【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及人工智能與醫(yī)療信息處理領(lǐng)域，尤其是涉及一種基于知識圖譜和生成式對話的醫(yī)療問診方法和裝置，旨在提升多輪醫(yī)療對話的準確性、上下文連貫性，并解決生成式模型在復(fù)雜醫(yī)療場景中遇到的長期記憶遺忘和信息冗余問題。
技術(shù)介紹
1、隨著大數(shù)據(jù)和人工智能技術(shù)的發(fā)展，基于對話生成的問診系統(tǒng)在醫(yī)療領(lǐng)域的應(yīng)用逐漸普及。這類系統(tǒng)通過與患者進行自然語言的多輪對話，幫助患者獲取醫(yī)療建議，緩解了因醫(yī)療資源緊張而導(dǎo)致的問診壓力。然而，現(xiàn)有的生成式對話系統(tǒng)仍存在一些問題，在多輪醫(yī)療對話中，由于缺乏專門的醫(yī)學(xué)背景知識和有效的上下文管理，主要表現(xiàn)在以下幾方面：
2、1.信息遺忘：在多輪對話場景中，生成模型需要基于歷史對話進行上下文理解。然而，許多模型未能有效捕捉對話上下文中的關(guān)鍵信息，導(dǎo)致生成的回復(fù)與對話前文脫節(jié)，影響了對話的連貫性和醫(yī)學(xué)準確性，模型在多輪對話中難以保持長時間的上下文記憶，導(dǎo)致生成的回復(fù)缺乏連貫性。
3、2.醫(yī)學(xué)知識不足：傳統(tǒng)的對話生成模型，雖然能夠生成自然語言對話，但生成的回復(fù)往往過于籠統(tǒng)，缺乏醫(yī)療知識的準確性和一致性，無法有效解決患者提出的具體醫(yī)學(xué)問題，并且模型可能生成不準確或不相關(guān)的回復(fù)，無法有效處理復(fù)雜的醫(yī)療對話場景。
4、3.對話冗余：長對話中的無用信息增多，影響模型處理和生成高質(zhì)量回復(fù)的能力。
5、4.醫(yī)學(xué)實體識別和知識圖譜融合不足：一些基于知識圖譜的醫(yī)療對話系統(tǒng)嘗試引入醫(yī)療知識圖譜，但在知識圖譜的集成過程中，實體識別精度不足，且圖譜知識未能與患者問題高度匹配，限制了系統(tǒng)的知識利用
技術(shù)實現(xiàn)思路
1、本專利技術(shù)要克服現(xiàn)有技術(shù)的上述缺點，提供了一種基于知識圖譜和生成式對話的醫(yī)療問診方法和裝置。本專利技術(shù)利用知識圖譜和對話融合，通過摘要提取對歷史內(nèi)容進行高質(zhì)量提取，解決傳統(tǒng)醫(yī)療對話模型種信息遺忘、醫(yī)學(xué)知識不足、對話冗余以及圖譜融合不足等問題。
2、本專利技術(shù)的目的是通過以下技術(shù)方案實現(xiàn)的：
3、本專利技術(shù)的第一個方面涉及一種基于知識圖譜和生成式對話的醫(yī)療問診方法，包括以下步驟：
4、1.對數(shù)據(jù)進行預(yù)處理，預(yù)處理醫(yī)療數(shù)據(jù)，形成知識圖譜數(shù)據(jù)集和醫(yī)療對話數(shù)據(jù)集。
5、2.構(gòu)建知識圖譜，構(gòu)建和更新包含醫(yī)療實體及其關(guān)系的知識圖譜。
6、3.提取歷史對話摘要，從多輪對話的歷史記錄中提取摘要信息，以增強對話生成的上下文理解。
7、4.匹配知識圖譜三元組，匹配對話中的實體與知識圖譜中的實體，并生成知識三元組數(shù)據(jù)。
8、5.編碼數(shù)據(jù)，編碼匹配后的知識三元組數(shù)據(jù)，對當前用戶問題和歷史對話摘要進行編碼，形成用于生成對話回復(fù)的輸入向量。
9、6.生成答案，基于編碼后的輸入數(shù)據(jù)生成醫(yī)療對話的回復(fù)。
10、本專利技術(shù)的第二個方面涉及一種基于知識圖譜和生成式對話的醫(yī)療問診裝置，包括存儲器和一個或多個處理器，所述存儲器中存儲有可執(zhí)行代碼，所述一個或多個處理器執(zhí)行所述可執(zhí)行代碼時，用于實現(xiàn)本專利技術(shù)的一種基于知識圖譜和生成式對話的醫(yī)療問診方法。
11、本專利技術(shù)的第三個方面涉及一種計算機可讀存儲介質(zhì)，其上存儲有程序，該程序被處理器執(zhí)行時，實現(xiàn)本專利技術(shù)的一種基于知識圖譜和生成式對話的醫(yī)療問診方法。
12、本專利技術(shù)提出的一種基于知識圖譜和生成式對話的醫(yī)療問診方法，先對開醫(yī)療對話數(shù)據(jù)集進行增強處理，處理后的數(shù)據(jù)集包括每一句話對應(yīng)的醫(yī)療實體，并對當前i輪的用戶query，抽取出其對應(yīng)的1到i-1輪作為對應(yīng)的歷史對話來訓(xùn)練摘要提取模型，然后通過將當前用戶query中的醫(yī)療實體與知識圖譜種的實體進行相似度匹配，得到相關(guān)醫(yī)療知識三元組，并將匹配后的知識三元組和歷史摘要以及用戶當前query進行知識融合用于最后的答案生成。
13、與現(xiàn)有技術(shù)相比，本專利技術(shù)具有如下優(yōu)點：
14、通過引入歷史對話摘要提取模塊解決了多輪對話中的信息遺忘問題，本專利技術(shù)能夠有效捕捉和保留對話上下文中的關(guān)鍵信息，確保生成的回復(fù)與前文緊密關(guān)聯(lián)，從而提升了對話的連貫性和醫(yī)學(xué)準確性。該模塊幫助模型在長時間多輪對話中保持上下文記憶，確保回復(fù)的連貫性。
15、通過融合經(jīng)過過濾后的結(jié)構(gòu)化的醫(yī)學(xué)知識圖譜三元組，與生成模型相結(jié)合，增強了對話中醫(yī)學(xué)信息的準確性和一致性。生成的回復(fù)能夠針對患者的具體問題，提供精準且相關(guān)的醫(yī)學(xué)建議，避免了傳統(tǒng)模型中過于籠統(tǒng)或不準確的回復(fù)問題。統(tǒng)能夠充分利用圖譜知識，提供更加專業(yè)、針對性強的回復(fù)，顯著提高了系統(tǒng)在復(fù)雜醫(yī)療場景中的處理能力。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種基于知識圖譜和生成式對話的醫(yī)療問診方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于知識圖譜和生成式對話的醫(yī)療問診方法，其特征在于，步驟(1)具體包括：
3.根據(jù)權(quán)利要求1所述的一種基于知識圖譜和生成式對話的醫(yī)療問診方法，其特征在于，步驟(2)具體包括：
4.根據(jù)權(quán)利要求2所述的一種基于知識圖譜和生成式對話的醫(yī)療問診方法，其特征在于，步驟(3)具體包括：
5.根據(jù)權(quán)利要求1所述的一種基于知識圖譜和生成式對話的醫(yī)療問診方法，其特征在于，步驟(4)具體包括：
6.根據(jù)權(quán)利要求1所述的一種基于知識圖譜和生成式對話的醫(yī)療問診方法，其特征在于，步驟(5)具體包括：
7.根據(jù)權(quán)利要求1所述的一種基于知識圖譜和生成式對話的醫(yī)療問診方法，其特征在于，步驟(6)具體包括：
8.一種基于知識圖譜和生成式對話的醫(yī)療問診裝置，其特征在于，包括存儲器和一個或多個處理器，所述存儲器中存儲有可執(zhí)行代碼，所述一個或多個處理器執(zhí)行所述可執(zhí)行代碼時，用于實現(xiàn)權(quán)利要求1-7中任一項所述的一種基于知識圖譜和生成式
9.一種計算機可讀存儲介質(zhì)，其特征在于，其上存儲有程序，該程序被處理器執(zhí)行時，實現(xiàn)權(quán)利要求1-7中任一項所述的一種基于知識圖譜和生成式對話的醫(yī)療問診方法。
...【技術(shù)特征摘要】
1.一種基于知識圖譜和生成式對話的醫(yī)療問診方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于知識圖譜和生成式對話的醫(yī)療問診方法，其特征在于，步驟(1)具體包括：
3.根據(jù)權(quán)利要求1所述的一種基于知識圖譜和生成式對話的醫(yī)療問診方法，其特征在于，步驟(2)具體包括：
4.根據(jù)權(quán)利要求2所述的一種基于知識圖譜和生成式對話的醫(yī)療問診方法，其特征在于，步驟(3)具體包括：
5.根據(jù)權(quán)利要求1所述的一種基于知識圖譜和生成式對話的醫(yī)療問診方法，其特征在于，步驟(4)具體包括：
6.根據(jù)權(quán)利要求1所述的一種基于知識圖譜和生成式...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陳剛，史秀紡，楊倩倩，吳旻誠，溫震宇，孔祥杰，陳積明，
申請(專利權(quán))人：浙江工業(yè)大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。