症状识别方法、装置、电子设备及存储介质与流程

1.本技术实施例涉及自然语言处理技术领域，特别涉及一种症状识别方法、装置、电子设备及存储介质。


背景技术：

2.目前，线上提供医疗服务成为一种常见的医疗服务方式。相关技术中，用户输入能够描述病情的文本，设备基于识别模型确定与所输入的文本匹配的症状文本，该症状文本是以标准的医疗类语言表示的，根据该症状文本能够清楚地描述用户的症状。但是，由于用户所输入的文本比较口语化，增加了识别难度，如何提高识别准确性成为亟需解决的问题。


技术实现要素：

3.本技术实施例提供了一种症状识别方法、装置、电子设备及存储介质，能够提高症状识别的准确性。所述技术方案如下：
4.一方面，提供了一种症状识别方法，所述方法包括：
5.基于语料文本、正症状文本和第一负症状文本，训练症状识别模型，所述正症状文本是与所述语料文本匹配的症状文本，所述第一负症状文本是与所述语料文本不匹配的症状文本；
6.调用所述症状识别模型，确定所述语料文本与多个预设症状文本之间的相似度，所述症状识别模型对应的相似度区间包括第一区间和第二区间，所述第一区间的相似度大于所述第二区间的相似度；
7.将属于所述第二区间的至少一个相似度中最大的相似度对应的预设症状文本，确定为所述语料文本对应的第二负症状文本；
8.基于所述语料文本、所述正症状文本、所述第一负症状文本和所述第二负症状文本，训练所述症状识别模型。
9.在一种可能的实现方式中，所述基于所述语料文本、所述正症状文本、所述第一负症状文本和所述第二负症状文本，训练所述症状识别模型之后，所述方法还包括：
10.调用所述症状识别模型，确定所述语料文本与多个所述预设症状文本之间的相似度；
11.将属于所述第二区间的至少一个相似度中最大的相似度对应的预设症状文本，确定为所述语料文本对应的第二负症状文本；
12.基于所述语料文本、所述正症状文本、所述第一负症状文本和所确定的所述第二负症状文本，训练所述症状识别模型，直至所述症状识别模型的训练次数达到训练次数阈值。
13.另一方面，提供了一种症状识别方法，所述方法包括：
14.展示信息输入界面，所述信息输入界面包括症状输入区域；
15.获取输入文本，所述输入文本为在所述症状输入区域输入的文本；
16.调用症状识别模型，确定所述输入文本与多个预设症状文本之间的相似度；
17.基于所确定的多个相似度，确定与所述输入文本匹配的目标症状文本；
18.其中，所述症状识别模型是基于语料文本、正症状文本、第一负症状文本和第二负症状文本训练得到的，所述正症状文本是与所述语料文本匹配的症状文本，所述第一负症状文本是与所述语料文本不匹配的症状文本，所述症状识别模型对应的相似度区间包括第一区间和第二区间，所述第一区间的相似度大于所述第二区间的相似度，所述第二负症状文本是调用所述症状识别模型所确定的所述语料文本与所述多个预设症状文本之间的相似度中，属于所述第二区间的至少一个相似度中最大的相似度对应的预设症状文本。
19.在一种可能的实现方式中，所述信息输入界面还包括提交控件，所述基于所确定的多个相似度，确定与所述输入文本匹配的目标症状文本之后，所述方法还包括：
20.响应于对所述提交控件的触发操作，将所述输入文本与所述目标症状文本，组成当前登录账号的健康信息；
21.向服务器上传所述健康信息。
22.另一方面，提供了一种症状识别装置，所述装置包括：
23.模型训练模块，用于基于语料文本、正症状文本和第一负症状文本，训练症状识别模型，所述正症状文本是与所述语料文本匹配的症状文本，所述第一负症状文本是与所述语料文本不匹配的症状文本；
24.相似度确定模块，用于调用所述症状识别模型，确定所述语料文本与多个预设症状文本之间的相似度，所述症状识别模型对应的相似度区间包括第一区间和第二区间，所述第一区间的相似度大于所述第二区间的相似度；
25.文本确定模块，用于将属于所述第二区间的至少一个相似度中最大的相似度对应的预设症状文本，确定为所述语料文本对应的第二负症状文本；
26.所述模型训练模块，还用于基于所述语料文本、所述正症状文本、所述第一负症状文本和所述第二负症状文本，训练所述症状识别模型。
27.在一种可能的实现方式中，所述模块训练模块，用于：
28.调用所述症状识别模型，确定所述语料文本分别与所述正症状文本、所述第一负症状文本和所述第二负症状文本之间的相似度；
29.基于所确定的相似度确定损失值，基于所述损失值，训练所述症状识别模型。
30.在一种可能的实现方式中，所述模块训练模块，用于：
31.调用所述症状识别模型，对所述语料文本、所述正症状文本、所述第一负症状文本和所述第二负症状文本进行特征提取，得到语料文本特征、正症状文本特征、第一负症状文本特征和第二负症状文本特征；
32.确定所述语料文本特征分别与所述正症状文本特征、所述第一负症状文本特征和所述第二负症状文本特征之间的相似度。
33.在一种可能的实现方式中，所述装置还包括：
34.所述文本确定模块，还用于确定验证语料文本、验证症状文本和验证标签，所述验证标签为第一验证标签或第二验证标签，所述第一验证标签表示所述验证症状文本是所述验证语料文本匹配的症状文本，所述第二验证标签表示所述验证症状文本是所述验证语料文本不匹配的症状文本，且所述第一验证标签与所述第一区间对应，所述第二验证标签与
所述第二区间对应；
35.所述相似度确定模块，还用于调用所述症状识别模型，确定所述验证语料文本与所述验证症状文本之间的相似度；
36.精确度确定模块，用于根据所述相似度是否属于所述验证标签对应的区间，确定所述症状识别模型的精确度；
37.所述模块训练模块，用于在所述精确度不小于预设精确度的情况下，将属于所述第二区间的至少一个相似度中最大的相似度对应的预设症状文本，确定为所述语料文本对应的第二负症状文本。
38.在一种可能的实现方式中，所述精确度确定模块，还用于在所述精确度小于所述预设精确度的情况下，调整所述第一区间和所述第二区间，根据所述相似度是否属于所述验证标签对应的区间，确定所述症状识别模型的精确度，直至所述精确度不小于所述预设精确度。
39.在一种可能的实现方式中，所述装置还包括：
40.文本获取模块，用于获取多个语料文本集合，每个所述语料文本集合包括多个语料文本，且每个所述语料文本集合包括的语料文本的数量相等；
41.所述文本确定模块，还用于对于每个所述语料文本，将所述语料文本集合中除所述语料文本之外的其他语料文本对应的正症状文本，确定为所述语料文本对应的第一负症状文本。
42.在一种可能的实现方式中，所述文本确定模块，还用于对于每个所述语料文本，将所述语料文本集合中除所述语料文本之外的其他语料文本对应的第二负症状文本，确定为所述语料文本对应的第三负症状文本；
43.所述模型训练模块，用于基于所述语料文本、所述正症状文本、所述第一负症状文本、所述第二负症状文本和所述第三负症状文本，训练所述症状识别模型。
44.在一种可能的实现方式中，所述模型训练模块，用于：
45.调用所述症状识别模型，确定所述语料文本与所述正症状文本和所述第一负症状文本之间的相似度；
46.基于所确定的相似度确定损失值，基于所述损失值，训练所述症状识别模型。
47.在一种可能的实现方式中，所述相似度确定模块，用于调用所述症状识别模型，确定所述语料文本与多个所述预设症状文本之间的相似度；
48.所述文本确定模块，用于将属于所述第二区间的至少一个相似度中最大的相似度对应的预设症状文本，确定为所述语料文本对应的第二负症状文本；
49.所述模型训练模块，还用于基于所述语料文本、所述正症状文本、所述第一负症状文本和所确定的所述第二负症状文本，训练所述症状识别模型，直至所述症状识别模型的训练次数达到训练次数阈值。
50.另一方面，提供了一种症状识别装置，所述装置包括：
51.界面展示模块，用于展示信息输入界面，所述信息输入界面包括症状输入区域；
52.文本获取模块，用于获取输入文本，所述输入文本为在所述症状输入区域输入的文本；
53.相似度确定模块，用于调用症状识别模型，确定所述输入文本与多个预设症状文
本之间的相似度；
54.文本确定模块，用于基于所确定的多个相似度，确定与所述输入文本匹配的目标症状文本；
55.其中，所述症状识别模型是基于语料文本、正症状文本、第一负症状文本和第二负症状文本训练得到的，所述正症状文本是与所述语料文本匹配的症状文本，所述第一负症状文本是与所述语料文本不匹配的症状文本，所述症状识别模型对应的相似度区间包括第一区间和第二区间，所述第一区间的相似度大于所述第二区间的相似度，所述第二负症状文本是调用所述症状识别模型所确定的所述语料文本与所述多个预设症状文本之间的相似度中，属于所述第二区间的至少一个相似度中最大的相似度对应的预设症状文本。
56.在一种可能的实现方式中，所述文本确定模块，用于：
57.展示相似度排序在前目标数量的预设症状文本；
58.将展示的预设症状文本中被选中的预设症状文本确定为所述目标症状文本。
59.在一种可能的实现方式中，所述信息输入界面还包括提交控件，所述装置还包括：
60.信息上传模块，用于响应于对所述提交控件的触发操作，将所述输入文本与所述目标症状文本，组成当前登录账号的健康信息；向服务器上传所述健康信息。
61.另一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行以实现如上述方面所述的症状识别方法所执行的操作。
62.另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机程序，所述至少一条计算机程序由处理器加载并执行以实现如上述方面所述的症状识别方法所执行的操作。
63.再一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述方面所述的症状识别方法所执行的操作。
64.本技术实施例提供了一种症状识别方案，先调用训练过的症状识别模型，来确定语料文本与多个预设症状文本之间的相似度，由于第二区间的相似度小于第一区间的相似度，则属于第二区间的至少一个相似度对应的预设症状文本与语料文本比较不匹配，通过将至少一个相似度中最大的相似度对应的预设症状文本确定为第二负症状文本，使得该第二负症状文本是与语料文本不匹配但又是相对来说比较相似的负症状文本，这样在训练过程中，症状识别模型不仅能够学习语料文本与正症状文本之间的关系、语料文本与第一负症状文本之间的关系，还能够学习语料文本与具有干扰性的第二负症状文本之间的关系，可见该训练方案大大丰富了训练过程中的样本多样性，增大了症状识别模型的训练难度，进而提高了症状识别模型的识别准确性，这样基于训练好的症状识别模型进行症状识别的准确性较高。
附图说明
65.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例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技术实施例的一些实施例，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。
66.图1是本技术实施例提供的一种实施环境的示意图；
67.图2是本技术实施例提供的一种症状识别方法的流程图；
68.图3是本技术实施例提供的另一种症状识别方法的流程图；
69.图4是本技术实施例提供的一种症状识别模型的示意图；
70.图5是本技术实施例提供的另一种症状识别模型的示意图；
71.图6是本技术实施例提供的一种症状识别模型的训练过程的示意图；
72.图7是本技术实施例提供的再一种症状识别方法的流程图；
73.图8是本技术实施例提供的又一种症状识别方法的流程图；
74.图9是本技术实施例提供的一种信息输入界面的示意图；
75.图10是本技术实施例提供的一种症状识别装置的结构示意图；
76.图11是本技术实施例提供的另一种症状识别装置的结构示意图；
77.图12是本技术实施例提供的一种终端的结构示意图；
78.图13是本技术实施例提供的一种服务器的结构示意图。
具体实施方式
79.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
80.本技术所使用的术语“第一”、“第二”、“第三”等可在本文中用于描述各种概念，但除非特别说明，这些概念不受这些术语限制。这些术语仅用于将一个概念与另一个概念区分。举例来说，在不脱离本技术的范围的情况下，可以将第一相似度称为第二相似度，且类似地，可将第二相似度称为第一相似度。
81.本技术所使用的术语“至少一个”、“多个”、“每个”、“任一”，至少一个包括一个、两个或两个以上，多个包括两个或两个以上，而每个是指对应的多个中的每一个，任一是指多个中的任意一个。举例来说，多个文本包括3个文本，而每个是指这3个文本中的每一个文本，任一是指这3个文本中的任意一个文本，可以是第一个文本，或者是第二个文本，或者是第三个文本。
82.需要说明的是，在本技术实施例中，涉及到账号数据以及文本等相关的数据，当本技术以上实施例运用到具体产品或技术中时，需要获得用户许可或者同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
83.人工智能(artificial intelligence，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。
84.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。
85.机器学习(machine learning，ml)是一门多领域交叉学科，涉及概率论、统计学、
逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
86.自然语言处理(nature language processing，nlp)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系。自然语言处理技术通常包括文本处理、语义理解、机器翻译、机器人问答、知识图谱等技术。
87.对比学习(contrastive learning)：是一种利用已有数据额外构建正样本或者负样本，然后通过大量对比从而增强表征学习的方法。对比学习有两种实现方式，一种是无监督的对比学习，另一种是有监督的对比学习。无监督的对比学习用作为一种预训练的方法，当数据集缺乏或者没有正样本时，在已有数据上构建正样本以实现模型的训练。有监督的对比学习应用于已标注的数据也即正样本上，利用已有数据构建负样本以实现模型的训练。
88.高置信度负样本(hard negatives)：高置信度负样本是有很高概率成为正样本的负样本。自然语言处理的任务需要用已标注的数据来大幅度提升模型的能力，而这些已标注的数据中包含正样本和负样本，或者只包括正样本，以及随机生成的负样本。当模型训练到一定阶段时，其学习能力会遭遇瓶颈。而影响模型进一步提升的一个因素是负样本的质量。如果所使用的负样本与正样本区别十分明显，则模型的训练过程会比较轻松。但在症状识别过程中，正负样本区别不是很明显甚至很模糊。为了应对这一情况，在训练时加入高置信度负样本成为了一种有效的方法。
89.bi-encoder：是基于bert(bidirectional encoder representation from transformers，一个预训练的语言表征模型)或者基于其他transformer的模型的孪生网络。bi-encoder有两个编码器，分别对应两个输入，每个编码器输出一个特征向量来表示输入。bi-encoder的最终输出是一个概率或者连续性的数值来表示两个输入之间的关系，例如相似度。
90.本技术实施例提供的方案，基于人工智能的机器学习技术与自然语言处理技术，可以训练症状识别模型，利用训练后的症状识别模型，对所输入的文本进行识别，得到匹配的症状文本。
91.本技术实施例提供的症状识别方法，由服务器执行。图1是本技术实施例提供的一种实施环境的示意图。参见图1，该实施环境包括终端101和服务器102。终端101和服务器102之间通过无线或者有线网络连接，本技术对此不做限定。
92.可选地，终端101是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能语音交互设备、智能家电、车载终端以及飞行器等，但并不局限于此。可选地，终端101上安装由服务器102提供服务的目标应用，终端101能够通过该目标应用实现例如数据传输、信息交互或信息展示等功能。可选地，目标应用为终端101操作系统中的目标应用，
或者为第三方提供的目标应用。例如，目标应用为医疗服务应用，该医疗服务应用具有提供医疗服务的功能，用户通过该目标应用获取医疗服务，或者也能够为其他用户提供医疗服务。
93.可选地，服务器102是独立的物理服务器，或者是多个物理服务器构成的服务器集群或者分布式系统，或者是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、cdn(content delivery network，内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器，本技术在此不做限定。
94.在本技术实施例中，终端101的目标应用中登录有账号，终端101获取用户所输入的能够描述病情的文本，向服务器102发送该文本，服务器102接收该文本，调用症状识别模型，确定与该文本匹配的症状文本，向终端101发送确定的症状文本，由终端101接收并展示该症状文本，供用户查看。可选地，终端101还能够将所输入的文本与该症状文本组成当前登录账号的健康信息，向服务器102上传该健康信息。
95.在介绍了本技术实施例的实施环境之后，下面将结合上述实施环境，对本技术实施例的应用场景进行介绍。需要说明的是，在下述说明过程中，终端也即是上述终端101，服务器也即是上述服务器102。本技术实施例提供的症状识别方法能够应用在症状识别场景中。
96.例如应用在预问诊的场景中，预问诊的目的是提前收集患者病情的相关信息，以辅助医护人员更有效和更准确地对患者的病情进行分析和做出风险预估。患者以文本的形式在终端中输入跟自己病情相关的信息，比如症状、症状的持续时间和严重程度，终端向服务器发送该信息，服务器进行症状识别，从而实现患者病情信息的收集。其中，症状识别的目的是从患者所输入的文本中识别出标准的症状文本。例如，患者所输入的文本是“肚子疼”，服务器通过本技术实施例提供的症状识别方法，对该文本进行识别，确定出标准的症状文本为“腹痛”。
97.需要说明的是，本技术实施例提供的症状识别方法还能够应用在其他症状识别场景下，本技术实施例对此不加以限定。
98.可选地，服务器通过本技术实施例提供的症状识别模型训练症状识别模型，将训练好的症状识别模型部署在服务器，在终端获取到用户输入的文本之后，终端借助于服务器调用该症状识别模型对所输入的文本进行识别，得到该文本匹配的症状文本，从而减少终端的计算量。或者，服务器将训练好的症状识别模型部署在终端，则终端直接调用该症状识别模型对所输入的文本进行识别，得到该文本匹配的症状文本，无需再与服务器进行交互。
99.图2是本技术实施例提供的一种症状识别方法的流程图，该方法由服务器执行，如图2所示，该方法包括：
100.201、服务器基于语料文本、正症状文本和第一负症状文本，训练症状识别模型，正症状文本是与语料文本匹配的症状文本，第一负症状文本是与语料文本不匹配的症状文本。
101.其中，语料文本是能够描述病情的文本。症状文本是以标准的医疗类语言表示的。正症状文本是与语料文本匹配的症状文本，也即是正症状文本能够以标准的医疗类语言来表示该语料文本所描述的病情。例如，语料文本是“肚子疼”，正症状文本为“腹痛”。第一负
症状文本是与语料文本不匹配的症状文本，也即是第一负症状文本以标准的医疗类语言所表示的病情不符合该语料文本所描述的病情。例如，语料文本是“肚子疼”，第一负症状文本是“头痛”。
102.需要说明的是，语料文本是在历史症状识别的过程中用户所输入的文本，或者是随机生成的文本，本技术对此不加以限定。
103.202、服务器调用症状识别模型，确定语料文本与多个预设症状文本之间的相似度，症状识别模型对应的相似度区间包括第一区间和第二区间，第一区间的相似度大于第二区间的相似度。
104.其中，预设症状文本是服务器已设置的症状文本，预设症状文本的数量可以根据需要设置，本技术对此不加以限定，例如，预设症状文本的数量为100、200或300等。
105.在本技术实施例中，该症状识别模型为基于语料文本训练过的模型，因此该症状识别模型具有一定的准确性，能够调用该症状识别模型对语料文本进行预测，也即是确定语料文本与每个预设症状文本之间的相似度。
106.其中，语料文本与每个预设症状文本之间的相似度越大，表示语料文本与预设症状文本越匹配，该预设症状文本极有可能是该语料文本对应的正症状文本；语料文本与每个预设症状文本之间的相似度越小，表示语料文本与预设症状文本越不匹配，该预设症状文本极有可能是该语料文本对应的负症状文本。
107.其中，第一区间和第二区间用于划分正症状文本和负症状文本。若语料文本与预设症状文本之间的相似度属于第一区间，则表示该预设症状文本是该语料文本对应的正症状文本，若语料文本与预设症状文本之间的相似度属于第二区间，则表示该预设症状文本是该语料文本对应的负症状文本。
108.可选地，相似度为0至1之间的任一实数。服务器设置相似度阈值，该相似度阈值是划分正症状文本和负症状文本所采用的相似度临界值。该相似度阈值为0至1之间的任一实数，第一区间包括大于该相似度阈值的相似度，第二区间包括小于该相似度阈值的相似度。需要说明的是，相似度阈值可以属于第一区间或者属于第二区间，本技术实施例对此不加以限定，例如，相似度阈值为0.5，则第一区间为大于0.5的相似度区间，第二区间为不大于0.5的相似度区间，或者，第一区间为不小于0.5的相似度区间，第二区间为小于0.5的相似度区间。
109.203、服务器将属于第二区间的至少一个相似度中最大的相似度对应的预设症状文本，确定为语料文本对应的第二负症状文本。
110.其中，属于第一区间的相似度对应的预设症状文本是症状识别模型预测的、与语料文本对应的正症状文本，属于第二区间的相似度对应的预设症状文本是症状识别模型预测的、与语料文本对应的负症状文本。属于第二区间的至少一个相似度中最大的相似度对应的预设症状文本，是与语料文本对应的负症状文本中，与语料文本最相似的预设症状文本。换句话说，该预设症状文本并不能表示语料文本所描述的病情，但是该预设症状文本所表示的症状与语料文本所描述的病情极为接近或相似。
111.例如语料文本是“右腹部间断性痛”，该语料文本对应的正症状文本是“腹痛”，属于第二区间的至少一个相似度中最大的相似度对应的预设症状文本是“腹胀”，可见，该预设症状文本与语料文本对应的正症状文本极为相似，但该预设症状文本所表示的症状并不
是语料文本所描述的病情。
112.204、服务器基于语料文本、正症状文本、第一负症状文本和第二负症状文本，训练症状识别模型。
113.其中，第二负症状文本是与语料文本对应的正症状文本极为接近的负症状文本，可以看作是高置信度负样本。在本技术实施例中，在步骤201中，症状识别模型不仅可以学习语料文本与正症状文本之间的关系，还可以学习语料文本与第一负症状文本之间的关系，但是在正症状文本与第一负症状文本相差较多的情况下，症状识别模型的训练过程容易过早的拟合，导致症状识别模型难以区分与正症状文本较为接近的症状文本是否为语料文本真实的正症状文本。
114.通过将第二负症状文本加入到症状识别模型的训练过程中，使得症状识别模型，还可以学习语料文本与第二负症状文本之间的关系，为症状识别模型的训练引入了干扰，增大了症状识别模型的训练难度，使得症状识别模型能够较为准确地区分开正症状文本和负症状文本，进而提高了症状识别模型的准确性和鲁棒性。
115.本技术实施例提供了一种症状识别方案，先调用训练过的症状识别模型，来确定语料文本与多个预设症状文本之间的相似度，由于第二区间的相似度小于第一区间的相似度，则属于第二区间的至少一个相似度对应的预设症状文本与语料文本比较不匹配，通过将至少一个相似度中最大的相似度对应的预设症状文本确定为第二负症状文本，使得该第二负症状文本是与语料文本不匹配但又是相对来说比较相似的负症状文本，这样在训练过程中，症状识别模型不仅能够学习语料文本与正症状文本之间的关系、语料文本与第一负症状文本之间的关系，还能够学习语料文本与具有干扰性的第二负症状文本之间的关系，可见该训练方案大大丰富了训练过程中的样本多样性，增大了症状识别模型的训练难度，进而提高了症状识别模型的识别准确性，这样基于训练好的症状识别模型进行症状识别的准确性较高。
116.图3是本技术实施例提供的另一种症状识别方法的流程图，该方法由服务器执行，如图3所示，该方法包括：
117.301、服务器基于语料文本、正症状文本和第一负症状文本，训练症状识别模型，正症状文本是与语料文本匹配的症状文本，第一负症状文本是与语料文本不匹配的症状文本。
118.其中，症状识别模型的输入数据是语料文本、正症状文本和第一负症状文本，症状识别模型的输出数据是语料文本与正症状文本之间的相似度，以及，语料文本与第一负症状文本之间的相似度。
119.在本技术实施例中，在基于语料文本、正症状文本和第一负症状文本，训练症状识别模型之前，服务器获取症状识别模型的训练样本。可选地，该方法还包括以下步骤1-2：
120.1、服务器获取多个语料文本集合，每个语料文本集合包括多个语料文本，且每个语料文本集合包括的语料文本的数量相等。
121.可选地，服务器获取一定数量的语料文本，这一定数量的语料文本可以划分成多个语料文本集合，且每个语料文本集合中包括多个语料文本。语料文本集合包括的语料文本的数量可以根据需要设置，本技术对此不加以限定。例如，服务器获取了100个语料文本，若每个语料文本集合包括的语料文本的数量均为4，则划分成25个语料文本集合。
122.在步骤1之后，服务器确定每个语料文本对应的正症状文本和第一负症状文本，然后执行步骤301，训练症状识别模型。可选地，正症状文本为对语料文本进行人工标注得到的症状文本。可选地，第一负症状样本是对语料文本进行人工标注得到的症状文本或者是服务器随机生成的症状文本，本技术对此不加以限定。其中，随机生成的症状文本指的是服务器从多个预设症状文本中选择出的症状文本。或者，服务器还可以先执行步骤2，确定第二负症状文本，再执行步骤301。本技术实施例以服务器先执行步骤2再执行步骤301为例进行说明。
123.2、服务器对于每个语料文本，将语料文本集合中除语料文本之外的其他语料文本对应的正症状文本，确定为语料文本对应的第一负症状文本。
124.其中，语料文本对应的正症状文本的数量可以是一个或者多个，本技术实施例对此不加以限定，本技术实施例以正症状文本的数量为一个为例进行说明。
125.在本技术实施例中，语料文本对应的正症状文本可以看作是症状识别模型的正样本。由于同一语料文本集合中的两个语料文本并不相同，则两个语料文本对应的正症状文本也极有可能不同，则两个语料文本中的一个语料文本对应的正症状文本极有可能与另一个语料文本不匹配，通过将同一语料文本集合中除当前语料文本之外的其他语料文本对应的正症状文本，直接确定为当前语料文本对应的第一负症状文本，从而在不需要人工标注或者随机生成语料文本对应的第一负症状文本的基础上，直接利用已有的正症状文本就能够达到为症状识别模型提供第一负症状文本的目的，既降低了工作量，又保证了样本质量。
126.可选地，步骤301的实现方式包括：服务器调用症状识别模型，确定语料文本分别与正症状文本、第一负症状文本之间的相似度；基于所确定的相似度确定症状识别模型的损失值，基于该损失值，训练症状识别模型。可选地，服务器基于该损失值调整症状识别模型的模型参数，得到训练后的症状识别模型。
127.可选地，服务器调用症状识别模型，对语料文本、正症状文本和第一负症状文本进行特征提取，得到语料文本特征、正症状文本特征和第一负症状文本特征；确定语料文本特征分别与正症状文本特征、第一负症状文本特征之间的相似度。
128.其中，症状识别模型包括两个编码器，每个编码器用于对输入编码器的数据进行编码，得到相应的特征。一个编码器用于对输入的语料文本进行编码，得到语料文本特征，另一个编码器用于对输入的症状文本进行编码，得到症状文本特征。例如，症状文本包括正症状文本和第一负症状文本，则症状文本特征包括正症状文本特征和第一负症状文本特征。可选地，特征以嵌入向量的形式表示，特征之间的相似度可以是两个向量之间的余弦相似度。可选地，症状识别模型为基于bert的bi-encoder，或者其他能够对输入数据进行编码得到特征的模型。
129.在本技术实施例中，通过对输入症状识别模型的文本进行特征提取，这样既去除了文本中对症状识别无明显意义的信息，又得到了能够表征文本的相关信息的文本特征，从而根据两个文本对应的文本特征来确定两个文本之间的相似度，所确定出的相似度更加准确。
130.例如，参见图4，症状识别模型包括编码器1和编码器2，编码器1用于对输入的语料文本进行编码，编码器2用于对输入的症状文本进行编码。一个语料文本集合包括4个语料文本：文本1“照射过太阳皮肤就非常痒，起红疹”、文本2“右腹部间断性痛”、文本3“眼角多
一层白色的东西”和文本4“脚指头疼痛，有伤口一直难恢复，非常疼痛难忍”，其中，文本1对应的正症状文本是“皮疹”，服务器将文本2对应的正症状文本“腹痛”、文本3对应的正症状文本“眼分泌物”和文本4对应的正症状文本“足部疼痛”确定为文本1的第一负症状文本，以此类推，该语料文本集合中的每个语料文本均具有对应的第一负症状文本。
131.为便于说明，将语料文本与正症状文本之间的相似度称为第一相似度，将语料文本与第一负症状文本之间的相似度称为第二相似度。其中，损失值与第一相似度负相关，与第二相似度正相关。语料文本与正症状文本越相似，第一相似度越大，与第一负症状文本越不相似，第二相似度越小，则损失值越小；语料文本与正症状文本越不相似，第一相似度越小，与第一负症状文本越相似，第二相似度越大，则损失值越大。
132.第一种情况，若输入到症状识别模型中的是一个语料文本以及该语料文本对应的正症状文本、第一负症状文本，则服务器直接基于所确定的相似度，确定症状识别模型的损失值。可选地，服务器通过以下公式确定损失值：
[0133][0134]
其中，h为语料文本，h
+
为语料文本对应的正症状文本，τ为预设的温度参数，sim(
·
)为相似度函数，sim(h，h
+
)为h与h
+
之间的相似度，e为自然常数，也是自然对数函数的底数，n是语料文本对应的第一负症状文本的数量，l为损失值，log(
·
)为对数函数，j为第一负症状文本的序号，j＝1，2，3，...，n，为语料文本对应的第j个第一负症状文本，为h与之间的相似度。
[0135]
第二种情况，若输入症状识别模型的是一个语料文本集合，则服务器对于该语料文本集合中的每个语料文本，确定该语料文本分别与对应的正症状文本和第一负症状文本之前的相似度，基于所确定的相似度，确定针对每个语料文本时症状识别模型的损失值，将针对语料文本集合中每个语料文本集合的损失值进行求和并取平均值，得到症状识别模型的损失值。可选地，服务器通过以下公式，确定每个语料文本对应的损失值：
[0136][0137]
其中，i为语料文本的序号，i＝1，2，3，...，n+1，n+1为语料文本集合包括的语料文本的数量，li为语料文本集合中的第i个语料文本对应的损失值，log(
·
)为对数函数，hi为语料文本集合中的第i个语料文本，为第i个语料文本对应的正症状文本，τ为预设的温度参数，sim(
·
)为相似度函数，为hi与之间的相似度，e为自然常数，也是自然对数函数的底数，j为预料文本集合中除第i个语料文本之外的其他语料文本的序号，j＝1，2，3，...，n，为第i个语料文本对应的第j个负症状文本，为hi与之间的相似度。
[0138]
可选地，服务器对症状识别模型训练至少一个迭代过程。服务器设置1次迭代过程
所使用的样本量，也即一个语料文本集合所包括的语料文本的数量(batch size)。在batch size大于1时，症状识别模型的训练过程与batch size为1时的训练过程同理。例如，语料文本的数量是100，若batch size是4，则症状识别模型的训练过程需要迭代100/4＝25次。在每次迭代过程中，服务器获取一个语料文本集合，训练症状识别模型，得到调整模型参数后的症状识别模型，再获取下一个语料文本集合，训练调整模型参数后的症状识别模型，直至症状识别模型基于每个语料文本集合均进行了一个迭代过程，也即完成一个epoch。一个epoch表示每个语料文本集合均输入到症状识别模型中过，且进行了一次前向计算和反向传播的过程。可选地，服务器基于多个语料文本集合，对症状识别模型进行至少一个epoch，从而得到准确性较高的症状识别模型。相应地，服务器在步骤301之后，继续执行步骤302-步骤307的操作，对症状识别模型进行进一步地训练，使症状识别模型的准确性更高。
[0139]
本技术实施例以服务器先执行步骤301的操作，对症状识别模型进行一个epoch，再执行步骤302-步骤306的操作，对症状识别模型进行进一步地训练为例进行说明。
[0140]
302、服务器调用症状识别模型，确定语料文本与多个预设症状文本之间的相似度，症状识别模型对应的相似度区间包括第一区间和第二区间，第一区间的相似度大于第二区间的相似度。
[0141]
其中，症状识别模型是经由步骤301训练得到的模型，则症状识别模型具有一定的准确性，通过该症状识别模型能够对语料文本进行预测，从而从多个预设症状文本中确定该语料文本对应的正症状文本。可选地，症状识别模型确定语料文本与多个预设症状文本之间的相似度的实现方式与步骤301中症状识别模型确定语料文本与正症状文本之间的相似度的实现方式同理，在此不再赘述。
[0142]
在本技术实施例中，通过调用症状识别模型确定语料文本与多个预设症状文本之间的相似度，之后能够基于所确定的相似度确定语料文本对应的第二负症状文本。可选地，在调用症状识别模型，确定语料文本与多个预设症状文本之间的相似度之后，服务器还能够执行步骤303-步骤305的操作，确定语料文本对应的第二负症状文本。
[0143]
303、服务器确定验证语料文本、验证症状文本和验证标签，该验证标签为第一验证标签或第二验证标签，第一验证标签与第一区间对应，第二验证标签与第二区间对应。
[0144]
其中，第一验证标签表示验证症状文本是验证语料文本匹配的症状文本，第二验证标签表示验证症状文本是验证语料文本不匹配的症状文本。验证语料文本和验证症状文本是症状识别模型的验证样本，用于验证症状识别模型的精确度。可选地，服务器确定验证文本对，该验证文本对包括一个验证语料文本、一个验证症状文本和一个验证标签。
[0145]
304、服务器调用症状识别模型，确定验证语料文本与验证症状文本之间的相似度。
[0146]
可选地，症状识别模型确定验证语料文本与验证症状文本之间的相似度的实现方式与步骤301中症状识别模型确定语料文本与正症状文本之间的相似度的实现方式同理，在此不再赘述。可选地，若验证文本对的数量为多个，则服务器确定每个验证文本对中验证语料文本与验证症状文本之间的相似度。
[0147]
305、服务器根据该相似度是否属于该验证标签对应的区间，确定症状识别模型的精确度。
[0148]
其中，在验证标签为第一验证标签的情况下，若验证语料文本与验证症状文本之
间的相似度属于第一区间，表示症状识别模型将该验证症状文本识别为验证语料文本对应的正症状文本，说明症状识别模型的识别结果是正确的；若验证语料文本与验证症状文本之间的相似度属于第二区间，表示症状识别模型将该验证症状文本识别为验证语料文本对应的负症状文本，说明症状识别模型的识别结果是错误的。同理，在验证标签为第二验证标签的情况下，若验证语料文本与验证症状文本之间的相似度属于第一区间，表示症状识别模型将该验证症状文本识别为验证语料文本对应的正症状文本，说明症状识别模型的识别结果是错误的；若验证语料文本与验证症状文本之间的相似度属于第二区间，表示症状识别模型将该验证症状文本识别为验证语料文本对应的负症状文本，说明症状识别模型的识别结果是正确的。
[0149]
在本技术实施例中，通过调用症状识别模型，确定验证语料文本与该验证症状文本之间的相似度，服务器能够根据该相似度的大小，来确定症状识别模型是否正确地将该验证症状文本识别为验证语料文本对应的正症状文本。
[0150]
可选地，精确度为被识别为正样本中的真实的正样本所占的比例。例如，输入模型的真实的正样本的数量为100，被识别为正样本的样本数量为90，其中真实的正样本的数量为81，则精确度为81/90＝0.9。或者，精确度为所有样本中被识别正确的样本数量所占的比例。例如，样本数量为100，被识别正确的样本数量为80，则精确度为80/100＝0.8。本技术实施例以精确度为被识别为正样本中的真实的正样本所占的比例为例进行说明。
[0151]
可选地，服务器将第一数量与第二数量之间的比值，确定为症状识别模型的精确度。其中，第一数量是所确定的属于第一区间的相似度对应的验证症状文本中，与第一验证标签对应的验证症状文本的数量，也即真实的正样本的数量。第二数量是属于第一区间的相似度对应的验证症状样本的数量，也即是被识别为正样本的样本数量。
[0152]
306、服务器在精确度不小于预设精确度的情况下，将属于第二区间的至少一个相似度中最大的相似度对应的预设症状文本，确定为语料文本对应的第二负症状文本。
[0153]
其中，预设精确度可以根据需要设置，本技术对此不加以限定，例如预设精确度为0.8、0.85、0.875或0.9等。在精确度不小于预设精确度的情况下，精确度较大，也即症状识别模型所确定的相似度的精确度较高，属于第二区间的至少一个相似度中最大的相似度对应的预设症状文本，极有可能是与语料文本对应的正症状文本极为接近的负症状文本，则该负症状文本可以看作是语料文本对应的第二负症状文本。
[0154]
在本技术实施例中，症状识别模型的精确度会受到相似度阈值的大小的影响，其中，相似度阈值用于划分第一区间和第二区间。相应地，在精确度小于预设精确度的情况下，调整第一区间和第二区间，根据该相似度是否属于该验证标签对应的区间，确定症状识别模型的精确度，直至精确度不小于预设精确度。
[0155]
其中，通过调整相似度阈值的大小，来调整第一区间和第二区间，然后重新确定症状识别模型的精确度。若一个相似度阈值能够使精确度大于预设精确度，则表示该相似度阈值是合适的，通过该相似度阈值划分出第一区间和第二区间是合适的，则根据验证语料文本与对应的正症状文本之间的相似度是否属于该第一区间，所确定出的精确度是准确的。
[0156]
需要说明的是，所确定出的语料文本对应的第二负症状文本的数量可以根据需要设置，可以是一个或多个。在第二负症状文本的数量为一个时，从属于第二区间的相似度中
选择一个最大的相似度；在第二负症状文本的数量为多个时，从属于第二区间的相似度中选择多个最大的相似度，当然前提是属于第二区间的相似度的数量不小于所需的第二负症状样本的数量。例如，属于第二区间的相似度包括：0.79、0.76、0.65和0.54，则若所需的第二负症状文本的数量为1，则将0.79对应的预设症状文本确定为第二负症状文本，若所需的第二负症状文本的数量为2，则将0.79、0.76对应的预设症状文本分别确定为第二负症状文本。
[0157]
例如，参见图5，症状识别模型包括编码器1和编码器2，编码器1用于对输入的语料文本进行编码，编码器2用于对输入的症状文本进行编码。文本1的第二负症状文本是“疱疹”和“色素沉着”，文本2的第二负症状文本是“腹胀”和“腹泻”，文本3的第二负症状文本是“视力下降”和“视物模糊”，文本4的第二负症状文本是“关节疼痛”和“下肢疼痛”。
[0158]
在本技术实施例中，通过验证语料文本与验证症状文本来对症状识别模型进行验证，根据症状识别模型所确定的相似度是否属于验证标签对应的区间，来确定症状识别模型的精确度，由于精确度受到了第一区间的大小影响，通过调整第一区间，重新确定精确度，通过相似度区间和精确度之间的互相影响，来调整出一个能够足够准确的相似度区间，也即第一区间和第二区间，这样根据该第二区间确定出的第二负症状文本是比较准确的，从而提高了第二负症状文本的准确性。
[0159]
307、服务器基于语料文本、正症状文本、第一负症状文本和第二负症状文本，训练症状识别模型。
[0160]
其中，在确定出第二负症状文本之后，服务器将该第二负症状文本加入到症状识别模型的训练过程中。可选地，服务器基于语料文本、正症状文本、第一负症状文本和第二负症状文本，训练症状识别模型的实现方式包括：服务器调用症状识别模型，确定语料文本分别与正症状文本、第一负症状文本和第二负症状文本之间的相似度；基于所确定的相似度确定损失值，基于损失值，训练症状识别模型。
[0161]
在本技术实施例中，通过在症状识别模型的训练过程中，加入第二负症状文本，使得症状识别模型还能够确定语料文本与第二负症状文本之间的相似度，这样能够结合多个角度的相似度来确定症状识别模型的损失值，所确定出的损失值较准确，从而基于该损失值训练出的症状识别模型的准确性较高。
[0162]
可选地，服务器调用症状识别模型，对语料文本、正症状文本、第一负症状文本和第二负症状文本进行特征提取，得到语料文本特征、正症状文本特征、第一负症状文本特征和第二负症状文本特征；确定语料文本特征分别与正症状文本特征、第一负症状文本特征和第二负症状文本特征之间的相似度。
[0163]
在本技术实施例中，通过对输入症状识别模型的文本进行特征提取，这样既去除了文本中对症状识别无明显意义的信息，又得到了能够表征文本的相关信息的文本特征，从而根据两个文本对应的文本特征来确定两个文本之间的相似度，所确定出的相似度更加准确。
[0164]
可选地，由于已确定语料文本对应的第二负症状文本，那么在基于语料文本集合训练症状识别模型时，除该语料文本外的其他语料文本也能够使用该第二负症状文本。相应地，在步骤306之后，服务器对于每个语料文本，将语料文本集合中除语料文本之外的其他语料文本对应的第二负症状文本，确定为语料文本对应的第三负症状文本。相应地，步骤
307的实现方式包括：服务器基于语料文本、正症状文本、第一负症状文本、第二负症状文本和第三负症状文本，训练症状识别模型。
[0165]
在本技术实施例中，语料文本对应有三种的负症状文本，一种是同一语料文本集合中的其他语料文本的正症状文本，一种是与语料文本之间的相似度符合条件的预设症状文本，一种是同一语料文本集合中的其他语料文本的第二负症状文本，症状识别模型在训练过程中能够学习到语料文本与每种负症状文本之间的关系，从而通过加强了症状识别模型在正症状文本与负症状文本之间的对比学习，使得训练得到的症状识别模型的准确性更高。
[0166]
可选地，步骤307的实现方式与步骤301的实现方式同理，本技术实施例在此不再赘述。
[0167]
可选地，在步骤307之后，服务器直接将该症状识别模型应用于后续的症状识别过程。或者，在步骤307之后，服务器重新确定第二负症状文本，从而结合确定出的第二负症状文本对症状识别模型进行进一步地训练，也即重复执行步骤302-步骤307的操作，使得症状识别模型的准确性更高，相应地，该方法还包括：服务器调用症状识别模型，确定语料文本与多个预设症状文本之间的相似度；将属于第二区间的至少一个相似度中最大的相似度对应的预设症状文本，确定为语料文本对应的第二负症状文本；基于语料文本、正症状文本、第一负症状文本和所确定的第二负症状文本，训练症状识别模型，直至症状识别模型的训练次数达到训练次数阈值。
[0168]
其中，训练次数阈值可以根据需要设置，本技术实施例对此不加以限定，例如训练次数阈值为8、10或12等。需要说明的是，症状识别模型的预设精确度可以是固定数值或者还可以按照训练次数设置，本技术实施例对此不加以限定，例如训练次数越多，预设精确度越大。可选地，训练次数指的是epoch的数量，症状识别模型进行一次训练也即进行了一个epoch。
[0169]
在本技术实施例中，症状识别模型每训练一次，准确性很有可能得到提高，通过使用训练后的症状识别模型，重新确定语料文本对应的第二负症状文本，然后使用重新确定出的第二负症状文本，对症状识别模型再次进行训练，这样症状识别模型能够在一次次训练过程逐渐提高自身的准确性，从而在训练次数达到一定阈值时能够得到一个准确性较高的症状识别模型。
[0170]
在本技术实施例中，症状识别是医学实体识别和标准化任务中的一个子任务。症状识别的对象主要以医疗类文本为主，此外还有医疗相关的文献，例如学术论文等。相关技术的症状识别方法大多都为类似病例类的专业医疗类文本设计。预问诊作为一个新型医疗领域，借助人工智能来辅助医护人员进行问诊，因此，预问诊中的症状识别的对象大多以患者输入的文本为主。由于患者缺乏相关的医疗知识，所输入的文本比较口语化，比专业医疗类文本更有挑战性。
[0171]
相较于相关技术中的症状识别模型耗时偏高和不够准确的缺陷，本技术实施例提出了一种基于对比学习和高置信度负样本进行训练的症状识别模型。通过利用对比学习来增加多样性的负样本，通过增加高置信度负样本来增加模型学习的难度，从而能够提升症状识别模型的识别能力。
[0172]
其中，基于对比学习训练过的症状识别模型已经具有较好的识别能力，然而在某
些情况下症状识别模型仍然缺乏更为准确的识别。例如将文本“门牙间隙太大”输入到症状识别模型，症状识别模型返回症状文本“牙齿缺失”、“牙齿缺损”和“牙列不齐”，其中“牙列不齐”是正确的症状文本，而症状识别模型会将“牙齿缺失”,“牙齿缺损”排序在“牙列不齐”之前。这表示症状识别模型能够准确地识别出用户的患病部位，并确定相应的症状文本，但是在症状文本排序时，并不能将最为准确的症状文本排在最前面，也即症状识别模型确定出的相似度并不是很准确。在另外一种情况中，症状识别模型能够准确地识别出症状文本，而在识别患病部位时缺乏准确性，比如症状识别模型可能会混淆“足部疼痛”和“下肢疼痛”。因此本技术实施例还引入了高置信度的负样本。
[0173]
例如，参见图6，为了提升模型的识别能力，本技术实施例基于语料文本，采用对比学习进行症状识别模型的训练。训练结束之后，利用训练好的症状识别模型，从多个预设症状文本中，选取与语料文本之间的相似度符合条件的预设症状文本，也即第二负症状文本，并将第二负症状文本看作是高置信度的负样本，并加入到症状识别模型的训练样本中，再采用对比学习进行症状识别模型的训练，以进一步提升模型的识别能力。使得症状识别模型能够对输入模型的文本进行识别，得到较为准确的症状文本。
[0174]
在本技术实施例中，症状识别模型的训练集有三万条，包含638种症状文本。测试集有一千两百条，包含298种症状文本，其中121种症状文本是训练集和测试集均包含的。考虑到在症状识别过程中可能出现新的症状术语，因此训练集不完全包含测试集中的所有症状文本。其中，训练集中的80％作为症状识别模型的训练样本，20％作为症状识别模型的验证样本。
[0175]
为了验证本技术实施例所提出症状识别模型的有效性，本技术实施例将相关技术中的模型与本技术实施例提供的症状识别模型进行了对比。其中，相关技术中的模型包括以下多个模型：bi-encoder(基于bert的召回模型)；bi-encoder+cross-encoder(基于bert的召回排序模型)；bi-encoder(对比学习)，进行过对比学习训练的召回模型。而本技术实施例提供的症状识别模型为bi-encoder(对比学习+高置信度负样本)，也即是加入了高置信度负样本的对比学习模型。对比结果如表1所示：
[0176]
表1
[0177]
模型召回率cpu平均耗时bi-encoder0.714229msbi-encoder+cross-encoder0.7833431msbi-encoder(对比学习)0.789029msbi-encoder(对比学习+高置信度负样本)0.807529ms
[0178]
从实验结果我们可以看出bi-encoder(对比学习)在bi-encoder的基础上，在召回率(recall)上有了7个百分点的提高。与召回排序模型bi-encoder+cross-encoder相比，bi-encoder(对比学习)在召回率上有大约1个百分点的提高，而在cpu平均耗时上是其7％。另外，bi-encoder(对比学习+高置信度负样本)在加入高置信度负样本之后，进一步提升了症状识别模型的识别能力，充分证明了在对比学习中加入高置信度负样本的有效性。可见，本技术实施例提出的症状识别模型相对于相关技术中的模型不仅在效率上有十分明显的性能提升，而且准确性也得到了提高。
[0179]
本技术实施例提供了一种症状识别方案，先调用训练过的症状识别模型，来确定
语料文本与多个预设症状文本之间的相似度，由于第二区间的相似度小于第一区间的相似度，则属于第二区间的至少一个相似度对应的预设症状文本与语料文本比较不匹配，通过将至少一个相似度中最大的相似度对应的预设症状文本确定为第二负症状文本，使得该第二负症状文本是与语料文本不匹配但又是相对来说比较相似的负症状文本，这样在训练过程中，症状识别模型不仅能够学习语料文本与正症状文本之间的关系、语料文本与第一负症状文本之间的关系，还能够学习语料文本与具有干扰性的第二负症状文本之间的关系，可见该训练方案大大丰富了训练过程中的样本多样性，增大了症状识别模型的训练难度，进而提高了症状识别模型的识别准确性，这样基于训练好的症状识别模型进行症状识别的准确性较高。
[0180]
在本技术实施例中，语料文本对应的正症状文本可以看作是症状识别模型的正样本。由于同一语料文本集合中的两个语料文本并不相同，则两个语料文本对应的正症状文本也极有可能不同，则两个语料文本中的一个语料文本对应的正症状文本极有可能与另一个语料文本不匹配，通过将同一语料文本集合中除当前语料文本之外的其他语料文本对应的正症状文本，直接确定为当前语料文本对应的第一负症状文本，从而在不需要人工标注或者随机生成语料文本对应的第一负症状文本的基础上，直接利用已有的正症状文本就能够达到为症状识别模型提供第一负症状文本的目的，既降低了工作量，又保证了样本质量。
[0181]
在本技术实施例中，通过对输入症状识别模型的文本进行特征提取，这样既去除了文本中对症状识别无明显意义的信息，又得到了能够表征文本的相关信息的文本特征，从而根据两个文本对应的文本特征来确定两个文本之间的相似度，所确定出的相似度更加准确。
[0182]
在本技术实施例中，通过验证语料文本与验证症状文本来对症状识别模型进行验证，根据症状识别模型所确定的相似度是否属于验证标签对应的区间，来确定症状识别模型的精确度，由于精确度受到了第一区间的大小影响，通过调整第一区间，重新确定精确度，通过相似度区间和精确度之间的互相影响，来调整出一个能够足够准确的相似度区间，也即第一区间和第二区间，这样根据该第二区间确定出的第二负症状文本是比较准确的，从而提高了第二负症状文本的准确性。
[0183]
在本技术实施例中，通过在症状识别模型的训练过程中，加入第二负症状文本，使得症状识别模型还能够确定语料文本与第二负症状文本之间的相似度，这样能够结合多个角度的相似度来确定症状识别模型的损失值，所确定出的损失值较准确，从而基于该损失值训练出的症状识别模型的准确性较高。
[0184]
在本技术实施例中，通过对输入症状识别模型的文本进行特征提取，这样既去除了文本中对症状识别无明显意义的信息，又得到了能够表征文本的相关信息的文本特征，从而根据两个文本对应的文本特征来确定两个文本之间的相似度，所确定出的相似度更加准确。
[0185]
在本技术实施例中，语料文本对应有三种的负症状文本，一种是同一语料文本集合中的其他语料文本的正症状文本，一种是与语料文本之间的相似度符合条件的预设症状文本，一种是同一语料文本集合中的其他语料文本的第二负症状文本，症状识别模型在训练过程中能够学习到语料文本与每种负症状文本之间的关系，从而通过加强了症状识别模型在正症状文本与负症状文本之间的对比学习，使得训练得到的症状识别模型的准确性更
高。
[0186]
在本技术实施例中，症状识别模型每训练一次，准确性很有可能得到提高，通过使用训练后的症状识别模型，重新确定语料文本对应的第二负症状文本，然后使用重新确定出的第二负症状文本，对症状识别模型再次进行训练，这样症状识别模型能够在一次次训练过程逐渐提高自身的准确性，从而在训练次数达到一定阈值时能够得到一个准确性较高的症状识别模型。
[0187]
在本技术实施例中，在训练得到症状识别模型之后，可以调用该症状识别模型进行症状识别。图7是本技术实施例提供的再一种症状识别方法的流程图，该方法由终端执行，如图7所示，该方法包括：
[0188]
701、终端展示信息输入界面，信息输入界面包括症状输入区域。
[0189]
702、终端获取输入文本，输入文本为在症状输入区域输入的文本。
[0190]
703、终端调用症状识别模型，确定输入文本与多个预设症状文本之间的相似度。
[0191]
704、终端基于所确定的多个相似度，确定与输入文本匹配的目标症状文本。
[0192]
其中，症状识别模型是基于语料文本、正症状文本、第一负症状文本和第二负症状文本训练得到的，正症状文本是与语料文本匹配的症状文本，第一负症状文本是与语料文本不匹配的症状文本，症状识别模型对应的相似度区间包括第一区间和第二区间，第一区间的相似度大于第二区间的相似度，第二负症状文本是调用症状识别模型所确定的语料文本与多个预设症状文本之间的相似度中，属于第二区间的至少一个相似度中最大的相似度对应的预设症状文本。
[0193]
在本技术实施例中，症状识别模型在训练过程中，基于语料文本对应的正症状文本与负症状文本进行对比学习，在此基础上，负症状文本不仅包括普通的第一负症状文本，还包括与语料文本之间的相似度较大的第二负症状文本，增大了症状识别模型的训练难度，进而提高了症状识别模型的识别准确性；通过展示症状输入区域，为用户提供了一个输入描述病情的文本的方式，通过获取输入文本，调用训练好的症状识别模型，能够确定出较为准确的相似度，从而确定出的目标症状文本的准确性较高。
[0194]
图8是本技术实施例提供的一种症状识别方法的流程图，该方法由终端执行，如图8所示，该方法包括：
[0195]
801、终端展示信息输入界面，信息输入界面包括症状输入区域。
[0196]
可选地，用户在想要通过终端获取医疗服务时，或者在需要收集能够描述用户的病情的信息时，触发终端展示信息输入界面。可选地，终端展示有用于触发医疗服务功能的控件，用户触发该控件，终端响应于该控件被触发，展示信息输入界面。该信息输入界面包括症状输入区域。该症状输入区域用于输入能够描述症状的文本。用户能够在该症状输入区域中输入文本，终端执行步骤302的操作。
[0197]
可选地，终端直接在信息输入界面中展示至少一个症状文本，不展示症状输入区域。相应地，信息输入界面还包括多个症状选项，每个症状选项对应一种症状文本。这样用户能够直接在信息输入界面中已展示的症状选项中选择相应的症状选项。用户触发症状选项，终端响应于该症状选项被触发，将该症状选项展示为已选中的样式，以与其他未被选中的症状选项区分开。
[0198]
由于已展示的症状选项可能并不包括用户想要的症状选项，则终端还可以在信息
输入界面中展示用于触发展示症状输入区域的控件，用户在想要输入已展示的症状选项对应的症状文本之外的症状文本时，可以触发该控件，终端响应于该控件被触发，展示症状输入区域。
[0199]
例如，参见图9所示的信息展示界面901，信息展示界面901中展示有多个症状选项：“发烧”、“呕吐”、“腹痛”、“下腹痛”、“腹胀”以及“腹泻”，此外，还展示有用于触发展示症状输入区域的控件“其他”，在“其他”控件被触发时，信息展示界面901中还展示有症状输入区域902，用户可以在该症状输入区域902中输入文本，如图9所示，所输入的文本是“大便不成形，偶尔黑便”。
[0200]
802、终端获取输入文本，输入文本为在症状输入区域输入的文本。
[0201]
其中，终端响应于在症状输入区域中输入文本，获取所输入的文本。
[0202]
803、终端调用症状识别模型，确定输入文本与多个预设症状文本之间的相似度。
[0203]
可选地，终端部署有症状识别模型，则终端直接调用该症状识别模型，将输入文本和多个预设症状文本输入症状识别模型，症状识别模型输出输入文本与每个预设症状文本之间的相似度。其中，症状识别模型是经步骤301-步骤306训练得到的模型。可选地，症状识别模型确定语料文本与多个预设症状文本之间的相似度的实现方式与步骤301中症状识别模型确定语料文本与正症状文本之间的相似度的实现方式同理，在此不再赘述。
[0204]
804、终端展示相似度排序在前目标数量的预设症状文本。
[0205]
其中，目标症状文本是输入文本的正症状文本。目标数量可以根据需要设置，本技术实施例对此不加以限定，例如目标数量为4、5或者6等。终端确定出多个相似度之后，对多个相似度按照从大到小的顺序排序，相似度越大，表示对应的预设症状文本越可能是输入文本对应的正症状文本；相似度越小，表示对应的预设症状文本越不可能是输入文本对应的正症状文本。
[0206]
805、终端将展示的预设症状文本中被选中的预设症状文本确定为目标症状文本。
[0207]
其中，终端在信息输入界面中展示目标数量的预设症状文本，用户能够从中选择需要的预设症状文本，从而终端将被选中的预设症状文本确定为目标症状文本。
[0208]
在本技术实施例中，通过将最有可能是输入文本对应的正症状文本的预设症状文本展示出来，使得用户能够选择出符合自身病情的预设症状文本，这样在使用症状识别模型进行症状识别的基础上，还参考了用户的判断，从而确定出的目标症状文本更加准确。
[0209]
可选地，服务器部署有症状识别模型，终端借助于服务器确定相似度。相应地，终端向服务器发送输入文本，服务器调用症状识别模型，确定输入文本与多个预设症状文本之间的相似度，服务器确定相似度排序在前目标数量的预设症状文本，向终端发送前目标数量的预设症状文本，终端接收并展示前目标数量的预设症状文本。可选地，症状识别模型确定语料文本与多个预设症状文本之间的相似度的实现方式与步骤301中症状识别模型确定语料文本与正症状文本之间的相似度的实现方式同理，在此不再赘述。
[0210]
可选地，终端还可以将相似度排序在前目标数量的预设症状文本，直接确定为目标症状文本。这样用户无需选择，节省了提供医疗服务的时间。
[0211]
在本技术实施例中，信息输入界面还包括提交控件，用户在输入信息之后，还可以触发该提交控件，相应地，在基于所确定的多个相似度，确定与输入文本匹配的目标症状文本之后，终端响应于对提交控件的触发操作，将输入文本与目标症状文本，组成当前登录账
号的健康信息；向服务器上传健康信息。
[0212]
其中，健康信息能够描述病情。输入文本与目标症状文本能够描述用户的症状信息，该症状信息能够看作是用户当前的疾病信息。可选地，健康信息还包括当前登录账号对应的账号信息或既往病史中的至少一项，例如账号信息包括性别、年龄或其他信息。相应地，用户触发终端展示信息输入界面后，在信息输入界面中填写上述健康信息。可选地，终端获取在信息输入界面填写的账号信息、既往病史，将账号信息、输入文本、目标症状文本和既往病史组成当前登录账号的健康信息。可选地，提交控件设置在填写提交信息的信息输入界面中，则用户可以依次在信息输入界面输入上述信息，直至触发提交控件。
[0213]
例如，继续参见图9，信息展示界面901还展示有进度条，该进度条包括4个进度：“基本信息”、“疾病信息”、“既往病史”和“提交信息”，其中“基本信息”指的是填写当前登录账号的账号信息，“疾病信息”指的是填写症状信息，“既往病史”指的是填写既往病史，“提交信息”指的是触发提交所填写的信息。进度条的进度显示“基本信息”已完成，“疾病信息”正在输入，“既往病史”和“提交信息”未完成。
[0214]
可选地，服务器接收到该健康信息，存储该健康信息，或者服务器还能够将该健康信息转发给为当前登录账号提供医疗服务的账号所登录的终端，这样提供医疗服务的账号所登录的终端能够接收并展示该健康信息，供操作终端的用户查看，从而用户能够根据该健康信息，为健康信息所属账号对应的用户提供医疗服务。
[0215]
在本技术实施例中，通过向服务器上传包括输入文本与目标症状文本的健康信息，使得服务器能够存储该健康信息，实现健康信息的收集，或者服务器还能将健康信息转发给提供医疗服务的用户的终端，使得提供医疗服务的用户能够根据健康信息对需要获取医疗服务的用户的病情有所了解，从而能够提高了提供医疗服务的效率。
[0216]
本技术实施例所提出的症状识别模型，能够识别比较口语化的语料文本，使得用户能更方便地去描述当前的病情，提升了在提供医疗服务时症状识别的命中率，准确的症状识别确保了进一步获取用户的其他信息时能够有的放矢，大大提升了提供医疗服务的效率，进而提高了医疗资源的利用。
[0217]
在本技术实施例中，症状识别模型在训练过程中，基于语料文本对应的正症状文本与负症状文本进行对比学习，在此基础上，负症状文本不仅包括普通的第一负症状文本，还包括与语料文本之间的相似度较大的第二负症状文本，增大了症状识别模型的训练难度，进而提高了症状识别模型的识别准确性；通过展示症状输入区域，为用户提供了一个输入描述病情的文本的方式，通过获取输入文本，调用训练好的症状识别模型，能够确定出较为准确的相似度，从而确定出的目标症状文本的准确性较高。
[0218]
在本技术实施例中，通过将最有可能是输入文本对应的正症状文本的预设症状文本展示出来，使得用户能够选择出符合自身病情的预设症状文本，这样在使用症状识别模型进行症状识别的基础上，还参考了用户的判断，从而确定出的目标症状文本更加准确。
[0219]
在本技术实施例中，通过向服务器上传包括输入文本与目标症状文本的健康信息，使得服务器能够存储该健康信息，实现健康信息的收集，或者服务器还能将健康信息转发给提供医疗服务的用户的终端，使得提供医疗服务的用户能够根据健康信息对需要获取医疗服务的用户的病情有所了解，从而能够提高了提供医疗服务的效率。
[0220]
图10是本技术实施例提供的一种症状识别装置的结构示意图，如图10所示，该装
置包括：
[0221]
模型训练模块1001，用于基于语料文本、正症状文本和第一负症状文本，训练症状识别模型，正症状文本是与语料文本匹配的症状文本，第一负症状文本是与语料文本不匹配的症状文本；
[0222]
相似度确定模块1002，用于调用症状识别模型，确定语料文本与多个预设症状文本之间的相似度，症状识别模型对应的相似度区间包括第一区间和第二区间，第一区间的相似度大于第二区间的相似度；
[0223]
文本确定模块1003，用于将属于第二区间的至少一个相似度中最大的相似度对应的预设症状文本，确定为语料文本对应的第二负症状文本；
[0224]
模型训练模块1001，还用于基于语料文本、正症状文本、第一负症状文本和第二负症状文本，训练症状识别模型。
[0225]
在一种可能的实现方式中，模块训练模块1001，用于：
[0226]
调用症状识别模型，确定语料文本分别与正症状文本、第一负症状文本和第二负症状文本之间的相似度；
[0227]
基于所确定的相似度确定损失值，基于损失值，训练症状识别模型。
[0228]
在一种可能的实现方式中，模块训练模块1001，用于：
[0229]
调用症状识别模型，对语料文本、正症状文本、第一负症状文本和第二负症状文本进行特征提取，得到语料文本特征、正症状文本特征、第一负症状文本特征和第二负症状文本特征；
[0230]
确定语料文本特征分别与正症状文本特征、第一负症状文本特征和第二负症状文本特征之间的相似度。
[0231]
在一种可能的实现方式中，装置还包括：
[0232]
文本确定模块1003，还用于确定验证语料文本、验证症状文本和验证标签，验证标签为第一验证标签或第二验证标签，第一验证标签表示验证症状文本是验证语料文本匹配的症状文本，第二验证标签表示验证症状文本是验证语料文本不匹配的症状文本，且第一验证标签与第一区间对应，第二验证标签与第二区间对应；
[0233]
相似度确定模块1002，还用于调用症状识别模型，确定验证语料文本与验证症状文本之间的相似度；
[0234]
精确度确定模块，用于根据相似度是否属于验证标签对应的区间，确定症状识别模型的精确度；
[0235]
模块训练模块1001，用于在精确度不小于预设精确度的情况下，将属于第二区间的至少一个相似度中最大的相似度对应的预设症状文本，确定为语料文本对应的第二负症状文本。
[0236]
在一种可能的实现方式中，精确度确定模块，还用于在精确度小于预设精确度的情况下，调整第一区间和第二区间，根据相似度是否属于验证标签对应的区间，确定症状识别模型的精确度，直至精确度不小于预设精确度。
[0237]
在一种可能的实现方式中，装置还包括：
[0238]
文本获取模块，用于获取多个语料文本集合，每个语料文本集合包括多个语料文本，且每个语料文本集合包括的语料文本的数量相等；
[0239]
文本确定模块1003，还用于对于每个语料文本，将语料文本集合中除语料文本之外的其他语料文本对应的正症状文本，确定为语料文本对应的第一负症状文本。
[0240]
在一种可能的实现方式中，文本确定模块1003，还用于对于每个语料文本，将语料文本集合中除语料文本之外的其他语料文本对应的第二负症状文本，确定为语料文本对应的第三负症状文本；
[0241]
模型训练模块1001，用于基于语料文本、正症状文本、第一负症状文本、第二负症状文本和第三负症状文本，训练症状识别模型。
[0242]
在一种可能的实现方式中，模型训练模块1001，用于：
[0243]
调用症状识别模型，确定语料文本与正症状文本和第一负症状文本之间的相似度；
[0244]
基于所确定的相似度确定损失值，基于损失值，训练症状识别模型。
[0245]
在一种可能的实现方式中，相似度确定模块1002，用于调用症状识别模型，确定语料文本与多个预设症状文本之间的相似度；
[0246]
文本确定模块1003，用于将属于第二区间的至少一个相似度中最大的相似度对应的预设症状文本，确定为语料文本对应的第二负症状文本；
[0247]
模型训练模块1001，还用于基于语料文本、正症状文本、第一负症状文本和所确定的第二负症状文本，训练症状识别模型，直至症状识别模型的训练次数达到训练次数阈值。
[0248]
图11是本技术实施例提供的另一种症状识别装置的结构示意图，如图11所示，该装置包括：
[0249]
界面展示模块1101，用于展示信息输入界面，信息输入界面包括症状输入区域；
[0250]
文本获取模块1102，用于获取输入文本，输入文本为在症状输入区域输入的文本；
[0251]
相似度确定模块1103，用于调用症状识别模型，确定输入文本与多个预设症状文本之间的相似度；
[0252]
文本确定模块1104，用于基于所确定的多个相似度，确定与输入文本匹配的目标症状文本；
[0253]
其中，症状识别模型是基于语料文本、正症状文本、第一负症状文本和第二负症状文本训练得到的，正症状文本是与语料文本匹配的症状文本，第一负症状文本是与语料文本不匹配的症状文本，症状识别模型对应的相似度区间包括第一区间和第二区间，第一区间的相似度大于第二区间的相似度，第二负症状文本是调用症状识别模型所确定的语料文本与多个预设症状文本之间的相似度中，属于第二区间的至少一个相似度中最大的相似度对应的预设症状文本。
[0254]
在一种可能的实现方式中，文本确定模块1104，用于：
[0255]
展示相似度排序在前目标数量的预设症状文本；
[0256]
将展示的预设症状文本中被选中的预设症状文本确定为目标症状文本。
[0257]
在一种可能的实现方式中，信息输入界面还包括提交控件，装置还包括：
[0258]
信息上传模块，用于响应于对提交控件的触发操作，将输入文本与目标症状文本，组成当前登录账号的健康信息；向服务器上传健康信息。
[0259]
需要说明的是：上述实施例提供的症状识别装置，仅以上述各功能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模块完成，即将电
子设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的症状识别装置与症状识别方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
[0260]
本技术实施例还提供了一种电子设备，该电子设备包括处理器和存储器，存储器中存储有至少一条计算机程序，该至少一条计算机程序由处理器加载并执行，以实现上述实施例的症状识别方法中所执行的操作。
[0261]
可选地，电子设备提供为终端。图12示出了本技术实施例提供的一种终端1200的结构示意图。
[0262]
终端1200包括有：处理器1201和存储器1202。
[0263]
处理器1201可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器1201可以采用dsp(digital signal processing，数字信号处理)、fpga(fieldprogrammable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器1201也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。可选地，处理器1201可以集成有gpu(graphics processing unit，图像处理的交互器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器1201还可以包括ai(artificial intelligence，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。
[0264]
存储器1202可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器1202还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。可选地，存储器1202中的非暂态的计算机可读存储介质用于存储至少一条计算机程序，该至少一条计算机程序用于被处理器1201所具有以实现本技术中方法实施例提供的症状识别方法。
[0265]
可选地，终端1200还可选包括有：外围设备接口1203和至少一个外围设备。处理器1201、存储器1202和外围设备接口1203之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口1203相连。可选地，外围设备包括：射频电路1204、显示屏1205和电源1206中的至少一种。
[0266]
外围设备接口1203可被用于将i/o(input/output，输入/输出)相关的至少一个外围设备连接到处理器1201和存储器1202。可选地，处理器1201、存储器1202和外围设备接口1203被集成在同一芯片或电路板上；在一些其他实施例中，处理器1201、存储器1202和外围设备接口1203中的任意一个或两个可以在单独的芯片或电路板上实现，本实施例对此不加以限定。
[0267]
射频电路1204用于接收和发射rf(radio frequency，射频)信号，也称电磁信号。射频电路1204通过电磁信号与通信网络以及其他通信设备进行通信。射频电路1204将电信号转换为电磁信号进行发送，或者，将接收到的电磁信号转换为电信号。可选地，射频电路1204包括：天线系统、rf收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路1204可以通过至少一种无线通信协议来与其它设备进行通信。该无线通信协议包括但不限于：城域网、各代移动通信网络(2g、3g、4g及
5g)、无线局域网和/或wifi(wireless fidelity，无线保真)网络。可选地，射频电路1204还可以包括nfc(near field communication，近距离无线通信)有关的电路，本技术对此不加以限定。
[0268]
显示屏1205用于显示ui(user interface，用户界面)。该ui可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏1205是触摸显示屏时，显示屏1205还具有采集在显示屏1205的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器1201进行处理。此时，显示屏1205还可以用于提供虚拟按钮和/或虚拟键盘，也称软按钮和/或软键盘。可选地，显示屏1205可以为一个，设置在终端1200的前面板；可选地，显示屏1205可以为至少两个，分别设置在终端1200的不同表面或呈折叠设计；可选地，显示屏1205可以是柔性显示屏，设置在终端1200的弯曲表面上或折叠面上。甚至，显示屏1205还可以设置成非矩形的不规则图形，也即异形屏。显示屏1205可以采用lcd(liquid crystal display，液晶显示屏)、oled(organic light-emitting diode，有机发光二极管)等材质制备。
[0269]
电源1206用于为终端1200中的各个组件进行供电。电源1206可以是交流电、直流电、一次性电池或可充电电池。当电源1206包括可充电电池时，该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
[0270]
本领域技术人员可以理解，图12中示出的结构并不构成对终端1200的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0271]
可选地，该电子设备还提供为服务器。图13是本技术实施例提供的一种服务器的结构示意图，该服务器1300可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)1301和一个或一个以上的存储器1302，其中，存储器1302中存储有至少一条计算机程序，至少一条计算机程序由处理器1301加载并执行以实现上述各个方法实施例提供的方法。当然，该服务器还可以具有有线或无线网络接口、键盘及输入输出接口等部件，以便进行输入输出，该服务器还可以包括其他用于实现设备功能的部件，在此不做赘述。
[0272]
本技术实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有至少一条计算机程序，该至少一条计算机程序由处理器加载并执行以实现上述实施例的症状识别方法所执行的操作。
[0273]
本技术实施例还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述方面所述的症状识别方法所执行的操作。
[0274]
可选地，本技术实施例所涉及的计算机程序可被部署在一个电子设备上执行，或者在位于一个地点的多个电子设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个电子设备上执行，分布在多个地点且通过通信网络互连的多个电子设备可以组成区块链系统。
[0275]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0276]
以上所述仅为本技术实施例的可选实施例，并不用以限制本技术实施例，凡在本技术实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的
保护范围之内。