[发明专利]一种基于生成式对话技术的医疗问答系统

说明书

本发明提供了一种基于生成式对话技术的医疗问答系统，用于针对患者输入的问题文本生成相应的回复文本，其特征在于，包括：科室分类模块利用预先训练好的科室分类模型对问题文本进行分类得到科室编码向量；科室编号生成模块将科室编码向量根据预定的字典文件转化与科室相对应的第一编号向量，将问题文本根据字典文件转化为第二编号向量，将第一编号向量与第二编号向量进行拼接得到拼接编号向量；以及回复文本生成模块将拼接编号向量输入预先训练好的生成式对话模型中，生成回复文本。本发明的基于生成式对话技术的医疗问答系统可以在无庞大检索数据库支撑下，实时自动生成与患者问题对应的问题，既缓解了医疗资源的紧张，又能快速解决患者的问题。

技术领域

本发明属于医疗保健信息学领域，具体涉及一种基于生成式对话技术的医疗问答系统。

背景技术

在人工智能技术蓬勃发展的今天，人机对话技术有着广泛的运用，例如在智能音箱、智能客服等场景中，人机对话技术已经变得十分常见。但是，在医疗领域，多数场景下的患者问题依然是由人工进行回答，大部分在线问诊服务都需要医生亲自去回答患者问题，而其中的很多问题则是重复或相似的，如果能够将人机对话技术应用进来，则能够有效节约医疗资源。

对话系统一般分为三类：基于规则的对话系统、检索式对话系统和生成式对话系统。

其中，基于规则的对话系统指的是人为设定一定的回复规则，通过对提问者的话进行关键词提取和匹配，再经过基于规则的语义分析，给出事先设定好的回复格式。

常用的检索式对话有两种，第一种是通过问题匹配问题再到答案的检索方式，即通过计算用户提出的问题与数据库里已有问题的相似度，找到最相似的问题再输出相应的答案。另一种主流的检索式对话采用的是通过用户提出的问题直接在数据中搜寻答案的方式，在这种方式中，最需要解决的是问题和回复之间的信息差异。现有的解决信息差异方法有依存句法分析、主题模型等。在检索式对话系统中需要依赖数据库进行回复的检索，从而得到相应的答案。

生成式对话则无需数据库，可以通过问题直接生成回复。在生成式对话系统中，用到的主要是编码-解码模型，也叫做Sequence to Sequence模型，其中最常见的有卷积神经网络(CNN)和循环神经网络(RNN)等。

通过生成式对话技术来构建在线医疗问答系统，一方面能在数据量有限的情况下生成较为准确的回复，而无需像检索式对话系统一样需要庞大的数据库支持；另一方面人机对话技术在医疗问答中的运用，也可以简化患者的问诊流程，同时也可以减轻问诊平台医生的工作量，具有十分积极的社会效益。然而，现有的生成式对话系统都是直接对患者的问题进行预测，而不会预先分析该问题对应的所属科室，从而可能因为所属科室错误从而导致答复与问题毫无关系的情况。并且，也会导致答复文本生成的错误率较高。

发明内容

为解决上述问题，提供了一种无需借助依赖庞大检索数据库就能自动生成与患者问题相对应的回复文本的问答系统，本发明采用了如下技术方案：