智能疾病问询方法、装置、设备及存储介质与流程
本发明涉及分类模型领域，具体涉及一种智能疾病问询方法、装置、设备及存储介质。
背景技术：
目前，随着医疗系统的发展和细化，用户在医院进行看病时，都需要首先进行分诊，在现有技术中，进行分诊时，首先需要用户对于自身疾病症状进行主诉，此后分诊医生再对该疾病症状进行理解，此后，再根据其理解进行分诊。该方案的不足之处在于：由于分诊医生可能仅为一个科室的专科医生，因此所知晓的医学知识有限，对于用户主诉的疾病症状，分诊医生可能并不了解，此时很可能会导致分诊科室的偏差，进而用户需要重新进行挂号预约等，浪费了用户的看病时间，大大影响了用户体验。同时，用户可能想要在就诊之前就获知自己的病症和病情严重情况等，以在就诊之前就对自身的疾病或者症状有更多了解，但是，若用户在分诊医生处问及该疾病的成因或其他相关信息，分诊医生由于不属于该疾病的专科医生，显然无法回答用户。
技术实现要素：
本发明实施例提供一种智能疾病问询方法、装置、设备及存储介质，本发明可以提高分诊精度，节约医生因为病人挂错科室号而浪费的诊断时间，优化了就医效率，同时，病人可以进行疾病问询对自身的疾病或者症状有更多了解，大大提升了用户体验。
一种智能疾病问询方法，包括：
获取用户录入的自然问询语句，并提取所述自然问询语句中的病症关键词；
根据预设的神经网络分类模型识别所述自然问询语句中的问询类别，并检测所述问询类别，所述问询类别包括分诊问询和病症问询；
在所述问询类别为分诊问询时，将所述病症关键词输入预设的分诊模型，并获取所述分诊模型输出的与所述病症关键词对应的分诊科室；
在所述问询类别为病症问询时，将所述疾病关键词输入预设的病症问答模型，并获取所述疾病问答模型输出的与所述疾病关键词对应的疾病实体。
一种智能疾病问询装置，包括：
提取模块，用于获取用户录入的自然问询语句，并提取所述自然问询语句中的病症关键词；
检测模块，用于根据预设的神经网络分类模型识别所述自然问询语句中的问询类别，并检测所述问询类别，所述问询类别包括分诊问询和病症问询；
分诊模块，用于在所述问询类别为分诊问询时，将所述病症关键词输入预设的分诊模型，并获取所述分诊模型输出的与所述病症关键词对应的分诊科室；
疾病问答模块，用于在所述问询类别为病症问询时，将所述疾病关键词输入预设的病症问答模型，并获取所述疾病问答模型输出的与所述疾病关键词对应的疾病实体。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述智能疾病问询方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述智能疾病问询方法的步骤。
本发明提供的智能疾病问询方法、装置、设备及存储介质，基于知识图谱实现智能分诊和疾病问答，在用户通过自然问询语句问询时，可以自动区分其是分诊问询还是病症问询，且在用户进行分诊问询时，准确为用户提示与自然问询语句中的病症关键词对应的分诊科室，而在用户进行病症问询时，为用户提供可能的疾病实体以及该疾病实体的症状、原因等属性信息。本发明可以提高分诊精度，节约医生因为病人挂错科室号而浪费的诊断时间，优化了就医效率；且本发明避免了病人因挂错科室号而二次排队的现象，同时，病人可以进行疾病问询对自身的疾病或者症状有更多了解，如此，在诊前就对自身病症有一定的心理准备和预期，大大提升了用户体验。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例中智能疾病问询方法的应用环境示意图；
图2是本发明一实施例中智能疾病问询方法的流程图；
图3是本发明一实施例中智能疾病问询方法的步骤s10的流程图；
图4是本发明一实施例中智能疾病问询方法的步骤s20的流程图；
图5是本发明一实施例中智能疾病问询方法的步骤s202的流程图；
图6是本发明一实施例中智能疾病问询方法的步骤s30的流程图；
图7是本发明一实施例中智能疾病问询方法的步骤s40的流程图；
图8是本发明一实施例中智能疾病问询装置的原理框图；
图9是本发明一实施例中计算机设备的示意图。
具体实施方式
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。
本发明提供的智能疾病问询方法，基于知识图谱实现智能分诊和疾病问答，在用户通过自然问询语句问询时，可以自动区分其是分诊问询还是病症问询，且在用户进行分诊问询时，准确为用户提示与自然问询语句中的病症关键词对应的分诊科室，而在用户进行病症问询时，为用户提供可能的疾病实体以及该疾病实体的症状、原因等属性信息。本发明可以提高分诊精度，节约医生因为病人挂错科室号而浪费的诊断时间，优化了就医效率；且本发明避免了病人因挂错科室号而二次排队的现象，同时，病人可以进行疾病问询对自身的疾病或者症状有更多了解，如此，在诊前就对自身病症有一定的心理准备和预期，大大提升了用户体验。本发明可应用在如图1的应用环境中，其中，客户端(计算机设备)通过网络与服务器进行通信。其中，客户端(计算机设备)包括但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑、摄像头和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一实施例中，如图2所示，提供一种智能疾病问询方法，以该方法应用在图1中的服务器为例进行说明，包括以下步骤：
s10，获取用户录入的自然问询语句，并提取所述自然问询语句中的病症关键词。
可理解地，用户可以在客户端的显示界面上输入(或者通过语音录入)包含病症关键词的自然问询语句。在获取用户录入的自然问询语句之后，由于每一个自然问询语句中可能包含病症关键词，亦可能不包含病症关键词，因此，首先要检测该自然问询语句中是否包含病症关键词，若包含，则进一步在所述步骤s20中确认该自然问询语句中的问询类别，否则，提示用户该自然问询语句为与医学无关问询。
在一实施例中，如图3所示，所述步骤s10中，所述提取所述自然问询语句中的病症关键词，包括：
s101，获取关键词库中预先存储的病症关键词；也即，可以预先在服务器的关键词库中预先存储所有和病症相关的病症关键词，比如“头晕”、“发烧”、“生病”“治疗”等等，在本步骤中获取关键词库中的病症关键词，可以用于在后续步骤中比对所述自然问询语句中的词语是否为病症关键词。
s102，检测所述自然问询语句中是否存在与所述病症关键词匹配的词语；也即，检测所述自然问询语句中是否存在与所述病症关键词一致的词语，若存在，则说明所述自然问询语句中存在病症关键词，若不存在，则说明所述自然问询语句中不存在病症关键词，此时该自然问询语句与病症问询和分诊问询均无关。
s103，在存在与所述病症关键词匹配的词语时，将与所述病症关键词匹配的该词语记录为所述自然问询语句中的病症关键词；比如，用户输入自然问询语句“感觉胸闷，还有头晕，一般是什么原因？”则可以确认出所述自然问询语句中的病症关键词至少包含“胸闷”和“头晕”。此时，在所述自然问询语句中包含病症关键词时，每一个自然问询语句均有一个与之对应的问询类别，所述问询类别包括但不限于为病症问询和分诊问询等。
s104，在不存在与所述病症关键词匹配的词语时，提示所述用户所述自然问询语句为医学无关问询。比如，用户输入自然问询语句“今天天气怎样？”则此时会提示该问题与医学无关，将会建议用户提出与医学更相关的就诊等问题。
s20，根据预设的神经网络分类模型识别所述自然问询语句中的问询类别，并检测所述问询类别，所述问询类别包括分诊问询和病症问询；
也即，在服务器接收到包含病症关键词的自然问询语句时，会通过预先训练完成的所述神经网络分类模型对该自然问询语句中的进行识别其问询类别，所述问询类别包括分诊问询和病症问询。在一实施例中，需要首先训练所述神经网络分类模型，用以判断用户录入的自然问询语句所对应的问询类别。所述神经网络分类模型是通过使用机器学习算法对数据库中的与所述问询类别对应的查询语句样本进行训练得到的，在训练过程中，所述神经网络分类模型的输入为所述查询语句样本，所述神经网络分类模型的输出为所述查询语句样本的问询类别。此时，如图4所示，所述步骤s20之前，也即根据预设的神经网络分类模型识别所述自然问询语句中的问询类别，并检测所述问询类别，所述问询类别包括分诊问询和病症问询之前，包括以下训练所述神经网络分类模型的过程：
s201，获取查询语句样本。
其中，所述查询语句样本为预先存储在数据库中的对应于同一问询类别的多个(比如三万个)不同的历史自然问询语句。
s202，通过包含初始参数的神经网络分类模型对所述查询语句样本进行识别，并获取识别之后得到的问询类别与所述查询语句样本对应的问询类别之间的整体偏差程度。神经网络分类模型中包括由神经元组成的输入层、隐藏层和输出层。该神经网络分类模型中包括各层之间各个神经元连接的权值和偏置(初始参数)，这些权值和偏置决定了神经网络分类模型的性质及识别效果。所述初始参数可根据需求设置，比如，神经网络分类模型中的权值和偏置的初始值可以设置为较小的值，如设置在区间[-0.3-0.3]之间，或者直接采用经验值设置初始的权值和偏置。具有合理的初参数的神经网络分类模型可以使神经网络分类模型在初期有较灵活的调整能力，可以在神经网络分类模型训练过程中对模型进行有效的调整，使得训练出的神经网络分类模型识别效果较好。
在一实施例中，如图5所示，所述步骤s202包括以下步骤：
s2021，从所述查询语句样本中选取一个尚未被选取进行识别的查询语句样本作为当前样本。样本的选取顺序可以是随机的，也可以是按照预设的顺序进行的，例如，预先可以对所述查询语句样本进行标号，然后按照标号从小到大的顺序依次进行选取。
s2022，使用所述神经网络分类模型对所述当前样本进行识别，得到对所述当前样本识别之后的问询类别。其中，第i组查询语句样本在神经网络分类模型中的当前层的输出值用公式表示为ai,l＝σ(wlai,l-1+bl)，其中，a为输出值，i表示输入的第i组查询语句样本，l为神经网络分类模型的当前层，σ为激活函数，w为权值，l-1为神经网络分类模型的当前层的上一层，b为偏置。
s2023，根据预设的偏差判定规则确定所述当前样本识别之后的问询类别与所述查询语句样本对应的问询类别之间的样本偏差度。
其中，在所述偏差判定规则中，根据识别之后输出的问询类别与所述查询语句样本对应的问询类别之间的偏差情况预设了不同的样本偏差度，且所述样本偏差度可以根据预先设定的疾病实体和分诊科室之间匹配的第一权值、症状属性和分诊属性之间匹配的第二权值以及问询类别匹配的第三权值进行确定(也即所述偏差判定规则)。比如，所述查询语句样本对应的问询类别为病症问询，但是识别之后输出的问询类别为分诊问询，若识别之后输出的分诊问询中，对应于该分诊问询的分诊科室为呼吸科，分诊属性为：肺炎、呼吸困难；而所述查询语句样本对应的病症问询的疾病实体为肺炎，且其症状属性亦为食欲减退、呼吸困难，此时，说明在识别过程中，疾病实体和分诊科室也是正确识别的(正确识别时，所述第一权值乘以的疾病实体和分诊科室之间匹配度为1，未正确识别则匹配度为0)，疾病实体的症状属性和分诊科室的分诊属性之间是正确识别的(正确识别时，所述第二权值乘以的症状属性和分诊属性之间匹配度为1，未正确识别则匹配度为0)，仅问询类别并未被识别出(正确识别时，所述第三权值乘以的问询类别的匹配度为1，未正确识别则匹配度为0)，因此，可以在该实例中，若第一权值为0.2，第二权值为0.25，第三权值为0.55，此时，所述样本偏差度为(0*0.2+0*0.25+1*0.55)*100％＝55％。本实施例中，根据预设的偏差判定规则获取所述当前样本识别之后的问询类别与所述查询语句样本的问询类别之间的所述偏差比例，并将所述偏差比例记录为样本偏差度即可。
s2024，判断所述查询语句样本中是否存在尚未被选取进行识别的查询语句样本；若存在尚未被选取进行识别的查询语句样本，则返回执行步骤s2021。
s2025，若不存在尚未被选取进行识别的查询语句样本，将被选取进行识别的所有查询语句样本的样本偏差度之和除以所有查询语句样本的数量之后，将其确定为整体偏差度。也即，被选取进行识别的所有查询语句样本的样本偏差度之和，与所有查询语句样本的数量相除之后所得的商，即为本实施例中所述的整体偏差度。
s203，判断所述整体偏差度是否大于预设的偏差阈值；所述偏差阈值可以根据需求进行设定。
s204，若所述整体偏差度大于所述偏差阈值，则将所述神经网络分类模型的初始参数调整为修正后参数(更新之后的权值或/和偏置)，并通过具有所述修正后参数的所述神经网络分类模型对所述查询语句样本进行识别，并获取本次识别之后得到的问询类别与所述查询语句样本对应的问询类别之间的整体偏差程度，判断该整体偏差度是否大于预设的偏差阈值，以此类推，直至所述整体偏差度小于或等于所述偏差阈值；其中，更新权值的计算公式为
s205，若所述整体偏差度小于或等于所述偏差阈值，则提示所述神经网络分类模型的训练完成。此时，所述神经网络分类模型训练完成。确定出来的神经网络分类模型经过了大量的样本训练，且其整体偏差度保持在一个较小的范围(小于或等于偏差阈值)内，使用该神经网络分类模型对自然问询语句进行识别，即可得到所述自然问询语句的问询类别。
在本实施例中，比如：用户输入自然问询语句为：“我感觉胸闷，还有头晕。”此时，所述神经网络分类模型会将其问询类别识别为分诊问询，此时，用户意图为分诊咨询，将在后续步骤s30中调用分诊模型处理本次问询。比如：用户输入自然问询语句为“感觉胸闷，一般是什么原因？”此时，所述神经网络分类模型会将其问询类别识别为病症问询，用户意图为病症问询，将在后续步骤s40中调用疾病问答模型处理本次问询。
作为优选，所述步骤s20之后还包括：若未成功识别所述自然问询语句，提示用户输入所述自然问询语句的问询类别，同时，亦可以将在该未成功识别的自然问询语句(以及其问询类别)加入查询语句样本中，以便于根据其对神经网络分类模型进行进一步训练，以提升该神经网络分类模型的识别精确度。
s30，在所述问询类别为分诊问询时，根据预设的分诊模型获取与所述病症关键词对应的分诊科室；所述分诊模型中输入的为所述病症关键词，所述分诊模型中输出的为分诊科室。
在本实施例中，所述病症关键词包括知识图谱中的疾病实体或/和疾病实体的症状属性；知识图谱用于描述真实世界中存在的各种实体及其关系。知识图谱中包括实体、实体的属性和属性值以及各实体之间的关系等。知识图谱的节点表示实体或者与实体对应的属性值等。在该实施例中，所述知识图谱中包含科室实体和疾病实体，也可以包含该疾病实体的症状属性。该步骤中，根据预设的分诊模型获取与所述病症关键词对应的分诊科室，也即根据预设的分诊模型获取与知识图谱中的疾病实体或/和疾病实体的症状属性对应的分诊科室(科室实体)。
在一实施例中，如图6所示，所述步骤s30中，所述根据预设的分诊模型获取与所述病症关键词对应的分诊科室，包括：
s301，获取知识图谱中的科室实体及各科室实体的分诊属性；所述分诊属性是指该科室实体可以分诊治疗的疾病实体或/和症状属性；也即，上述疾病实体和症状属性均可以作为知识图谱中区分该疾病实体与其他疾病实体的分诊属性，从而根据该分诊属性去进行分诊，以确定分诊之后所对应的科室实体；比如科室实体为呼吸内科，该科室实体的分诊属性包括肺炎这种疾病实体，同时还可以包括肺炎的症状属性“呼吸困难”、“呼吸困难”、“食欲减退”等。此时，若自然问询语句中包含“肺炎”、“呼吸困难”这两个病症关键词，此时可以根据上述病症关键词(该病症关键词中的肺炎为分诊属性中的疾病实体，呼吸困难为分诊属性中的症状属性)确定其疾病实体为“肺炎”，进而根据该疾病实体(也即分诊属性)确定其分诊科室(科室实体)为呼吸内科。
s302，根据各所述科室实体及各所述科室实体的分诊属性训练所述分诊模型；也即，将上述知识图谱中的各科室实体及其对应的分诊属性均输入值所述分诊模型中，其中，所述分诊模型亦可基于神经网络进行训练，其训练过程可以参照上述步骤s20中所述，首先将各所述科室实体的分诊属性作为分诊训练样本，此后通过包含初始参数的分诊模型对所述分诊训练样本进行识别，并获取识别之后得到的科室实体与所述分诊训练样本所属的科室实体之间的整体偏差程度(该整体偏差度的获取过程可以参照所述步骤s2021-2025，在此不再赘述)；判断所述整体偏差度是否大于预设的偏差阈值；若所述整体偏差度大于所述偏差阈值，则对所述分诊模型的初始参数进行调整，并返回执行所述通过所述分诊模型对所述分诊训练样本进行识别，直至所述整体偏差度小于或等于所述偏差阈值；若所述整体偏差度小于或等于所述偏差阈值，则提示所述分诊模型的训练完成。
s303，将所述病症关键词输入所述分诊模型；也即，将所述病症关键词中的疾病实体或/和疾病实体的症状属性输入所述分诊模型进行识别。
s304，通过所述分诊模型识别与所述病症关键词匹配度最高的所述分诊属性所对应的科室实体，并将该科室实体记录为与所述病症关键词对应的分诊科室之后，通过所述分诊模型输出所述分诊科室。此时，完成对于该自然问询语句的分诊问询，将所述分诊科室展示在客户端的当前显示界面上或通过语音播报给用户，同时还可以同步提示用户该分诊科室的位置，以及从用户当前所在位置去往该分诊科室的导航路线。
s40，在所述问询类别为病症问询时，将所述疾病关键词输入预设的病症问答模型，并获取所述疾病问答模型输出的与所述疾病关键词对应的疾病实体。
在本实施例中，所述病症关键词包括知识图谱中的疾病实体或/和疾病实体的症状属性；该步骤中，根据预设的病症问答模型获取与所述疾病关键词对应的疾病实体，也即根据预设的病症问答模型获取与知识图谱中的疾病实体或/和疾病实体的症状属性对应的疾病实体。
在一实施例中，如图7所示，所述步骤s40中，所述根据预设的病症问答模型获取与所述疾病关键词对应的疾病实体，包括：
s401，获取知识图谱中的各疾病实体及各疾病实体的症状属性；
在该实施例中，所述知识图谱中包含疾病实体，也可以包含该疾病实体的症状属性，上述疾病实体和症状属性均可以作为知识图谱中区分该疾病实体与其他疾病实体的分诊属性；比如疾病实体为肺炎，疾病实体(肺炎)的症状属性包括“呼吸困难”、“呼吸困难”、“食欲减退”等。此时，若自然问询语句中包含“食欲减退”、“呼吸困难”这两个病症关键词，此时可以根据上述病症关键词确定其疾病实体为“肺炎”，同时亦可从知识图谱中调取该疾病实体肺炎的所有症状属性等关联信息。
s402，根据各所述疾病实体及各疾病实体的症状属性训练所述病症问答模型；也即，将上述知识图谱中的各所述疾病实体(的名称)及各疾病实体的症状属性均输入值所述病症问答模型中，其中，所述病症问答模型亦可基于神经网络进行训练训练过程如下：首先将各所述疾病实体及与其对应的症状属性作为问答训练样本，此后通过包含初始参数的病症问答模型对所述问答训练样本进行识别，并获取识别之后得到的疾病实体与所述问答训练样本对应的疾病实体之间的整体偏差程度(该整体偏差度的获取过程可以参照所述步骤s2021-2025，在此不再赘述)；判断所述整体偏差度是否大于预设的偏差阈值；若所述整体偏差度大于所述偏差阈值，则对所述病症问答模型的初始参数进行调整，并返回执行所述通过调整初始参数之后的所述病症问答模型对所述问答训练样本进行识别，直至所述整体偏差度小于或等于所述偏差阈值；若所述整体偏差度小于或等于所述偏差阈值，则提示所述病症问答模型的训练完成。
s403，将所述病症关键词输入所述病症问答模型，并通过所述病症问答模型识别与所述病症关键词匹配的疾病实体；也即，在该步骤中，将所述病症关键词中的疾病实体或/和疾病实体的症状属性输入所述病症问答模型中进行识别，以获取识别之后与病症关键词匹配的病症实体。
s404，将与所述病症关键词匹配的疾病实体记录为与所述病症关键词对应的疾病实体，并获取所述疾病问答模型输出的与所述病症关键词对应的疾病实体，并获取所述疾病问答模型输出的与所述病症关键词对应的疾病实体。在本实施例中，所述病症关键词匹配的疾病实体即为与所述病症关键词对应的疾病实体，并获取所述疾病问答模型输出的与所述病症关键词对应的疾病实体。
作为优选，如图7所示，在一实施例中，所述步骤s403之后还包括：
获取所述病症问答模型识别出的与所述病症关键词匹配的所有疾病实体，并根据所述病症关键词与每一个已匹配的所述疾病实体及其症状属性之间的匹配度，确认该病症关键词语与每一个已匹配的所述疾病实体之间的匹配概率，将其中匹配概率最高的所述病症实体确定为与所述病症关键词对应的疾病实体，并获取所述疾病问答模型输出的与所述病症关键词对应的疾病实体。
也即，在根据疾病问答模型获取与疾病关键词匹配的所有病症实体之后，还可以根据所述病症关键词与每一个已匹配的所述疾病实体及其症状属性之间的匹配度，确认该病症关键词语每一个已匹配的所述疾病实体之间的匹配概率(该匹配概率即为所述病症关键词与每一个已匹配的所述疾病实体及其症状属性之间的匹配度)，并在当前显示界面上显示每个病症实体与该病症关键词之间的匹配概率，同时将其中匹配概率最高的所述病症实体确定为与所述病症关键词对应的疾病实体，并获取所述疾病问答模型输出的与所述病症关键词对应的疾病实体。
在一实施例中，所述将其中匹配概率最高的所述病症实体确定为与所述病症关键词对应的疾病实体具体为：
检测每一个已匹配的所述疾病实体与所述病症关键词的匹配概率中，是否存在超过预设的匹配阈值的匹配概率；也即，在本实施例中，设定一个匹配阈值，比如，该匹配阈值为50％，此时，只有在超过50％时，才会确定数值最高的所述匹配概率所对应的疾病实体为与所述病症关键词对应的疾病实体。在低于50％(也即所述匹配阈值)时，认为该用户病症实体无法确定，可以进行人工咨询。
在存在超过预设的匹配阈值的匹配概率时，获取数值最高的所述匹配概率所对应的疾病实体，并将该疾病实体确认为与所述病症关键词对应的疾病实体。
在一实施例中，所述知识图谱中还包括的各疾病实体的成病原因属性，此时，所述将其中匹配概率最高的所述病症实体确定为与所述病症关键词对应的疾病实体之后，还包括：
自所述知识图谱中，获取与所述病症关键词对应的该疾病实体的成病原因属性；在该实施例中，还可以在用户咨询该疾病实体时，同时向用户提供该疾病实体的成病原因等的咨询。
将与所述疾病关键词对应的该疾病实体、症状属性和成病原因属性展示在显示界面上或/和以语音的形式播放。也即，可以将该疾病实体、症状属性和成病原因属性等自主展示给用户，亦可以在用户咨询时，才展示给用户。
在一实施例中，如图8所示，提供一种智能疾病问询装置，该智能疾病问询装置与上述实施例中智能疾病问询方法一一对应。所述智能疾病问询装置包括：
提取模块11，用于获取用户录入的自然问询语句，并提取所述自然问询语句中的病症关键词；
检测模块12，用于根据预设的神经网络分类模型识别所述自然问询语句中的问询类别，并检测所述问询类别，所述问询类别包括分诊问询和病症问询；
分诊模块13，用于在所述问询类别为分诊问询时，将所述病症关键词输入预设的分诊模型，并获取所述分诊模型输出的与所述病症关键词对应的分诊科室；
疾病问答模块14，用于在所述问询类别为病症问询时，将所述疾病关键词输入预设的病症问答模型，并获取所述疾病问答模型输出的与所述疾病关键词对应的疾病实体。
在一实施例中，所述提取模块11包括：
第一获取子模块，用于获取关键词库中预先存储的病症关键词；
检测子模块，用于检测所述自然问询语句中是否存在与所述病症关键词匹配的词语；
记录子模块，用于在存在与所述病症关键词匹配的词语时，将与所述病症关键词匹配的该词语记录为所述自然问询语句中的病症关键词；
第一提示子模块，用于在不存在与所述病症关键词匹配的词语时，提示所述用户所述自然问询语句为医学无关问询。
在一实施例中，所述检测模块12包括：
第二获取子模块，用于获取查询语句样本；
第一识别子模块，用于通过包含初始参数的神经网络分类模型对所述查询语句样本进行识别，并获取识别之后得到的问询类别与所述查询语句样本对应的问询类别之间的整体偏差程度；
判断子模块，用于判断所述整体偏差度是否大于预设的偏差阈值；
调整子模块，用于若所述整体偏差度大于所述偏差阈值，则将所述神经网络分类模型的初始参数调整为修正后参数，并通过具有所述修正后参数的所述神经网络分类模型对所述查询语句样本进行识别，并获取本次识别之后得到的问询类别与所述查询语句样本对应的问询类别之间的整体偏差程度，判断该整体偏差度是否大于预设的偏差阈值，直至所述整体偏差度小于或等于所述偏差阈值；
第二提示子模块，用于若所述整体偏差度小于或等于所述偏差阈值，则提示所述神经网络分类模型的训练完成。
在一实施例中，所述第一识别子模块包括：
选取单元，用于从所述查询语句样本中选取一个尚未被选取进行识别的查询语句样本作为当前样本；
识别单元，用于使用所述神经网络分类模型对所述当前样本进行识别，得到对所述当前样本识别之后的问询类别；
第一确定单元，用于根据预设的偏差判定规则确定所述当前样本识别之后的问询类别与所述查询语句样本对应的问询类别之间的样本偏差度；
判断单元，用于判断所述查询语句样本中是否存在尚未被选取进行识别的查询语句样本；
第二确定单元，用于若不存在尚未被选取进行识别的查询语句样本，将被选取进行识别的所有查询语句样本的样本偏差度之和除以所有查询语句样本的数量之后，将其确定为整体偏差度。
在一实施例中，所述分诊模块13包括：
第三获取子模块，用于获取知识图谱中的科室实体及各科室实体的分诊属性；
第一训练子模块，用于根据各所述科室实体及各所述科室实体的分诊属性训练所述分诊模型；
输入子模块，用于将所述病症关键词输入所述分诊模型；
输出子模块，用于通过所述分诊模型识别与所述病症关键词匹配度最高的所述分诊属性所对应的科室实体，并将该科室实体记录为与所述病症关键词对应的分诊科室之后，通过所述分诊模型输出所述分诊科室。
在一实施例中，所述疾病问答模块14包括：
第四获取子模块，用于获取知识图谱中的各疾病实体及各疾病实体的症状属性；
第二训练子模块，用于根据各所述疾病实体及各疾病实体的症状属性训练所述病症问答模型；
第二识别子模块，用于将所述病症关键词输入所述病症问答模型，并通过所述病症问答模型识别与所述病症关键词匹配的疾病实体；
记录子模块，用于将与所述病症关键词匹配的疾病实体记录为与所述病症关键词对应的疾病实体，并获取所述疾病问答模型输出的与所述病症关键词对应的疾病实体。
在一实施例中，所述疾病问答模块14还包括：
确定子模块，用于获取所述病症问答模型识别出的与所述病症关键词匹配的所有疾病实体，并根据所述病症关键词与每一个已匹配的所述疾病实体及其症状属性之间的匹配度，确认该病症关键词语与每一个已匹配的所述疾病实体之间的匹配概率，将其中匹配概率最高的所述病症实体确定为与所述病症关键词对应的疾病实体，并获取所述疾病问答模型输出的与所述病症关键词对应的疾病实体。
关于智能疾病问询装置的具体限定可以参见上文中对于智能疾病问询方法的限定，在此不再赘述。上述智能疾病问询装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。。该计算机可读指令被处理器执行时以实现一种智能疾病问询方法。
在一个实施例中，提供了一种计算机设备，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可读指令，处理器执行计算机可读指令时实现以下步骤：
获取用户录入的自然问询语句，并提取所述自然问询语句中的病症关键词；
根据预设的神经网络分类模型识别所述自然问询语句中的问询类别，并检测所述问询类别，所述问询类别包括分诊问询和病症问询；
在所述问询类别为分诊问询时，将所述病症关键词输入预设的分诊模型，并获取所述分诊模型输出的与所述病症关键词对应的分诊科室；
在所述问询类别为病症问询时，将所述疾病关键词输入预设的病症问答模型，并获取所述疾病问答模型输出的与所述疾病关键词对应的疾病实体。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机可读指令，计算机可读指令被处理器执行时实现以下步骤：
获取用户录入的自然问询语句，并提取所述自然问询语句中的病症关键词；
根据预设的神经网络分类模型识别所述自然问询语句中的问询类别，并检测所述问询类别，所述问询类别包括分诊问询和病症问询；
在所述问询类别为分诊问询时，将所述病症关键词输入预设的分诊模型，并获取所述分诊模型输出的与所述病症关键词对应的分诊科室；
在所述问询类别为病症问询时，将所述疾病关键词输入预设的病症问答模型，并获取所述疾病问答模型输出的与所述疾病关键词对应的疾病实体。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路dram(sldram)、存储器总线直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元或模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元或模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
以上所述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精神和范围，均应包含在本发明的保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！