本发明实施例涉及人工智能技术，尤其涉及一种模拟病人问诊对话方法、装置、终端设备及存储介质。
背景技术：
临床技能是医疗领域最有价值的财富，也是最难学习与锻炼的技能。临床技能的掌握与提升，需要通过大量的实践来获得。然而在传统的医学教学中，医学生或实习医生更多的是观察医生的临床过程，很难亲自接触到病人，也很少遇到典型的、有针对性的病例。对学生的考核与评估，也因为其面对的病人与病例差别迥异而没有客观的、标准的度量。标准化病人(standardizedpatients，简称sp)，又称为模拟病人(simulatepatients)，指经过标准化、系统化培训后，能准确表现病人的实际临床问题的正常人或病人，sp通过对临床环境和病人问题的逼真模拟与教学指导，发挥扮演病人、充当评估者和教师的多重作用，能够增加学生接触病人的机会，提供标准统一、客观公正的教学和评估方法，有利于培养良好职业素养与临床思维，从而解决上述问题，提高教学与评估的有效性。
然而，sp通常采取人员培训的方式，即招聘征集满足一定医学要求的人员，进行大量培训，使其能够扮演标准化病人的角色。标准化病人训练成本高、训练周期长，无法满足医学教学和评估的需求。
技术实现要素：
本发明实施例提供一种模拟病人问诊对话方法、装置、终端设备及存储介质，可以降低训练成本，并且可以缩短训练周期。
第一方面，本发明实施例提供一种模拟病人问诊对话方法，包括：
获取用户输入的问诊语句；
在问诊匹配模板中查找与所述问诊语句相对应的第一应答语句；
若所述问诊匹配模板中存在与所述问诊语句相对应的第一应答语句，则向用户输出所述第一应答语句；若不存在，则根据所述问诊语句的语义属性类别确定相应的第二应答语句，并向用户输出所述第二应答语句；
其中，所述问诊匹配模板包括匹配规则和所述匹配规则对应的应答语句，所述匹配规则用于对所述问诊语句进行匹配。
结合第一方面，在第一方面的一种可能的实现方式中，所述根据所述问诊语句的语义属性类别确定相应的第二应答语句，包括：
根据与所述问诊语句的语义属性类别对应的病理知识库解析所述问诊语句，获取与所述问诊语句对应的第二应答语句。
结合第一方面或第一方面的一种可能的实现方式，在第一方面的另一种可能的实现方式中，所述语义属性类别包括：症状类别、疼痛类别中的至少一个；根据与所述问诊语句的语义属性类别对应的病理知识库解析所述问诊语句，获取与所述问诊语句对应的第二应答语句，包括：
获取所述问诊语句的关键词；
在所述问诊语句的语义属性类别对应的病理知识库中查找所述问诊语句的关键词；
根据所述问诊语句的关键词是否存在于所述病理知识库中，生成与所述问诊语句对应的第二应答语句。
结合第一方面或第一方面的任一种可能的实现方式，在第一方面的另一种可能的实现方式中，所述语义属性类别包括过渡语义类别，所述方法还包括：
获取所述问诊语句的关键词；
根据所述问诊语句的关键词确定所述问诊语句对应的第二应答语句。
结合第一方面或第一方面的任一种可能的实现方式，在第一方面的另一种可能的实现方式中，所述语义属性类别包括其他语义类别，所述方法还包括：
使用第一机器学习算法对所述问诊语句进行处理，获取与所述问诊语句对应的第二应答语句；
其中，所述第一机器学习算法为使用问诊知识库训练得到的，所述问诊知识库包括问诊语句和对应的应答语句。
结合第一方面或第一方面的任一种可能的实现方式，在第一方面的另一种可能的实现方式中，所述使用第一机器学习算法对所述问诊语句进行处理，获取与所述问诊语句对应的第二应答语句，包括：
对所述问诊知识库进行分词，获取词的集合；
根据所述词的集合形成向量空间；
根据所述向量空间确定所述问诊语句的向量；
采用相似度算法在所述向量空间中，匹配所述问诊语句的向量；
若匹配成功，提取与所述问诊语句对应的第二应答语句。
结合第一方面或第一方面的任一种可能的实现方式，在第一方面的另一种可能的实现方式中，所述方法还包括：
使用第二机器学习算法对所述问诊语句进行分类处理，确定所述问诊语句的语义属性类别；
其中，所述第二机器学习算法为使用问诊语句和与所述问诊语句对应的语义属性类别训练得到的。
结合第一方面或第一方面的任一种可能的实现方式，在第一方面的另一种可能的实现方式中，所述获取用户输入的问诊语句，包括：
接收用户输入的语音信号；
对所述语音信号进行语音到文字转换，获取所述问诊语句。
结合第一方面或第一方面的任一种可能的实现方式，在第一方面的另一种可能的实现方式中，所述向用户输出所述第二应答语句，包括：
对所述第二应答语句进行文字到语音转换，输出所述第二应答语句的语音信号。
结合第一方面或第一方面的任一种可能的实现方式，在第一方面的另一种可能的实现方式中，所述方法还包括：
接收标准化病人模拟指令，根据所述标准化病人模拟指令对应的疾病信息，确定当前激活的疾病；
根据所述当前激活的疾病，确定所述病理知识库。
第二方面，本发明实施例提供一种模拟病人问诊对话装置，包括：
获取模块，用于获取用户输入的问诊语句；
匹配模块，用于在问诊匹配模板中查找与所述问诊语句相对应的第一应答语句；
输出模块，用于若所述问诊匹配模板中存在与所述问诊语句相对应的第一应答语句，则向用户输出所述第一应答语句；若不存在，则根据所述问诊语句的语义属性类别确定相应的第二应答语句，并向用户输出所述第二应答语句；
其中，所述问诊匹配模板包括匹配规则和所述匹配规则对应的应答语句，所述匹配规则用于对所述问诊语句进行匹配。
结合第二方面，在第二方面的一种可能的实现方式中，所述输出模块包括第一应答确定模块，所述第一应答确定模块用于：
根据与所述问诊语句的语义属性类别对应的病理知识库解析所述问诊语句，获取与所述问诊语句对应的第二应答语句。
结合第二方面或第二方面的一种可能的实现方式，在第二方面的另一种可能的实现方式中，所述语义属性类别包括：症状类别、疼痛类别中的至少一个；所述第一应答确定模块具体用于：
获取所述问诊语句的关键词；
在所述问诊语句的语义属性类别对应的病理知识库中查找所述问诊语句的关键词；
根据所述问诊语句的关键词是否存在于所述病理知识库中，生成与所述问诊语句对应的第二应答语句。
结合第二方面或第二方面的任一种可能的实现方式，在第二方面的另一种可能的实现方式中，所述语义属性类别包括过渡语义类别，所述输出模块还包括第二应答确定模块，所述第二应答确定模块用于：
获取所述问诊语句的关键词；
根据所述问诊语句的关键词确定所述问诊语句对应的第二应答语句。
结合第二方面或第二方面的任一种可能的实现方式，在第二方面的另一种可能的实现方式中，所述语义属性类别包括其他语义类别，所述输出模块还包括第三应答确定模块，所述第三应答确定模块用于：
使用第一机器学习算法对所述问诊语句进行处理，获取与所述问诊语句对应的第二应答语句；
其中，所述第一机器学习算法为使用问诊知识库训练得到的，所述问诊知识库包括问诊语句和对应的应答语句。
结合第二方面或第二方面的任一种可能的实现方式，在第二方面的另一种可能的实现方式中，所述第三应答确定模块用于：
对所述问诊知识库进行分词，获取词的集合；
根据所述词的集合形成向量空间；
根据所述向量空间确定所述问诊语句的向量；
采用相似度算法在所述向量空间中，匹配所述问诊语句的向量；
若匹配成功，提取与所述问诊语句对应的第二应答语句。
结合第二方面或第二方面的任一种可能的实现方式，在第二方面的另一种可能的实现方式中，所述装置还包括类别确定模块，所述类别确定模块用于：
使用第二机器学习算法对所述问诊语句进行分类处理，确定所述问诊语句的语义属性类别；
其中，所述第二机器学习算法为使用问诊语句和与所述问诊语句对应的语义属性类别训练得到的。
结合第二方面或第二方面的任一种可能的实现方式，在第二方面的另一种可能的实现方式中，所述获取模块，用于：
接收用户输入的语音信号；
对所述语音信号进行语音到文字转换，获取所述问诊语句。
结合第二方面或第二方面的任一种可能的实现方式，在第二方面的另一种可能的实现方式中，所述输出模块用于：
对所述第二应答语句进行文字到语音转换，输出所述第二应答语句的语音信号。
结合第二方面或第二方面的任一种可能的实现方式，在第二方面的另一种可能的实现方式中，所述获取模块还用于：
接收标准化病人模拟指令，根据所述标准化病人模拟指令对应的疾病信息，确定当前激活的疾病；
根据所述当前激活的疾病，确定所述病理知识库。
第三方面，本发明实施例提供一种计算机存储介质，其上存储有计算机程序或指令，当所述计算机程序或指令被处理器或计算机执行时，实现如上述第一方面任一项所述的方法。
第四方面，本发明实施例提供一种终端设备，所述终端设备包括：处理器、存储器、收发器；所述收发器耦合至所述处理器，所述处理器控制所述收发器的收发动作；
其中，所述存储器用于存储计算机可执行程序代码，所述程序代码包括指令；当所述处理器执行所述指令时，所述指令使所述终端设备执行如第一方面任一项所述的方法。
本发明实施例的模拟病人问诊对话方法、装置、终端设备及存储介质，通过获取用户输入的问诊语句，在问诊匹配模板中查找与所述问诊语句相对应的第一应答语句，若所述问诊匹配模板中存在与所述问诊语句相对应的第一应答语句，则向用户输出所述第一应答语句；若不存在，则根据所述问诊语句的语义属性类别确定相应的第二应答语句，并向用户输出所述第二应答语句，实现与使用者进行自动问诊对话，达到模拟病人问诊对话的效果，可以应用于临床医学技能的练习和评估，相较于通过培训真人的方式，可以降低训练成本，并且可以缩短训练周期。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的模拟病人问诊对话方法实施例一的流程图；
图2为本发明的模拟病人问诊对话方法实施例二的流程图；
图3为本发明的模拟病人问诊对话装置实施例一的结构示意图；
图4为本发明的模拟病人问诊对话装置实施例二的结构示意图；
图5为本发明的终端设备实施例一的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本文所涉及的“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。
本文所涉及的“医生”具体指实习医生或医学生。
本发明实施例所涉及的“第一机器学习算法”和“第二机器学习算法”用于区分不同的机器学习算法，这里所说的不同指的是训练数据不同。该第一机器学习算法和第二机器学习算法均可以为传统机器学习算法、神经网络算法等。
本发明实施例的模拟病人问诊对话方法可以应用于终端设备中，该终端设备也可以称为终端(terminal)、用户设备(userequipment，ue)、移动台(mobilestation，ms)、移动终端(mobileterminal，mt)等。终端设备可以是手机(mobilephone)、平板电脑(pad)、带无线收发功能的电脑、虚拟现实(virtualreality，vr)终端、增强现实(augmentedreality，ar)终端等等。
该终端设备通过执行本发明实施例的模拟病人问诊对话方法，以在临床医学技能的练习和评估过程中，充当标准化病人的角色，使用该终端设备的使用者可以作为医生的角色，与该终端设备进行自动问诊对话，达到模拟对病人问诊的效果。使用者可以使用该终端设备进行临床医学技能的练习和评估，相较于通过培训真人的方式，可以降低训练成本，并且可以缩短训练周期。
图1为本发明的模拟病人问诊对话方法实施例一的流程图，如图1所示，本实施例的方法可以包括：
步骤101、获取用户输入的问诊语句。
其中，该用户可以是在临床医学技能的练习和评估过程中上述终端设备的使用者，其作为医生的角色，该问诊语句可以是对充当标准化病人的角色的终端设备进行问询的语句，以根据该终端设备反馈的应答语句，确定该标准化病人的疾病，例如，该问诊语句可以是“请问您贵姓？”，“您好，您哪里不舒服”，“您发烧吗”等等。
具体的，获取用户输入的问诊语句的具体实现方式可以有很多种不同的实现方式。一种具体的可实现方式为接收用户输入的语音信号，对所述语音信号进行语音到文字转换，获取所述问诊语句。当然可以理解的，其也可以是接收用户输入的问诊语句，即用户通过上述终端设备的外设输入文字，使得该终端设备获取该问诊语句。其也可以是其他实现方式，本发明实施例对此不做限制。
步骤102、在问诊匹配模板中查找与所述问诊语句相对应的第一应答语句。
其中，所述问诊匹配模板包括匹配规则和所述匹配规则对应的应答语句。该匹配规则用于对所述问诊语句进行匹配。其中，匹配的具体实现方式可以为正则匹配、关键词匹配等，本发明实施例不以此作为限制。
具体的，该问诊匹配模板可以包括一个或多个匹配规则和匹配规则对应的应答语句，在本实施例中，获取到问诊语句后，可以在该问诊匹配模板中查找与该问诊语句相符的匹配规则，若存在相符的匹配规则，则获取该匹配规则对应的应答语句，该匹配规则对应的应答语句即为该第一应答语句，并执行下述步骤103。若不存在相符的匹配规则，则执行下述步骤104。
举例而言，该匹配规则为：***您贵姓**，该匹配规则对应的应答语句为：我姓王，我浑身发热。如果该问诊语句是“请问您贵姓？”，则该问诊语句与该匹配规则相符，该匹配规则对应的应答语句即为该第一应答语句。即问诊匹配模板中存储该问诊语句对应的第一应答语句，则执行下述步骤103。
如果该问诊语句是“您发烧吗”，则该问诊语句与该匹配规则不相符，即匹配模板中不存在该问诊语句对应的应答语句，则执行下述步骤104。
步骤103、若所述问诊匹配模板中存在与所述问诊语句相对应的第一应答语句，则向用户输出所述第一应答语句。
其中，向用户输出该第一应答语句的具体实现方式有很多种，例如，对该第一应答语句进行文字到语音转换，输出该第一应答语句的语音信号。当然可以理解的，也可以直接输出该第一应答语句的文字，也可以输出语音信号和文字，本发明实施例对此不做限定。
步骤104、若不存在，则根据所述问诊语句的语义属性类别确定相应的第二应答语句，并向用户输出所述第二应答语句。
其中，本发明实施例的语义属性类别可以包括症状类别、疼痛类别、过渡语义类别和其他语义类别中任意一项或者多项，其可以根据需求进行灵活设置。当问诊匹配模板中不存在该问诊语句对应的第一应答语句时，可以确定该问诊语句的语义属性类别，并根据该问诊语句的语义属性类别确定相应的第二应答语句。
向用户输出该第二应答语句的具体实现方式也有很多种，例如，对该第二应答语句进行文字到语音转换，输出该第二应答语句的语音信号。当然可以理解的，也可以直接输出该第二应答语句的文字，也可以输出语音信号和文字，本发明实施例对此不做限定。
上述步骤104的一种具体的可实现方式：根据与所述问诊语句的语义属性类别对应的病理知识库解析所述问诊语句，获取与所述问诊语句对应的第二应答语句。
其中，该病理知识库为根据各个标准化病人的病历形成的，其可以包括各种症状、各种疼痛部位等。根据该病理知识库获取的第二应答语句，与病历相符，从而实现模拟标准化病人。
本实施例，通过获取用户输入的问诊语句，在问诊匹配模板中查找与所述问诊语句相对应的第一应答语句，若所述问诊匹配模板中存在与所述问诊语句相对应的第一应答语句，则向用户输出所述第一应答语句；若不存在，则根据所述问诊语句的语义属性类别确定相应的第二应答语句，并向用户输出所述第二应答语句，实现与使用者进行自动问诊对话，达到模拟病人问诊对话的效果，可以应用于临床医学技能的练习和评估，相较于通过培训真人的方式，可以降低训练成本，并且可以缩短训练周期。
下面采用几个具体的实施例，对上述方法实施例的技术方案进行详细说明。
图2为本发明的模拟病人问诊对话方法实施例二的流程图，如图2所示，本实施例的方法可以包括：
步骤201、获取用户输入的问诊语句。
步骤202、在问诊匹配模板中查找与所述问诊语句相对应的第一应答语句。
步骤203、若所述问诊匹配模板中存在与所述问诊语句相对应的第一应答语句，则向用户输出所述第一应答语句。
上述步骤201至步骤203的具体解释说明可以参见图1所示实施例的步骤101至步骤103，此处不再赘述。
举例而言，用户发问的问诊语句为：“您好，您哪里不舒服”。匹配规则为“***不舒服**”，匹配规则对应的应答语句为“我周身疼痛”，上述匹配模板包括该匹配规则和该匹配规则对应的应答语句，则通过上述步骤201至步骤203，可以确定该问诊语句的应答语句为“我周身疼痛”。
步骤204、若不存在，则确定所述问诊语句的语义属性类别。
其中，问诊语句的语义属性类别的确定可以使用机器学习算法确定，具体的，使用第二机器学习算法对所述问诊语句进行分类处理，确定所述问诊语句的语义属性类别；其中，所述第二机器学习算法为使用问诊语句和与所述问诊语句对应的语义属性类别训练得到的。
本文所涉及的“语义属性类别”可以根据需求进行灵活划分，举例而言，该语义属性类别可以被划分为四个类别，包括症状类别、疼痛类别、过渡语义类别以及其他语义类别，本发明实施例采用该四个类别进行举例解释说明。当然可以理解的，该语义属性类别也可以是其他具体类别，本发明实施例对此不做限定。
其中，属于症状类别的问诊语句用于询问病人是否有什么症状，举例而言，该问诊语句为“您发烧吗”、“您咯血吗”等类似语义的语句，该问诊语句的语义属性类别为症状类别。
属于疼痛类别的问诊语句用于询问病人是否哪里疼痛，举例而言，该问诊语句为“您头疼吗”、“您关节疼吗”、“您腹部痛吗”等类似语义的语句，该问诊语句的语义属性类别为疼痛类别。
属于过渡语句类别的问诊语句用于询问病人是否有疑问，举例而言，该问诊语句为“您是否还有什么问题”、“您有什么要补充的吗”等类似语义的语句，该问诊语句的语义属性类别为过渡语句类别。
其他语义类别：不属于以上类别的，归为没有明确意图，无法定位类别的其他类。
当问诊语句的语义属性类别包括：症状类别、疼痛类别中的至少一个时，则执行步骤2051至步骤2053，当问诊语句的语义属性类别包括：过渡语义类别时，则执行步骤2061至步骤2062，当所述语义属性类别不属于上述症状类别、疼痛类别以及过渡语义类别中任意一种时，即属于其他语义类别时，则执行步骤207。
步骤2051、获取所述问诊语句的关键词。
其中，关键词的获取可以采用各种已有的关键词提取方法，例如，基于关键词词库的多模式匹配、词相关性排序等方法，此处不一一举例说明。
举例而言，用户发问的问诊语句为：“您发烧吗”。由于匹配模板中没有与该问诊语句相符的匹配规则，则通过上述步骤201至步骤202确定问诊匹配模板中不存在与所述问诊语句相对应的第一应答语句，通过步骤204确定该问诊语句的语义属性类别，该问诊语句的语义属性类别为症状类别，通过步骤2051获取该问诊语句的关键词，该关键词为“发烧”。
步骤2052、在所述问诊语句的语义属性类别对应的病理知识库中查找所述问诊语句的关键词。
具体的，在症状类别对应的病理知识库和/或疼痛类别对应的病理知识库中查找该问诊语句的关键词。其中，该症状类别对应的病理知识库可以包括症状列表，即包括一个或多个症状，例如，发烧、咳嗽等。该疼痛类别对应的病理知识库可以包括疼痛列表，即包括一个或多个疼痛部位，例如，关节、左腹、嗓子等。
以上述用户发问的问诊语句为：“您发烧吗”为例做进一步举例说明，该关键词为“发烧”，则通过步骤2052在病理知识库中查找该关键词“发烧”。
步骤2053、根据所述问诊语句的关键词是否存在于所述病理知识库中，生成与所述问诊语句对应的第二应答语句。
具体的，如果该问诊语句的关键词存在于所述病理知识库中，则生成该第二应答语句，该第二应答语句可以是肯定应答，如果该问诊语句的关键词不存在于所述病理知识库中，则该第二应答语句可以是否定应答。
以上述用户发问的问诊语句为：“您发烧吗”为例做进一步举例说明，在所述问诊语句的语义属性类别对应的病理知识库中查找“发烧”一词，通过步骤2053生成第二应答语句，具体的，举例而言，如果存在，则第二应答语句为“我发烧”，或者“我持续发烧，37.8度”等，如果不存在，则第二应答语句为“我不发烧”。
步骤2061、获取所述问诊语句的关键词。
其中，关键词的获取可以采用各种已有的关键词提取方法，例如，基于关键词词库的多模式匹配、词相关性排序等方法，此处不一一举例说明。
步骤2062、根据所述问诊语句的关键词确定所述问诊语句对应的第二应答语句。
举例而言，该问诊语句为“您还有什么疑问吗”，通过步骤2061获取关键词“什么”“疑问”，根据关键词可以分析得出是否还有疑问，则该第二应答语句可以为“医生，您认为我得了什么病”。
步骤207、当所述问诊语句属于其他语义类别时，使用第一机器学习算法对所述问诊语句进行处理，获取与所述问诊语句对应的第二应答语句。
其中，所述第一机器学习算法为使用问诊知识库训练得到的，所述问诊知识库包括问诊语句和对应的应答语句。
其中步骤207的一种具体的可实现方式：对所述问诊知识库进行分词，获取词的集合，该词的集合也可以称之为词袋，根据所述词的集合形成向量空间；根据所述向量空间确定所述问诊语句的向量；采用相似度算法在所述向量空间中，匹配所述问诊语句的向量；若匹配成功，提取与所述问诊语句对应的第二应答语句。
举例而言，用户发问的问诊语句为：“需要进行抽血检查，您晕血吗”。由于匹配模板中没有与该问诊语句相符的匹配规则，则通过上述步骤201至步骤202确定问诊匹配模板中不存在与所述问诊语句相对应的第一应答语句，通过步骤204、步骤2051至步骤2053、步骤2061至步骤2062，确定该问诊语句的语义属性类别不属于症状类别、疼痛类别以及过渡语义类别中任意一种，通过步骤207使用第一机器学习算法对所述问诊语句进行处理，获取与所述问诊语句对应的第二应答语句，比如匹配到“你是否晕血”，将此答案“我不晕血”作为该问诊语句对应的第二应答语句。
其中，具体可以根据词频-逆向文件频率(termfrequency–inversedocumentfrequency，tf-idf)等算法形成向量空间。其中，相似度算法具体可以采用海明距离、欧氏距离等算法。
步骤208、向用户输出所述第二应答语句。
其中，步骤208的具体解释说明可以参见图1所示实施例，此处不再赘述。
本实施例，通过获取用户输入的问诊语句，在问诊匹配模板中查找与所述问诊语句相对应的第一应答语句，若所述问诊匹配模板中存在与所述问诊语句相对应的第一应答语句，则向用户输出所述第一应答语句；若不存在，则确定所述问诊语句的语义属性类别，根据所述问诊语句的语义属性类别确定相应的第二应答语句，并向用户输出所述第二应答语句，实现与使用者进行自动问诊对话，达到模拟病人问诊对话的效果，可以应用于临床医学技能的练习和评估，相较于通过培训真人的方式，可以降低训练成本，并且可以缩短训练周期。
并且，通过确定问诊语句的语义属性类别，不同语义属性类别执行相应的处理操作，可以提升该问诊语句的处理效率。
需要说明的是，应用本发明实施例的方法的终端设备可以模拟不同疾病的病人的问诊对话，该终端设备可以接收标准化病人模拟指令，根据所述标准化病人模拟指令对应的疾病信息，确定所述当前激活的疾病。根据该当前激活的疾病，确定所述病理知识库。
即上述病理知识库包括症状列表、疼痛列表，还可以包括各个症状、各个疼痛部位对应的疾病，每个疾病表现为多个症状、多个疼痛部位，当终端设备可以模拟不同疾病的病人的问诊对话时，例如可以模拟肺炎、感冒、白血病等疾病，终端设备可以根据用户选择的模拟的疾病，即接收标准化病人模拟指令，确定当前激活的疾病，例如当前模拟的疾病为肺炎，则根据该肺炎，确定上述实施例中的病理知识库，该病理知识库包括肺炎对应的各个症状、各个疼痛部位等。
其中，该标准化病人模拟指令可以是用户点击疾病选择框的触摸操作的指令。例如，应用本发明实施例的方法的终端设备的用户图形界面可以显示供用户选择的疾病选择框，根据用户点击疾病选择框的触摸操作的指令，确定当前激活的疾病。
图3为本发明的模拟病人问诊对话装置实施例一的结构示意图，如图3所示，本实施例的装置可以包括：获取模块11、匹配模块12和输出模块13，其中，获取模块11，用于获取用户输入的问诊语句；匹配模块12，用于在问诊匹配模板中查找与所述问诊语句相对应的第一应答语句；输出模块13，用于若所述问诊匹配模板中存在与所述问诊语句相对应的第一应答语句，则向用户输出所述第一应答语句；若不存在，则根据所述问诊语句的语义属性类别确定相应的第二应答语句，并向用户输出所述第二应答语句；其中，所述问诊匹配模板包括匹配规则和所述匹配规则对应的应答语句，所述匹配规则用于对所述问诊语句进行匹配。
可选的，所述输出模块13用于根据所述问诊语句的语义属性类别确定相应的第二应答语句包括：根据与所述问诊语句的语义属性类别对应的病理知识库解析所述问诊语句，获取与所述问诊语句对应的第二应答语句。
本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
图4为本发明的模拟病人问诊对话装置实施例二的结构示意图，如图4所示，本实施例的装置在图3所示装置结构的基础上，进一步地，所述语义属性类别包括：症状类别、疼痛类别中的至少一个；所述输出模块13包括第一应答确定模块131，该第一应答确定131模块具体用于：获取所述问诊语句的关键词；在所述问诊语句的语义属性类别对应的病理知识库中查找所述问诊语句的关键词；根据所述问诊语句的关键词是否存在于所述病理知识库中，生成与所述问诊语句对应的第二应答语句。
所述语义属性类别包括过渡语义类别，所述输出模块13还包括第二应答确定模块132，所述第二应答确定模块132用于：获取所述问诊语句的关键词；根据所述问诊语句的关键词确定所述问诊语句对应的第二应答语句。
所述语义属性类别包括其他语义类别，所述输出模块13还包括第三应答确定模块133，所述第三应答确定模块133用于：使用第一机器学习算法对所述问诊语句进行处理，获取与所述问诊语句对应的第二应答语句；其中，所述第一机器学习算法为使用问诊知识库训练得到的，所述问诊知识库包括问诊语句和对应的应答语句。
可选的，所述第三应答确定模块133用于：对所述问诊知识库进行分词，获取词的集合；根据所述词的集合形成向量空间；根据所述向量空间确定所述问诊语句的向量；采用相似度算法在所述向量空间中，匹配所述问诊语句的向量；若匹配成功，提取与所述问诊语句对应的第二应答语句。
可选的，所述装置还包括类别确定模块14，所述类别确定模块14用于：使用第二机器学习算法对所述问诊语句进行分类处理，确定所述问诊语句的语义属性类别；其中，所述第二机器学习算法为使用问诊语句和与所述问诊语句对应的语义属性类别训练得到的。
可选的，所述获取模块11用于：接收用户输入的语音信号；对所述语音信号进行语音到文字转换，获取所述问诊语句。
可选的，所述输出模块13还用于：对所述第二应答语句进行文字到语音转换，输出所述第二应答语句的语音信号。
可选的，所述获取模块11还用于：接收标准化病人模拟指令，根据所述标准化病人模拟指令对应的疾病信息，确定所述当前激活的疾病；根据所述当前激活的疾病，确定所述病理知识库。
本实施例的装置，可以用于执行图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
本发明实施例还提供一种计算机存储介质，其上存储有计算机程序或指令，当所述计算机程序或指令被处理器或计算机执行时，实现如上述任一个所实施例所述的方法。
需要说明的是，本发明实施例的上述模拟病人问诊对话装置可以是终端设备，也可以是终端设备中的一个部件，例如一个芯片。
图5为本发明的终端设备实施例一的结构示意图，如图5所示，本实施例的终端设备，包括：处理器211、存储器212、收发器213以及总线214。其中，处理器211、存储器212和收发器213通过总线214相互连接。其中，总线214可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。上述总线214可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
在硬件实现上，以上图3或图4所示的各个功能模块可以以硬件形式内嵌于或独立于终端设备的处理器211中。
所述收发器213可以包括混频器等必要的射频通信器件。所述处理器211可以包括中央处理单元(centralprocessingunit，cpu)、数字信号处理器(digitalsignalprocessor，dsp)、微控制器(microcontrollerunit，mcu)、专用集成电路(applicationspecificintegratedcircuit，asic)或现场可编程逻辑门阵列(field－programmablegatearray，fpga)中的至少一个。
存储器212用于存储程序指令，处理器211用于调用存储器212中的程序指令执行上述方案。
所述程序指令可以以软件功能单元的形式实现并能够作为独立的产品销售或使用，所述存储器212可以是任意形式的计算机可读取存储介质。基于这样的理解，本申请的技术方案的全部或部分可以以软件产品的形式体现出来，包括若干指令用以使得一台计算机设备，具体可以是处理器211，来执行本申请各个实施例中第一终端的全部或部分步骤。而前述的计算机可读存储介质包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例以上所述的终端设备，可以用于执行上述各方法实施例中的技术方案，其实现原理和技术效果类似，其中各个器件的功能可以参考方法实施例中相应的描述，此处不再赘述。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。