[发明专利]关键症状抽取分析方法、装置、计算机设备及存储介质在审
| 申请号: | 202111624474.X | 申请日: | 2021-12-28 |
| 公开(公告)号: | CN114330292A | 公开(公告)日: | 2022-04-12 |
| 发明(设计)人: | 赵康;金磊;贾林;涂静一;王一科 | 申请(专利权)人: | 深圳科卫机器人科技有限公司 |
| 主分类号: | G06F40/211 | 分类号: | G06F40/211;G06F40/284;G06F40/30;G16H50/20 |
| 代理公司: | 深圳市精英专利事务所 44242 | 代理人: | 李燕娥 |
| 地址: | 518000 广东省深圳市南山区*** | 国省代码: | 广东;44 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 关键 症状 抽取 分析 方法 装置 计算机 设备 存储 介质 | ||
1.关键症状抽取分析方法,其特征在于,包括:
获取用户语音信息;
将所述用户语音信息转换为语义文本;
对所述语义文本进行意图识别,以得到识别结果;
当所述识别结果是描述症状时,则对所述语义文本进行句法依存分析,并抽取症状相关信息,以得到关键症状信息;
发送所述关键症状信息至终端。
2.根据权利要求1所述的关键症状抽取分析方法,其特征在于,所述对所述语义文本进行句法依存分析,并抽取症状相关信息,以得到关键症状信息,包括:
采用DDParser对所述语义文本进行句法依存分析,并抽取症状相关信息,以得到关键症状信息。
3.根据权利要求2所述的关键症状抽取分析方法,其特征在于,所述采用DDParser对所述语义文本进行句法依存分析,并抽取症状相关信息,以得到关键症状信息,包括:
采用DDParser对所述语义文本进行句法依存分析,以得到切词结果、句法关系以及词性;
判断所述切词结果的长度是否是设定的数值;
若所述切词结果的长度是设定的数值,则判断所述词性是否是否定词;
若所述词性是否定词,则清空症状集;
若所述词性不是否定词,则判断所述词性中是否是存在主谓关系、动宾关系以及并列关系中的一种;
若所述词性中存在主谓关系、动宾关系以及并列关系中的一种,则将所述切词结果加入症状集内;
确定所述症状集内的信息为症状相关信息,以得到关键症状信息。
若所述词性不存在主谓关系、动宾关系以及并列关系中的一种,则根据所述词性对所述症状集进行处理,以得到关键症状信息;
若所述切词结果的长度不是设定的数值,则执行所述根据所述词性对所述症状集进行处理,以得到关键症状信息。
4.根据权利要求3所述的关键症状抽取分析方法,其特征在于,所述根据所述词性对所述症状集进行处理,以得到关键症状信息,包括:
判断所述词性中是否存在状语与中心词间的关系或独立分句引导关系;
若所述词性中存在状语与中心词间的关系或独立分句引导关系,则判断所述词性对应的切词是否是否定词;
若所述词性对应的切词不是否定词,则判断所述词性中是否存在核心关系;
若所述词性中存在核心关系,则根据所述句法关系确定症状相关信息,并将所述症状相关信息加入症状集内,以得到关键症状信息;
若所述词性中不存在核心关系,则判断所述词性中是否存在独立分句引导关系;
若所述词性中存在独立分句引导关系,则判断独立分句引导关系对应的句法关系是否等于核心关系对应的下标且独立分句引导关系对应的句法关系中包含独立分句引导关系以及核心关系之外的句法关系;
若独立分句引导关系对应的句法关系等于核心关系对应的下标且独立分句引导关系对应的句法关系中包含独立分句引导关系以及核心关系之外的句法关系,则根据所述句法关系确定中心词;
根据所述句法关系以及中心词确定症状相关信息,并将所述症状相关信息加入症状集内,以得到关键症状信息;
若独立分句引导关系对应的句法关系不等于核心关系对应的下标或独立分句引导关系对应的句法关系中包含独立分句引导关系以及核心关系之外的句法关系,则根据所述独立分句引导关系对应的句法关系确定中心词,并执行所述根据所述句法关系以及中心词确定症状相关信息,并将所述症状相关信息加入症状集内,以得到关键症状信息。
5.根据权利要求4所述的关键症状抽取分析方法,其特征在于,所述根据所述句法关系确定症状相关信息,并将所述症状相关信息加入症状集内,以得到关键症状信息,包括:
根据所述句法关系以及切词结果的下标确定中心词以及中心词的依赖关系词;
检索所述中心词的下标,以得到核心关系的下标;
筛选出所述句法关系中值等于核心关系的下标和核心关系对应的句法关系的词,以得到筛选结果;
当所述筛选结果对应的词性中存在主谓关系、动宾关系以及独立分句引导关系时,将所述筛选结果合并为句子,并加入至症状集内,以得到关键症状信息。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于深圳科卫机器人科技有限公司,未经深圳科卫机器人科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202111624474.X/1.html,转载请声明来源钻瓜专利网。





