[发明专利]证型匹配方法、装置、设备及存储介质

说明书

本发明涉及人工智能技术领域，具体公开了一种证型匹配方法、装置、设备及存储介质，其中方法包括：获取待匹配症状序列，利用证素知识库对待匹配症状序列进行映射，得到对应的第一待匹配证素列表，证素知识库基于预先得到的证素经验知识构建；将待匹配症状序列输入至预先训练好的证素映射模型，得到第二待匹配证素列表；整合第一待匹配证素列表和第二待匹配证素列表，得到最终待匹配证素列表；将最终待匹配证素列表与每个已知证型对应的已知证素列表进行相似度匹配，得到匹配的目标已知证型并输出。本发明通过将中医证素经验知识与机器学习模型结合，在提高证型匹配的准确性的同时保证了匹配结果在中医领域的可解释性。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种证型匹配方法、装置、设备及存储介质。

背景技术

在中医领域，“证型”是疾病周期或发展过程中的某个阶段特征(或症状)反应和概括。在中医“辨病”过程中，“辨证”即为该过程中的一个关键环节。辨证论治是中医学中的基本原理，中医辨证的思维过程是一个“依据临床证候，辨别出病位、病性证素，然后由证素组合成证型”的过程，传统辨证主要依靠医生的个人知识与经验。

而随着人工智能技术的发展，目前中医证型辩证的过程可以通过文本相似度匹配、深度网络等方法来实现。但是，文本相似匹配用编辑距离、余弦距离等方法只能识别文本间的距离，不能进行文本的语义识别，对中医术语的文本匹配能力有限，准确性较低；而采用文本嵌入向量和深度网络进行相似度匹配的方法，首先将待匹配的两个证型映射到嵌入向量，然后输入至深度网络模型中，最后输出证型相似度，证型相似度比较高的证型将被检索召回，这种方法能利用多维度的文本向量信息，文本匹配效果较好，但是这种采用嵌入向量的方式，对于中医行业应用缺少可解释的推理依据。

发明内容

本申请提供一种证型匹配方法、装置、设备及存储介质，以解决现有证型匹配准确性不高及在中医领域缺少可解释性的问题。

为解决上述技术问题，本申请采用的一个技术方案是：提供一种证型匹配方法，包括：获取待匹配症状序列，利用证素知识库对待匹配症状序列进行映射，得到对应的第一待匹配证素列表，证素知识库基于预先得到的证素经验知识构建；将待匹配症状序列输入至预先训练好的证素映射模型，得到第二待匹配证素列表，证素映射模型基于预先获取的样本证型和对应的证素列表以及证素知识库训练得到；整合第一待匹配证素列表和第二待匹配证素列表，得到最终待匹配证素列表；将最终待匹配证素列表与每个已知证型对应的已知证素列表进行相似度匹配，得到匹配的目标已知证型并输出。

作为本申请的进一步改进，整合第一待匹配证素列表和第二待匹配证素列表，得到最终待匹配证素列表，包括：将第一待匹配证素列表和第二待匹配证素列表合并，得到最终待匹配证素列表。

作为本申请的进一步改进，整合第一待匹配证素列表和第二待匹配证素列表，得到最终待匹配证素列表，包括：将第一待匹配证素列表转换为第一向量化表示，并将第二待匹配证素列表转换为第二向量化表示；将第一向量化表示和第二向量化表示输入至预先训练好的注意力模型进行加权计算，得到最终向量化表示，注意力模型基于样本证型和对应的目标证型的目标证素列表训练得到；将最终向量化表示转换为最终待匹配证素列表。

作为本申请的进一步改进，注意力模型训练方法包括：获取样本证型和对应的目标证型，以及目标证型的目标证素列表；利用证素知识库对样本证型进行映射得到第一样本证素列表，且利用证素映射模型对样本证型进行分析得到第二样本证素列表；将第一样本证素列表和第二样本证素列表转换为向量化表示，并以第一样本证素列表、第二样本证素列表的向量化表示作为元素来构建查询向量；将查询向量输入至待训练的注意力模型，输出最终样本向量化表示，并将最终样本向量化表示转换为最终样本证素列表；基于最终样本证素列表和目标证素列表以及预先构建的损失函数反向更新注意力模型的权重参数。