[发明专利]一种基于深度学习的医疗对话系统意图识别分类方法

说明书

本发明涉及一种基于深度学习的医疗对话系统意图识别分类方法，首先收集样本，将样本分成意图输入信息和意图输出信息，将意图输入信息分隔成若干个特征向量，并获得样本的特征向量集；接着获得客户文本，将客户文本分解呈特征向量，并与样本的特征向量去对比，搜取样本；然后从搜获的样本中，扩张特征向量；最后根据单一性映射，获得对应的意图输出结果。对医疗对话系统响应用户需求提供方向支持，针对相关意图范围提供意图方向。当只需要很少意图范围的功能，也可识别相应最符合的意图。使医疗对话系统在医疗方向更加合理，符合用户期望。

技术领域

本发明涉及一种基于深度学习的医疗对话系统意图识别分类方法，属于意识识别技术领域。

背景技术

近年来，自动人机对话系统在学术和工业界都获得了相当大的关注度。医疗方向的对话系统着 重偏向于医疗专业领域，深入患者最相关的找医生、找医院、找科室、找内容需求，是垂直领域的 对话机器人。医疗方向的对话机器人拥有更加全面的医疗词典，并细分词典里的词的类别属于疾病、 症状、科室、医生、检查、体征、药品中的一个或多个；也维护着各个类别之间的关系，比如疾病 与症状的关系、科室与科室的关系、症状与检查的关系、疾病与药品的关系，其各个类别的关系组 成医疗知识图谱，下述意图识别的词性特征就是通过该知识图谱提取出来。这些基础技术的构建使 对话系统对医疗词汇、医疗问题更加敏感，响应用户的动作更加深入，涉及的流程更加专业化，最 理想的是使其像医生一样解决用户的医疗问题。

意图识别是指导对话系统提供服务的一种方式。用户的某个问句，在意图识别阶段分析并捕捉 到用户最可能的意图。确定了意图后，若缺少相关的信息，对话系统会提示用户补充，一方面继续 该意图的处理，另一方面也使意图识别模块更加确认该意图的选择，若用户之后的回答脱离原意图， 也有相应的策略捕捉调整意图。因此,需要一种基于深度学习的医疗对话系统意图识别分类方法。

发明内容

为了解决上述技术问题，本发明提供一种基于深度学习的医疗对话系统意图识别分类方法，其 特征在于：包括以下步骤一种基于深度学习的医疗对话系统意图识别分类方法，其具体的技术方案 为：包括以下步骤

步骤1：收集样本，分拣样本的意图输入信息和意图输出信息，将意图输入信息分割并进行数 量化获得具有N个特征向量的特征向量集，每个意图输入信息根据特征向量集进行数量化，意图输 出信息进行数量化，并在意图输入信息与意图输出信息之间建立单一性映射。

步骤2：获得客户文本，将客户文本分解成M个特征向量，并将M个特征向量对照特征向量集， 将客户文本根据特征向量集进行数量化，并且提取样本中所有包含M个特征向量的意图输入信息样 本。

步骤3：将步骤2中获得的所有包含M个特征向量的意图输入信息样本进行聚集获取其交集， 从交集中获取第M+1个特征向量。

步骤4：将客户文本扩充成M+1个特征向量，并M+1个特征向量与样本中的意图输入信息的N 个特征向量对比，提取样本中所有包含M+1个特征向量的意图输入信息样本。

步骤5：将将步骤4中获得的所有包含M+1个特征向量的意图输入信息样本进行聚集获取其交 集，从交集中获取第M+2个特征向量。

步骤6：直至扩展到获得第N+k个特征向量(第N+K+1个特征向量为零)，根据单一性映射， 获得对应的意图输出结果。

进一步的，所述意图输入信息进行数量化后的N个特征向量，对其赋予权重。

进一步的，所述步骤3中，按照权重高低顺序排列获得第N+1个向量。

进一步的，所述样本集的N特征向量是每个样本的特征向量的并集。