一种药物知识问答方法、装置、存储介质及设备与流程

本技术涉及自然语言处理，尤其涉及一种药物知识问答方法、装置、存储介质及设备。

背景技术：

1、随着人工智能、物联网等信息技术的快速发展，人机交互的应用场景越来越广泛。各式各样的智能交互软件和设备出现在人们的生活工作中，如聊天生成预训练转换器(chat generative pre-trained transformer，简称chatgpt)、智能音箱、智能电视等，可以为人们提供信息查询、知识问答等众多应用场景的智能交互功能，以辅助用户完成各种行为意图。

2、目前，针对用户输入智能交互软件或设备(如智能音箱、智能电视等)的药品相关的问题的咨询，往往需要给出对应的用药依据，否则给出的回复很难具有信服力。因此，需要引入合理用药插件，为药物问题的回复提供关键的知识信息，同时提供结论的参考依据，但现有的大模型用药知识问答插件方案通常通过对知识文档进行切片检索的方式，处理知识内容较为粗糙，可能存在知识片段不完整或知识欠切分等问题，使得知识内容的质量不能得到保证，导致对于药物知识问题的回复准确率降低，进而也降低了用户的交互体验。

技术实现思路

1、本技术实施例的主要目的在于提供一种药物知识问答方法、装置、存储介质及设备，能够提高对于用户输入智能交互软件或设备的药物相关的问题的答复准确率，进而提高用户的交互体验。

2、本技术实施例提供了一种多药物知识问答方法，包括：

3、获取待答复的目标药物问题文本；并对所述目标药物问题文本进行分解，得到n个目标子问题文本；以及对所述n个目标子问题文本进行药学实体提取，得到所述n个目标子问题文本中的药学实体；所述n为大于0的正整数；

4、将所述药学实体和所述n个目标子问题进行两两拼接，得到各个药学实体和目标子问题对，并对所述各个药学实体和目标子问题对进行意图分类，得到各个所述药学实体的第一意图分类结果；

5、利用预设药学规则，对所述各个药学实体和目标子问题对中的目标子问题进行意图分类，得到各个所述药学实体的第二意图分类结果；并将其与所述第一意图分类结果进行合并，得到各个所述药学实体的意图分类结果；

6、根据各个所述药学实体的意图分类结果，利用药物说明书和/或预设的药物知识库进行知识检索，并将检索到的知识结合提示指令prompt，输入至预设的大语言模型，得到大语言模型输出的针对所述目标药物问题文本的答复内容。

7、一种可能的实现方式中，所述对所述目标药物问题文本进行分解，得到n个目标子问题文本，包括：

8、结合子问题拆分提示指令prompt，利用预设的大语言模型对所述目标药物问题文本进行分解，得到n个目标子问题文本；

9、其中，所述大语言模型是利用大规模的语言数据集，通过自回归生成的方式进行语言规则和模式训练得到的。

10、一种可能的实现方式中，所述药学实体包括药物实体、疾病实体和症状实体。

11、一种可能的实现方式中，所述利用预设药学规则，对所述各个药学实体和目标子问题对中的目标子问题进行意图分类，得到各个所述药学实体的第二意图分类结果，包括：

12、对所述n个目标子问题文本进行患者信息实体提取，得到所述n个目标子问题文本中的患者信息实体；并利用所述患者信息实体和药学实体构建患者画像；

13、利用预先根据医生经验构建的推理逻辑，结合药物知识库，对患者画像进行分析和实体对比，得到各个药物是否应该被使用的结论；

14、根据所述各个药物是否应该被使用的结论，确定为所判断的对应药物进行知识推荐的内容，并将所推荐的知识内容作为对应药物实体的第二意图分类结果。

15、一种可能的实现方式中，所述根据各个所述药学实体的意图分类结果，利用药物说明书和/或预设的药物知识库进行知识检索，包括：

16、利用药物说明书和/或预设的药物知识库，对各个药学实体进行实体对齐和实体消歧后得到对应的药品通用名、疾病标准词和症状标准词；

17、根据各个所述药学实体的意图分类结果，查询药物说明书和/或预设的药物知识库中的非结构化知识、半结构化知识和结构化知识，作为检索结果。

18、一种可能的实现方式中，所述根据各个所述药学实体的意图分类结果，查询药物说明书和/或预设的药物知识库中的非结构化知识、半结构化知识和结构化知识，作为检索结果，包括：

19、根据药物实体的意图分类结果，查询药物说明书中的非结构化知识，作为检索结果；

20、和/或，根据疾病实体的意图分类结果，查询预设的药物知识库中的结构化知识，作为检索结果；

21、和/或，根据各个所述药学实体的意图分类结果，基于稀疏表征查询预设的药物知识库中的非结构化知识，作为检索结果。

22、一种可能的实现方式中，当根据各个所述药学实体的意图分类结果，利用药物说明书和/或预设的药物知识库进行知识检索，检索不到知识时，所述方法还包括：

23、通过预设网络搜索引擎进行知识搜索，并利用所述大语言模型定位到搜索结果中的知识内容。

24、本技术实施例还提供了一种药物知识问答装置，包括：

25、获取单元，用于获取待答复的目标药物问题文本；并对所述目标药物问题文本进行分解，得到n个目标子问题文本；以及对所述n个目标子问题文本进行药学实体提取，得到所述n个目标子问题文本中的药学实体；所述n为大于0的正整数；

26、第一分类单元，用于将所述药学实体和所述n个目标子问题进行两两拼接，得到各个药学实体和目标子问题对，并对所述各个药学实体和目标子问题对进行意图分类，得到各个所述药学实体的第一意图分类结果；

27、第二分类单元，用于利用预设药学规则，对所述各个药学实体和目标子问题对中的目标子问题进行意图分类，得到各个所述药学实体的第二意图分类结果；并将其与所述第一意图分类结果进行合并，得到各个所述药学实体的意图分类结果；

28、检索单元，用于根据各个所述药学实体的意图分类结果，利用药物说明书和/或预设的药物知识库进行知识检索，并将检索到的知识结合提示指令prompt，输入至预设的大语言模型，得到大语言模型输出的针对所述目标药物问题文本的答复内容。

29、一种可能的实现方式中，所述获取单元具体用于：

30、结合子问题拆分提示指令prompt，利用预设的大语言模型对所述目标药物问题文本进行分解，得到n个目标子问题文本；

31、其中，所述大语言模型是利用大规模的语言数据集，通过自回归生成的方式进行语言规则和模式训练得到的。

32、一种可能的实现方式中，所述药学实体包括药物实体、疾病实体和症状实体。

33、一种可能的实现方式中，所述第二分类单元包括：

34、提取子单元，用于对所述n个目标子问题文本进行患者信息实体提取，得到所述n个目标子问题文本中的患者信息实体；并利用所述患者信息实体和药学实体构建患者画像；

35、对比子单元，用于利用预先根据医生经验构建的推理逻辑，结合药物知识库，对患者画像进行分析和实体对比，得到各个药物是否应该被使用的结论；

36、确定子单元，用于根据所述各个药物是否应该被使用的结论，确定为所判断的对应药物进行知识推荐的内容，并将所推荐的知识内容作为对应药物实体的第二意图分类结果。

37、一种可能的实现方式中，所述检索单元包括：

38、获得子单元，用于利用药物说明书和/或预设的药物知识库，对各个药学实体进行实体对齐和实体消歧后得到对应的药品通用名、疾病标准词和症状标准词；

39、查询子单元，用于根据各个所述药学实体的意图分类结果，查询药物说明书和/或预设的药物知识库中的非结构化知识、半结构化知识和结构化知识，作为检索结果。

40、一种可能的实现方式中，所述查询子单元具体用于：

41、根据药物实体的意图分类结果，查询药物说明书中的非结构化知识，作为检索结果；

42、和/或，根据疾病实体的意图分类结果，查询预设的药物知识库中的结构化知识，作为检索结果；

43、和/或，根据各个所述药学实体的意图分类结果，基于稀疏表征查询预设的药物知识库中的非结构化知识，作为检索结果。

44、一种可能的实现方式中，所述装置还包括：

45、搜索单元，用于当根据各个所述药学实体的意图分类结果，利用药物说明书和/或预设的药物知识库进行知识检索，检索不到知识时，通过预设网络搜索引擎进行知识搜索，并利用所述大语言模型定位到搜索结果中的知识内容。

46、本技术实施例还提供了一种药物知识问答设备，包括：处理器、存储器、系统总线；

47、所述处理器以及所述存储器通过所述系统总线相连；

48、所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行上述药物知识问答方法中的任意一种实现方式。

49、本技术实施例还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指令，当所述指令在终端设备上运行时，使得所述终端设备执行上述药物知识问答方法中的任意一种实现方式。

50、本技术实施例还提供了一种计算机程序产品，所述计算机程序产品在终端设备上运行时，使得所述终端设备执行上述药物知识问答方法中的任意一种实现方式。

51、本技术实施例提供的一种药物知识问答方法、装置、存储介质及设备，首先获取待答复的目标药物问题文本；并对目标药物问题文本进行分解，得到n个目标子问题文本；以及对n个目标子问题文本进行药学实体提取，得到n个目标子问题文本中的药学实体；然后将药学实体和n个目标子问题进行两两拼接，得到各个药学实体和目标子问题对，并对各个药学实体和目标子问题对进行意图分类，得到各个药学实体的第一意图分类结果；接着，利用预设药学规则，对各个药学实体和目标子问题对中的目标子问题进行意图分类，得到各个药学实体的第二意图分类结果；并将其与第一意图分类结果进行合并，得到各个药学实体的意图分类结果；进而可以根据各个药学实体的意图分类结果，利用药物说明书和/或预设的药物知识库进行知识检索，并将检索到的知识结合提示指令prompt，输入至预设的大语言模型，得到大语言模型输出的针对目标药物问题文本的答复内容。

52、可见，由于本技术是先对目标药物问题文本进行子问题拆分和药学实体提取，有利于实现对目标用户的问题意图的细粒度分类，然后利用预设药学规则与预设的大语言模型的用药知识问答插件进行融合，根据各个药学实体的意图分类结果，利用药物说明书和/或预设的药物知识库进行了更为精确的知识检索，从而能够有效提高后续对于用目标药物问题的答复准确率，进而提高了目标用户的交互体验。