历算法将主动提问文本在医学知识图谱中进行检索，并基于检索到的相关信息生成针对于主动提问文本的回答信息；在领域为膳食营养领域的情况下，控制膳食营养大模型基于命名实体全文检索技术将主动提问文本在膳食营养向量库中进行检索，并基于检索到的相关信息生成针对于主动提问文本的回答信息。
14、本技术第二方面提供一种基于大模型的膳食营养调查装置，包括：提问信息发送模块，用于响应于目标用户的膳食营养调查需求，控制膳食营养大模型向目标用户发送多个提问信息；多个提问信息基于循环问答的方式发送且用于获取目标用户的健康特征，健康特征至少包括病史、近期健康状况和生活饮食习惯；除首个提问信息之外的其余提问信息均由膳食营养大模型基于前述所有提问信息的目标用户的回答文本生成；报告生成模块，用于获取目标用户针对每个提问信息的回答文本中的健康特征，并根据健康特征控制膳食营养大模型生成目标用户的膳食营养调查报告。
15、本技术第三方面提供一种基于大模型的膳食营养调查设备，包括：
16、存储器，被配置成存储指令；以及
17、处理器，被配置成从存储器调用指令以及在执行指令时能够实现上述的基于大模型的膳食营养调查方法。
18、本技术第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行上述的基于大模型的膳食营养调查方法。
19、通过上述技术方案，响应于目标用户的膳食营养调查需求，控制膳食营养大模型向目标用户基于循环问答的方式发送多个提问信息并获取目标用户的健康特征；除首个提问信息之外的其余提问信息均由膳食营养大模型基于前述所有提问信息的目标用户的回答文本生成；获取目标用户针对每个提问信息的回答文本中的健康特征，并根据健康特征控制膳食营养大模型生成目标用户的膳食营养调查报告。由此，膳食营养大模型可以在每一轮问答结束后根据目标用户的回答文本和健康特征为目的驱动，确保多轮会话过程不偏离预定方向且可以动态调整问答内容，从而提高膳食营养调查报告的准确率。
20、本技术实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。