CN109599176A - 问诊技巧推荐方法及装置、在线辅诊*** - Google Patents
问诊技巧推荐方法及装置、在线辅诊*** Download PDFInfo
- Publication number
- CN109599176A CN109599176A CN201811285079.1A CN201811285079A CN109599176A CN 109599176 A CN109599176 A CN 109599176A CN 201811285079 A CN201811285079 A CN 201811285079A CN 109599176 A CN109599176 A CN 109599176A
- Authority
- CN
- China
- Prior art keywords
- interrogation
- doctor
- information
- skill
- similar problems
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本申请提供一种问诊技巧推荐方法及装置、在线辅诊***,其中的方法包括:获取目标用户提问信息及其对应的至少一个相似问题信息;确定所述相似问题信息对应的多个医生问诊特征;将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,并将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生。本申请能够有效获取问诊技巧,并能够提高所获取的问诊技巧的准确性和针对性,进而能够有效提高线上问诊的准确性、完整性及匹配度。
Description
技术领域
本申请涉及数据处理技术领域,具体涉及一种问诊技巧推荐方法及装置、在线辅诊***。
背景技术
随着科技的发展,除了进入实体医院进行就医,越来越多的人选择通过互联网进行在线疾病症状及治疗咨询,同样的,也有越来越多的医生通过线上问诊的方式对患者的疑问进行解答。因此,在线上为用户提供的问诊内容的匹配度越高且专业性越强,则该医生越能够获得用户的认可,进而对用户提出的疾病症状及治疗进行在线辅诊。
现有技术中,医生在线上为用户进行问诊的方式一般为,医生针对用户提出的疾病症状及治疗咨询,以追问及提供建议等方式进行问诊,但针对问诊经验少的医生,通常会由于缺乏问诊技巧,而使得用户对该医生的专业程度产生质疑,导致问诊过程无法顺利进行,使得线上问诊的准确性、完整性及匹配度低。
因此,如何设计一种问诊技巧推荐的方法,以提高线上问诊的准确性、完整性及匹配度,是亟待解决的问题。
发明内容
针对现有技术中的问题,本申请提供一种问诊技巧推荐方法及装置、在线辅诊***,能够有效获取问诊技巧,并能够提高所获取的问诊技巧的准确性和针对性,进而能够有效提高线上问诊的准确性、完整性及匹配度。
为解决上述技术问题,本申请提供以下技术方案:
第一方面,本申请提供一种问诊技巧推荐方法,包括:
获取目标用户提问信息及其对应的至少一个相似问题信息;
确定所述相似问题信息对应的多个医生问诊特征;
将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,并将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生。
进一步地,还包括:
根据历史问诊日志生成多个训练样本,其中,所述历史问诊日志中包含有针对各个历史用户提问信息的医生问诊信息对应的多个医生问诊特征,以及,各个所述医生问诊特征分别对应的问诊技巧标签;
应用所述训练样本集对所述分类模型进行训练。
进一步地,在所述根据历史问诊日志生成多个训练样本之前,还包括:
应用预设规则在预设的医生数据库中选取多个优质医生;
获取各个所述优质医生针对各个历史用户提问信息提出的医生问诊信息;
对各个所述医生问诊信息分别进行特征提取,得到各个所述医生问诊信息分别对应的多个医生问诊特征;
根据各个所述历史用户提问信息、针对各个历史用户提问信息的医生问诊信息对应的多个医生问诊特征,以及,预设获取的各个所述医生问诊特征分别对应的问诊技巧标签,生成历史问诊日志。
进一步地,所述应用预设规则在预设的医生数据库中选取多个优质医生,包括:
自所述医生数据库中,筛除已接收且未解答历史用户提问信息数量大于第一预设值的医生对应的医生信息,和/或;
自所述医生数据库中,筛除处于预设黑名单中的医生。
进一步地,所述应用预设规则在预设的医生数据库中选取多个优质医生,包括:
在所述医生数据库中,选取所在医院排名位于预设值前和/或所属科室排名位于预设值前的医生;
以及,在所在医院排名位于预设值前和/或所属科室排名位于预设值前的医生中,进一步选取预设专业度和好评率均符合各自对应的预设要求的医生作为优质医生。
进一步地,在所述获取各个所述优质医生针对各个历史用户提问信息提出的医生问诊信息之后,还包括:
对所述医生问诊信息进行过滤,筛除不符合过滤条件的所述医生问诊信息;
其中,所述过滤条件包括:所述医生问诊信息的评价等级高于中级,和/或,所述医生问诊信息对应的所述优质医生与历史用户的交互次数大于预设值。
进一步地,在所述生成历史问诊日志之前,还包括:
应用预设的语法规则和/或行为规则,将各个所述医生问诊特征分别与预设的各个问诊技巧标签进行对应,得到各个所述医生问诊特征分别对应的问诊技巧标签。
进一步地,所述获取目标用户提问信息及其对应的至少一个相似问题信息,包括:
接收目标用户提问信息;
对所述目标用户提问信息进行特征提取,得到所述目标用户提问信息对应的至少一个问题特征;
以及,根据所述目标用户提问信息对应的所述问题特征在预设的问题特征数据库中查找与所述目标用户提问信息对应的至少一个相似问题信息,其中,所述问题特征数据库用于存储所述问题特征与所述相似问题信息之间的对应关系。
进一步地,所述确定所述相似问题信息对应的多个医生问诊特征,包括:
获取各个所述相似问题信息对应的医生问诊信息;
对各个所述医生问诊信息分别进行特征提取,得到各个所述医生问诊信息分别对应的多个医生问诊特征。
进一步地,所述将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,包括:
生成问诊技巧推荐列表,其中,所述问诊技巧推荐列表中存储有各个所述相似问题信息、医生问诊信息与问诊技巧标签之间的对应关系;
将所述问诊技巧推荐列表发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,使得该目标医生根据所述问诊技巧推荐列表向所述目标用户进行问诊,以实现在线辅诊。
进一步地,所述生成问诊技巧推荐列表,包括:
根据各个所述相似问题信息分别对应的医生问诊信息的评价等级,和/或,各个所述相似问题信息分别对应的医生问诊信息的问诊技巧标签的个数,对所述相似问题信息进行筛选;
基于筛选后的所述相似问题信息生成所述问诊技巧推荐列表。
进一步地,所述目标用户提问信息包括:疾病描述信息和/或症状描述信息。
进一步地,所述目标用户提问信息还包括:用户性别信息、用户年龄信息、疾病所属科室信息、问题来源标识、问题文本长度信息、问题创建时间信息及问题创建区域信息中的任一项或任意组合。
第二方面,本申请提供一种问诊技巧推荐装置,包括:
信息获取模块,用于获取目标用户提问信息及其对应的至少一个相似问题信息;
医生问诊特征确定模块,用于确定所述相似问题信息对应的多个医生问诊特征;
问诊技巧推荐模块,用于将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,并将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生。
第三方面,本申请提供一种在线辅诊***,包括:用户终端、医生终端以及所述问诊技巧推荐装置;
所述用户终端,用于向所述问诊技巧推荐装置发送目标用户提问信息,以及,接收并显示所述医生终端发送的针对所述目标用户提问信息的问诊信息;
所述医生终端,用于接收所述问诊技巧推荐装置发送的所述相似问题信息以及各个所述相似问题信息的问诊技巧标签,使得目标医生针对所述目标用户提问信息进行问诊,以实现在线辅诊。
第四方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述问诊技巧推荐方法的步骤。
第五方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述问诊技巧推荐方法的步骤。
由上述技术方案可知,本申请提供一种问诊技巧推荐方法及装置、在线辅诊***,所述问诊技巧推荐方法通过获取目标用户提问信息及其对应的至少一个相似问题信息,能够有效提高后续获取医生问诊特征的全面性及针对性,进而能够提高获取问诊技巧的准确性及针对性;通过确定所述相似问题信息对应的多个医生问诊特征,能够有效提高预测样本的准确性,进而能够提高获取问诊技巧的准确性;通过将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,能够高效且准确地效获取医生问诊特征所对应的问诊技巧标签,通过将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,能够快速且准确的为医生提供问诊技巧,基于此,本申请能够有效获取问诊技巧,并能够提高所获取的问诊技巧的准确性和针对性,进而能够有效提高线上问诊的准确性、完整性及匹配度,使得医生能够高效且准确地向用户进行问诊,进而使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中的在线辅诊***的一种架构示意图。
图2为本申请实施例中的医生终端显示的其与目标用户的交互界面示意图。
图3为本申请实施例中的问诊技巧推荐界面示意图。
图4为本申请实施例中的包含有后端服务器和大数据服务器的在线辅诊***的架构示意图。
图5为本申请实施例中的问诊技巧推荐方法的流程构示意图。
图6为本申请实施例中的问诊技巧推荐方法中步骤B01和B02的流程构示意图。
图7为本申请实施例中的问诊技巧推荐方法中步骤A01至A04的第一种流程构示意图。
图8为本申请实施例中的问诊技巧推荐方法中步骤A01至A04的第二种流程构示意图。
图9为本申请实施例中的问诊技巧推荐方法中步骤A01至A04的第三种流程构示意图。
图10为本申请实施例中的问诊技巧推荐方法中步骤100的流程构示意图。
图11为本申请实施例中的问诊技巧推荐方法中步骤200的流程构示意图。
图12为本申请实施例中的问诊技巧推荐方法中步骤300的流程构示意图。
图13为本申请应用实例中的问诊技巧推荐方法的数据传输举例示意图。
图14为本申请实施例中的问诊技巧推荐装置的结构示意图。
图15为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
考虑到现有的针对问诊经验少的医生,通常会由于缺乏问诊技巧,而使得用户对该医生的专业程度产生质疑,导致问诊过程无法顺利进行,使得线上问诊的准确性、完整性及匹配度低的问题,本申请提供一种问诊技巧推荐方法、问诊技巧推荐装置、电子设备、计算机可读存储介质及一种线上辅诊***,通过获取目标用户提问信息及其对应的至少一个相似问题信息,能够有效提高后续获取医生问诊特征的全面性及针对性,进而能够提高获取问诊技巧的准确性及针对性;通过确定所述相似问题信息对应的多个医生问诊特征,能够有效提高预测样本的准确性,进而能够提高获取问诊技巧的准确性;通过将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,能够高效且准确地效获取医生问诊特征所对应的问诊技巧标签,通过将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,能够快速且准确的为医生提供问诊技巧,基于此,本申请能够有效获取问诊技巧,并能够提高所获取的问诊技巧的准确性和针对性,进而能够有效提高线上问诊的准确性、完整性及匹配度,使得医生能够高效且准确地向用户进行问诊,进而使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息。
在本申请的一个或多个实施例中,参见图1,所述在线辅诊***包含有所述问诊技巧推荐装置A1、用户终端B1和医生终端B2;所述用户终端B1将目标用户编辑的目标用户提问信息发送至所述问诊技巧推荐装置A1,所述问诊技巧推荐装置A1获取目标用户提问信息以及该目标用户提问信息对应的至少一个相似问题信息,确定所述相似问题信息对应的多个医生问诊特征,以及将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,并将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生持有的医生终端B2,使得所述医生终端B2能够根据接收到的相似问题信息及各相似问题信息分别对应的多个医生问诊特征,向目标用户持有的所述用户终端B1发送问诊信息,以使得目标医生能够高效且准确地向用户进行问诊,目标用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息。可以理解的是,所述用户终端B1和医生终端B2中均可以设有用于人机交互的触摸显示屏。
上述内容,所述针对所述目标用户提问信息向目标用户进行问诊的目标医生是指准备针对所述目标用户提问信息向目标用户进行问诊的医生,也可以指已经向针对所述目标用户提问信息向目标用户进行了初步问诊的医生。例如,如图2所示的情形,该医生已经由医生终端向目标用户发送初步问诊信息,仍可以向其进行问诊技巧推荐的提示信息,使得该医生在点选该提示信息后,即可以看到如图3所示的问诊技巧推荐界面。其中,相似问题栏用于显示所述目标用户提问信息对应的相似问题,每个所述相似问题的答题亮点栏用于显示其上述的相似问题对应的问诊技巧标签,若一相似问题的问诊技巧标签超过了3个,可以显示全部的问诊技巧标签,也可以如图3所示仅选取其中的3个进行显示。
在上述内容的基础上,还可以根据各个相似问题对应的问诊技巧标签的类型及各类型出现的次数,在所述问诊技巧推荐界面中的推荐优先级栏中进行推荐优先级的显示,如图3所示,若所述目标用户提问信息对应的相似问题中,出现“用药指导”这一问诊技巧标签的次数最多,则将其出现百分比显示在推荐优先级栏中的首位位置,后续依次按照出现百分比由大到小的顺序对各问诊技巧标签进行依次显示。
在上述内容的基础上,还可以根据预设收入判断规则确定当前相似问题的回答医生中的高收入医生,然后确定这些高收入医生在对应的相似问题中所用的占比最高的问诊技巧标签,并在推荐答题技巧栏中对其进行单独显示,如图3所示,若所述目标用户提问信息对应的相似问题中,高收入医生使用最多的诊技巧标签为“饮食起居”,则在所述推荐答题技巧栏中显示“饮食起居”及其预存的应用提示信息。
可以理解的是,所述问诊技巧推荐装置A1可以为一服务器,也可以由后端服务器A2及大数据服务器A3共同组成,参见图4,所述用户终端B1将目标用户编辑的问题信息发送至所述后端服务器A2,所述后端服务器A2根据目标用户编辑的问题信息创建目标用户提问信息,而后,所述后端服务器A2将所述目标用户提问信息发送至所述大数据服务器A3。所述大数据服务器A3获取目标用户提问信息及其对应的至少一个相似问题信息,确定所述相似问题信息对应的多个医生问诊特征,以及将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,并将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签均发送至所述后端服务器A2,而后,所述后端服务器A2将所述相似问题信息以及各个所述相似问题信息的问诊技巧标签均转发至对应的医生终端B2。
可以理解的是,所述用户终端及医生终端均可以为一种终端设备,且该终端设备能够与所述问诊技巧推荐装置A1通信连接。具体地,所述终端设备可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,进行问诊技巧推荐的部分可以在如上述内容所述的问诊技巧推荐装置A1(即服务端设备)侧执行,即,如图1所示的架构,也可以所有的操作都在终端设备中完成。具体可以根据设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在终端设备中完成,终端设备还可以包括处理器,用于进行问诊技巧推荐的具体处理。
上述的终端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。例如,通信单元可以将上述目标用户编辑的目标用户提问信息发送至服务端设备,以便服务端设备根据目标用户提问信息进行问诊技巧推荐。通信单元还可以接收服务端设备返回的所述相似问题信息以及各个所述相似问题信息的问诊技巧标签。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
所述服务器与所述终端设备之间可以使用任何合适的网络协议进行通信,包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然,所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol,远程过程调用协议)、REST协议(Representational State Transfer,表述性状态转移协议)等。
在本申请的一个或多个实施例中,可以预先存储历史问诊日志,该历史问诊日志用于存储针对各个历史用户提问信息的医生问诊信息对应的多个医生问诊特征,以及,各个所述医生问诊特征分别对应的问诊技巧标签之间的对应关系。
另外,所述历史问诊日志具体可以为一分布式数据库,举例参见表1,所述分布式数据库用于存储针对各个历史用户提问信息的医生问诊信息对应的多个医生问诊特征,以及,各个所述医生问诊特征分别对应的问诊技巧标签之间的对应关系。其中,每个医生问诊信息与自其中提取出的医生问诊特征之间为一对多的关系,而所述医生问诊特征与问诊技巧标签可以为一一对应或者多对一的关系。以表1中数据进行说明,医生问诊信息Q1中的医生问诊特征Y11和Y12均对应问诊技巧标签Tag1,因此,医生问诊信息Q1所对应的问诊技巧标签为Tag1和Tag2。
表1
在本申请的一个或多个实施例中,所述用户提问信息为针对目标用户发出的提问内容进行目标关键词提取后的用户提问信息。举例来说,若所述目标用户发出了其编辑的原始提问内容“咳嗽三天以上且伴有发热现象,舌苔发黄,我是不是病毒性感冒了?”,则根据预设的关键词库对该内容进行匹配,识别得到关键词“咳嗽”、发热”、“舌苔发黄”及“病毒性感冒”,因此,该目标用户对应的用户提问信息实际为“咳嗽、发热、舌苔发黄及病毒性感冒”,而非用户编辑的原始提问信息。
在本申请的一个或多个实施例中,所述目标用户提问信息为根据当前的目标用户发出的其编辑的原始提问内容进行特征提取后的用户提问信息。其中,所述用户发出的其编辑的原始提问内容除了上述的文字内容,还可以包含有图片。
也就是说,若接收到的所述原始提问内容中包含有图片,则基于预设的图片特征数据库对所述图片进行特征识别,若未识别到对应的特征,则将该图片判定为无效图片,若识别到对应图片特征,则在根据所述原始提问内容中的文字内容进行特征提取后得到的用户提问信息中,判断是否包含有该图片特征,若没有,则将该图片特征对应的文字特征加入该用户提问信息中,得到对应于所述目标用户的目标用户提问信息。
在一种举例中,若所述目标用户输入的原始提问内容包含有文字内容:“咳嗽三天以上且伴有发热现象,我是不是病毒性感冒了?”以及图片内容:一张舌苔发黄的图片。则对所述原始提问内容进行特征提取,得到初始的用户提问信息“咳嗽、发热及病毒性感冒”,并对所述图片进行特征提取,得到对应的“舌苔发黄”的文字特征,而后再所述初始的用户提问信息中未检索到特征“舌苔发黄”,则将特征“舌苔发黄”加入所述初始的用户提问信息中,形成对应于所述目标用户的具体提问内容“咳嗽、发热、舌苔发黄及病毒性感冒”,即得到目标用户提问信息。
在本申请的一个或多个实施例中,所述目标用户提问信息中除了疾病描述信息和/或症状描述信息等具体提问内容外,还可以包含有用户性别和/或用户年龄信息,以及,还可以包含有:疾病所属科室信息、问题来源标识、问题文本长度信息、问题创建时间信息及问题创建区域信息、用户与患者关系信息、用户所在区域信息、用户免费提问次数、用户付费提问次数、用户联系方式、用户咨询次数、用户答谢医生次数及各个历史订单支付金额中的任一项或任意组合。
在本申请的一个或多个实施例中,所述医生问诊信息中包含有:症状进一步询问和/或治疗建议等具体问诊内容。还可以包含有:医生所属的所述目标疾病科室和/或扩展科室信息,以及,医生擅长疾病信息。以及,还可以包含有:医生性别信息、医生年龄信息、医生职称信息、医生所在医院标识、医生所在城市、医生等级、医生解答问题价格和医生服务人次信息中的任一项或任意组合。
为了能够有效获取问诊技巧,并能够提高所获取的问诊技巧的准确性和针对性,进而能够有效提高线上问诊的准确性、完整性及匹配度,本申请实施例提供一种问诊技巧推荐方法的具体实施方式,参见图5,所述问诊技巧推荐方法具有包含有如下内容:
步骤100:获取目标用户提问信息及其对应的至少一个相似问题信息。
在步骤100中,问诊技巧推荐装置首先获取目标用户持有的用户终端发送的目标用户提问信息,而后确定该目标用户提问信息对应的至少一个相似问题信息。可以理解的是,若当前目标用户提问信息对应的相似问题信息不止一个,则可以生成一相似问题列表,且该相似问题列表用于存储该目标用户提问信息与其相似问题信息之间的一对多关系。
步骤200:确定所述相似问题信息对应的多个医生问诊特征。
在步骤200中,问诊技巧推荐装置可以分别确定所述相似问题列表中的各个相似问题信息分别对应的多个医生问诊特征。可以理解的是,基于前述相似问题列表,还可以生成一医生问诊特征列表,所述医生问诊特征列表中用于存储各个相似问题信息与各个相似问题信息分别对应的医生问诊特征之间的对应关系。参见表2的医生问诊特征列表举例,还可以包含有医生信息,以使得能够实现前述的向目标医生推荐高收入医生所采用的占比最高的问诊技巧。
表2
在上述表2中,所述医生信息可以包含有:医生标识及医生收入水平等级,还可以包含有:医生所属的所述目标疾病科室和/或扩展科室信息,以及,医生擅长疾病信息。以及,所述述医生信息还可以包含有:医生性别信息、医生年龄信息、医生职称信息、医生所在医院标识、医生所在城市、医生等级、医生解答问题价格和医生服务人次信息中的任一项或任意组合。
所述医生标识可以为医生姓名或预设唯一编号。举例来说,医生信息D1对应的具体内容可以为:“编号33689-1、高级收入水平、骨伤科、骨伤科常见病、腰痛、麻木、关节炎及骨折”。
步骤300:将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,并将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生。
可以理解的是,所述问诊技巧推荐装置将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,并输出各个所述医生问诊特征对应的问诊技巧标签,由于各个所述医生问诊特征均对应有一所述相似问题信息,因此,所述分类模型的输出也可以称为各个所述相似问题信息的问诊技巧标签。
基于上述内容,在一种举例中,若所述目标用户提问信息的相似问题信息包含有S1和S2,且相似问题信息S1对应的医生问诊特征分别为Y11、Y12和Y13,且医生问诊特征Y11对应的问诊技巧标签为Tag1,Y12对应的问诊技巧标签也为Tag1,Y13对应的问诊技巧标签为Tag5,则所述相似问题信息S1对应的问诊技巧标签为Tag1和Tag5。以及,相似问题信息S2对应的医生问诊特征分别为Y21、Y22、Y23、Y24和Y25,且医生问诊特征Y21对应的问诊技巧标签为Tag3,Y22对应的问诊技巧标签为Tag2,Y23对应的问诊技巧标签为Tag4,Y24对应的问诊技巧标签为Tag5,Y25对应的问诊技巧标签为Tag1,则所述相似问题信息S1对应的问诊技巧标签为Tag1、Tag2、Tag3、Tag4和Tag5。因此,发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生的内容如表3所示,包含有所述相似问题信息以及各个所述相似问题信息的问诊技巧标签。还可以包含有问诊技巧标签所对应的医生问诊特征,使得目标医生可以在点选显示在其医生终端的问诊技巧标签后,浏览该问诊技巧标签所对应的医生问诊特征,以更加详细的了解其他医生针对该相似问题进行问诊时所使用的详细询问技巧。
表3
其中,所述分类模型是指用于是将每个数据集合中的元素分配给一个已知的数据类别。其中,对于分类问题,监督学习从数据中学习一个分类模型或者分类决策函数,称为分类器。分类器对新的输入预测其属于哪一类别,称为分类。举例来说,所述分类器可以为K-近邻算法KNN、贝叶斯分类算法Bayesian以及随机森林Decision Tree等。
在本申请的实施例中,由于问诊技巧标签为预先设置的,且为了提供准确的问诊技巧,本申请中的问诊技巧标签被分为超过2种的多种类型,例如至少可以包含有“用药指导”标签、“心理疏导”标签、“检查建议”标签及“饮食起居”标签等等。基于此,若所述标签类型有四种,则所述分类模型有四个分类器组成,各个分类器分别用于将被输入的医生问诊特征划分为是否属于某一标签类型。
例如,假设第一分类器对应“用药指导”标签、第二分类器对应“心理疏导”标签、第三分类器对应“检查建议”标签,以及,第四分类器对应“饮食起居”标签,且各个分类器在所述分类模型中按照编号依次执行,具体包括:
(1)第一分类器用于将当前医生问诊特征划分为属于“用药指导”标签和不属于“用药指导”标签两类,若当前医生问诊特征被第一分类器划分为不属于“用药指导”标签,则该医生问诊特征继续被输入第二分类器,若当前医生问诊特征被第一分类器划分为属于“用药指导”标签,则输出标签结果,并结束针对当前医生问诊特征的分类循环。
(2)而后,第二分类器用于将当前医生问诊特征划分为属于“心理疏导”标签和不属于“心理疏导”标签两类,若当前医生问诊特征被第二分类器划分为不属于“心理疏导”标签,则该医生问诊特征继续被输入第三分类器,若当前医生问诊特征被第二分类器划分为属于“心理疏导”标签,则输出标签结果,并结束针对当前医生问诊特征的分类循环。
(3)再然后,第三分类器用于将当前医生问诊特征划分为属于“检查建议”标签和不属于“检查建议”标签两类,若当前医生问诊特征被第三分类器划分为不属于“检查建议”标签,则该医生问诊特征即被直接判定为属于“饮食起居”标签。或者,该医生问诊特征继续被输入第四分类器,若当前医生问诊特征被第三分类器划分为属于“检查建议”标签,则输出标签结果,并结束针对当前医生问诊特征的分类循环。
(4)最后,若所述医生问诊特征继续被输入第四分类器,且第四分类器用于将当前医生问诊特征划分为属于“饮食起居”标签和不属于“饮食起居”标签两类,若当前医生问诊特征被第四分类器划分为不属于“饮食起居”标签,则输出分类失败提醒,即当前医生问诊特征不属于预设的任何一项问诊技巧标签。若当前医生问诊特征被第二分类器划分为属于“饮食起居”标签,则输出标签结果,并结束针对当前医生问诊特征的分类循环。
也就是说,通过预先的数据处理及模型训练,得到由与预设的问诊技巧标签数量相同且一一对应的分类器,这些分类器组成了分类模型,将医生问诊特征输入该分类模型后,该分类模型经由各分类器及预设的处理逻辑输出该医生问诊特征所述的问诊技巧标签类型或分类失败提醒。另外,对分类器的训练可以通过逻辑回归训练的方式进行。
为了进一步提高问诊技巧推荐的准确性,针对上述情形,若经模型分类后获知当前医生问诊特征不属于预设的任何一项问诊技巧标签,则需要根据该情形出现的次数,选择是否针对类似的医生问诊特征增加新的问诊技巧标签,并针对该新的问诊技巧标签训练得到新的分类器,而后将该新的分类器加入原分类模型中,并调整分类模型中各个分类器之间的数据处理逻辑,以使得后续再出现类似医生问诊特征时,能够对其进行问诊技巧标签的有效分类。
从上述描述可知,本申请实施例提供的问诊技巧推荐方法,通过获取目标用户提问信息及其对应的至少一个相似问题信息,能够有效提高后续获取医生问诊特征的全面性及针对性,进而能够提高获取问诊技巧的准确性及针对性;通过确定所述相似问题信息对应的多个医生问诊特征,能够有效提高预测样本的准确性,进而能够提高获取问诊技巧的准确性;通过将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,能够高效且准确地效获取医生问诊特征所对应的问诊技巧标签,通过将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,能够快速且准确的为医生提供问诊技巧,基于此,本申请能够有效获取问诊技巧,并能够提高所获取的问诊技巧的准确性和针对性,进而能够有效提高线上问诊的准确性、完整性及匹配度,使得医生能够高效且准确地向用户进行问诊,进而使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息。
为了能够有效提高所述问诊技巧推荐结果的准确性,在一种实施例中,参见图6,本申请的问诊技巧推荐方法还具体包含有如下内容:
步骤B01:根据历史问诊日志生成多个训练样本,其中,所述历史问诊日志中包含有针对各个历史用户提问信息的医生问诊信息对应的多个医生问诊特征,以及,各个所述医生问诊特征分别对应的问诊技巧标签。
步骤B02:应用所述训练样本集对所述分类模型进行训练。
在上述描述中,所述问诊技巧推荐装置可以离线也可以在线根据历史问诊日志生成多个训练样本,使得所述预测模型能够在接收到医生问诊特征预测样本作为输入时,能够输出该医生问诊特征对应的问诊技巧标签。
为了能够有效提高模型训练的准确性,在一种实施例中,参见图7,在本申请的问诊技巧推荐方法的步骤B02之前还具体包含有如下内容:
步骤A01:应用预设规则在预设的医生数据库中选取多个优质医生。
步骤A02:获取各个所述优质医生针对各个历史用户提问信息提出的医生问诊信息。
步骤A03:对各个所述医生问诊信息分别进行特征提取,得到各个所述医生问诊信息分别对应的多个医生问诊特征。
步骤A04:根据各个所述历史用户提问信息、针对各个历史用户提问信息的医生问诊信息对应的多个医生问诊特征,以及,预设获取的各个所述医生问诊特征分别对应的问诊技巧标签,生成历史问诊日志。
具体地,所述步骤A01选取多个优质医生的方式包含有:
其一,自所述医生数据库中,筛除已接收且未解答历史用户提问信息数量大于第一预设值的医生对应的医生信息,和/或;
自所述医生数据库中,筛除处于预设黑名单中的医生。
其二,在所述医生数据库中,选取所在医院排名位于预设值前和/或所属科室排名位于预设值前的医生;
以及,在所在医院排名位于预设值前和/或所属科室排名位于预设值前的医生中,进一步选取预设专业度和好评率均符合各自对应的预设要求的医生作为优质医生。
为了进一步提高模型训练的准确性,在一种实施例中,参见图8,在本申请的问诊技巧推荐方法的步骤A02之后还具体包含有如下内容:
步骤A11:对所述医生问诊信息进行过滤,筛除不符合过滤条件的所述医生问诊信息。
其中,所述过滤条件包括:所述医生问诊信息的评价等级高于中级,和/或,所述医生问诊信息对应的所述优质医生与历史用户的交互次数大于预设值。
为了进一步提高模型训练的准确性,在一种实施例中,参见图9,在本申请的问诊技巧推荐方法的步骤A04之前还具体包含有如下内容:
步骤A12:应用预设的语法规则和/或行为规则,将各个所述医生问诊特征分别与预设的各个问诊技巧标签进行对应,得到各个所述医生问诊特征分别对应的问诊技巧标签。
为了进一步提高所获取的问诊技巧的准确性和针对性,在一种实施例中,参见图10,本申请的问诊技巧推荐方法中的步骤100具体包含有如下内容:
步骤101:接收目标用户提问信息。
步骤102:对所述目标用户提问信息进行特征提取,得到所述目标用户提问信息对应的至少一个问题特征。
步骤103:以及,根据所述目标用户提问信息对应的所述问题特征在预设的问题特征数据库中查找与所述目标用户提问信息对应的至少一个相似问题信息,其中,所述问题特征数据库用于存储所述问题特征与所述相似问题信息之间的对应关系。
为了进一步提高所获取的问诊技巧的准确性和针对性,在一种实施例中,参见图11,本申请的问诊技巧推荐方法中的步骤200具体包含有如下内容:
步骤201:获取各个所述相似问题信息对应的医生问诊信息;
步骤202:对各个所述医生问诊信息分别进行特征提取,得到各个所述医生问诊信息分别对应的多个医生问诊特征。
为了能够进一步有效提高线上问诊的准确性、完整性及匹配度,在一种实施例中,参见图12,本申请的问诊技巧推荐方法中的步骤300具体包含有如下内容:
步骤301:生成问诊技巧推荐列表,其中,所述问诊技巧推荐列表中存储有各个所述相似问题信息、医生问诊信息与问诊技巧标签之间的对应关系。
步骤302:将所述问诊技巧推荐列表发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,使得该目标医生根据所述问诊技巧推荐列表向所述目标用户进行问诊,以实现在线辅诊。
具体地,所述步骤301还具体包含有如下内容:
步骤301a:根据各个所述相似问题信息分别对应的医生问诊信息的评价等级,和/或,各个所述相似问题信息分别对应的医生问诊信息的问诊技巧标签的个数,对所述相似问题信息进行筛选。
步骤301b:基于筛选后的所述相似问题信息生成所述问诊技巧推荐列表。
另外,还可以根据所述各个所述相似问题信息分别对应的医生问诊信息的问诊技巧标签的个数,将其按照数量由多到少的顺序对所述相似问题信息进行排序,之后选取前N个所述相似问题信息作为用于向目标用户推荐的相似问题信息。其中,N为大于1的整数。
从上述描述可知,本申请实施例中的问诊技巧推荐方法,通过获取目标用户提问信息及其对应的至少一个相似问题信息,能够有效提高后续获取医生问诊特征的全面性及针对性,进而能够提高获取问诊技巧的准确性及针对性;通过确定所述相似问题信息对应的多个医生问诊特征,能够有效提高预测样本的准确性,进而能够提高获取问诊技巧的准确性;通过将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,能够高效且准确地效获取医生问诊特征所对应的问诊技巧标签,通过将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,能够快速且准确的为医生提供问诊技巧,基于此,本申请能够有效获取问诊技巧,并能够提高所获取的问诊技巧的准确性和针对性,进而能够有效提高线上问诊的准确性、完整性及匹配度,使得医生能够高效且准确地向用户进行问诊,进而使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息。
为了进一步说明本方案,本申请还提供一种问诊技巧推荐方法的具体应用实例,在本应用实例中,所述问诊技巧推荐方法应用如图4所示的在线辅诊***实现,所述问诊技巧推荐方法具体包含有如下内容:
其中,所述大数据服务器A3离线进行模型训练,具体内容如下:
S11:大数据服务器A3应用预设规则在预设的医生数据库中选取多个优质医生。
S12:大数据服务器A3获取各个所述优质医生针对各个历史用户提问信息提出的医生问诊信息。
S13:大数据服务器A3对所述医生问诊信息进行过滤,筛除不符合过滤条件的所述医生问诊信息。
S14:大数据服务器A3对各个所述医生问诊信息分别进行特征提取,得到各个所述医生问诊信息分别对应的多个医生问诊特征。
S15:大数据服务器A3应用预设的语法规则和/或行为规则,将各个所述医生问诊特征分别与预设的各个问诊技巧标签进行对应,得到各个所述医生问诊特征分别对应的问诊技巧标签。
S16:大数据服务器A3根据各个所述历史用户提问信息、针对各个历史用户提问信息的医生问诊信息对应的多个医生问诊特征,以及,预设获取的各个所述医生问诊特征分别对应的问诊技巧标签,生成历史问诊日志。
S17:大数据服务器A3根据历史问诊日志生成多个训练样本,其中,所述历史问诊日志中包含有针对各个历史用户提问信息的医生问诊信息对应的多个医生问诊特征,以及,各个所述医生问诊特征分别对应的问诊技巧标签。
S18:大数据服务器A3应用所述训练样本集对所述分类模型进行训练。
其中,所述问诊技巧推荐装置A1在线进行问诊技巧推荐的具体内容如下:
S21:后端服务器A2接收所述目标用户发送的问题信息,并根据该问题信息创建所述目标用户提问信息。
S22:后端服务器A2将所述目标用户提问信息转发大数据服务器A3。
S23:大数据服务器A3对所述目标用户提问信息进行特征提取,得到所述目标用户提问信息对应的至少一个问题特征。
S24:大数据服务器A3根据所述目标用户提问信息对应的所述问题特征在预设的问题特征数据库中查找与所述目标用户提问信息对应的至少一个相似问题信息,其中,所述问题特征数据库用于存储所述问题特征与所述相似问题信息之间的对应关系。
S25:大数据服务器A3获取各个所述相似问题信息对应的医生问诊信息。
S26:大数据服务器A3对各个所述医生问诊信息分别进行特征提取,得到各个所述医生问诊信息分别对应的多个医生问诊特征。
S27:大数据服务器A3根据各个所述相似问题信息分别对应的医生问诊信息的评价等级,和/或,各个所述相似问题信息分别对应的医生问诊信息的问诊技巧标签的个数,对所述相似问题信息进行筛选。
S28:大数据服务器A3基于筛选后的所述相似问题信息生成所述问诊技巧推荐列表。
S29:大数据服务器A3将所述问诊技巧推荐列表发送后端服务器A2。
S210:后端服务器A2将所述问诊技巧推荐列表转发至针对所述目标用户提问信息向目标用户进行问诊的目标医生的医生终端,使得该目标医生根据所述问诊技巧推荐列表向所述目标用户进行问诊,以实现在线辅诊。
在一种举例中,参见图13,所述问诊技巧推荐方法的具体举例包含有如下内容:
(一)用户终端B1用于:
S1:患者提问。
S2:问题内容、图片(可选)。
S4:创建档案(性别、年龄)。
(二)医生终端B2用于:
S3:解答问题。
S11:看到优质问诊列表及技巧tag。
(三)后端服务器A2用于:
S5:创建问题。
S10:截取排序后的top3数据。
(四)大数据服务器A3用于:
S01:圈定优质医生a。
a.优质医生的选定条件:
复旦医院排行榜top100+复旦专科排名top10+省知名三甲医院,用户好评率大于95%,专业度大于95%
使用问题的科室以及由该科室扩展出科室,过滤出对应科室内当前时刻在线的医生。其中在线条件为满足以下任何一个:a.在30min内医生在医生端有有效操作(指一些刷新问题列表等操作),b.众包问题发题在线,如果当前时刻在[7,23]点之间,取出a条件扩展到24小时的顶级医院和顶级科室医生。
对上一步产生的医生,如果当前问题处于发题阶段(指已发给医生A,但医生尚未领取),过滤掉医生A;过滤掉当前问题的认领医生B;过滤掉由一个问题引发的所有一题多问的回复医生(比如用户从一个问题p0开始买一题多问,生成了两个新问题p1,p2,又从p1一题多问生成了p3,则过滤掉p0,p1,p2,p3对应的医生)
过滤掉未回复问题大于3的医生,过滤掉一题多问黑名单医生
非实时过滤条件:医生首先需要满足以下条件:专业度>=90,医院id不在['cygzyyzjt','bu4zfg76s1pel85d’](春雨内部标识,测试数据)里,非测试医生,1好评率>=92(90是新医生)
S02:清洗优质问诊数据(过滤交互过少、差评等)b。
b.过滤条件:被评价为中评、差评的问诊,交互次数<3的
S03:问诊技巧数据标注(医学背景+自然语言处理、行为特征等)c。
c.通过具体问诊数据进行各类问诊技巧的语法规则、行为规则提取,通过规则处理具体问诊数据,处理后抽样评估准确性,平均准确率约80%,平均召回率约70%
S04:模型训练d。
d.通过模型训练,各问诊技巧平均准确率约90%,召回率约80%,
S05:问诊技巧tag提取。
S6:医学实体识别及加权e。
e.医学实体识别包括疾病、症状、药品、手术、检查,由实体词及别称组成,对用户问题分词后进行识别和加权
S7:计算圈定优质问诊数据与该题的相似度。
S8:相似度大于某值的问诊个数大于2?
S9:若是,则重排序(按技巧tag个数、问诊质量等)。
从上述描述可知,本申请应用实例提供的问诊技巧推荐方法,通过获取目标用户提问信息及其对应的至少一个相似问题信息,能够有效提高后续获取医生问诊特征的全面性及针对性,进而能够提高获取问诊技巧的准确性及针对性;通过确定所述相似问题信息对应的多个医生问诊特征,能够有效提高预测样本的准确性,进而能够提高获取问诊技巧的准确性;通过将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,能够高效且准确地效获取医生问诊特征所对应的问诊技巧标签,通过将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,能够快速且准确的为医生提供问诊技巧,基于此,本申请能够有效获取问诊技巧,并能够提高所获取的问诊技巧的准确性和针对性,进而能够有效提高线上问诊的准确性、完整性及匹配度,使得医生能够高效且准确地向用户进行问诊,进而使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息。
为了能够有效获取问诊技巧,并能够提高所获取的问诊技巧的准确性和针对性,进而能够有效提高线上问诊的准确性、完整性及匹配度,本申请实施例提供一种能够实现所述问诊技巧推荐方法中全部内容的问诊技巧推荐装置的具体实施方式,参见图14,所述问诊技巧推荐装置具有包含有如下内容:
信息获取模块10,用于获取目标用户提问信息及其对应的至少一个相似问题信息。
医生问诊特征确定模块20,用于确定所述相似问题信息对应的多个医生问诊特征。
问诊技巧推荐模块30,用于将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,并将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生。
本申请提供的问诊技巧推荐装置的实施例具体可以用于执行上述实施例中的问诊技巧推荐方法的实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
从上述描述可知,本申请实施例提供的问诊技巧推荐装置,通过获取目标用户提问信息及其对应的至少一个相似问题信息,能够有效提高后续获取医生问诊特征的全面性及针对性,进而能够提高获取问诊技巧的准确性及针对性;通过确定所述相似问题信息对应的多个医生问诊特征,能够有效提高预测样本的准确性,进而能够提高获取问诊技巧的准确性;通过将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,能够高效且准确地效获取医生问诊特征所对应的问诊技巧标签,通过将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,能够快速且准确的为医生提供问诊技巧,基于此,本申请能够有效获取问诊技巧,并能够提高所获取的问诊技巧的准确性和针对性,进而能够有效提高线上问诊的准确性、完整性及匹配度,使得医生能够高效且准确地向用户进行问诊,进而使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息。
为了能够有效提高所述问诊技巧推荐结果的准确性,在一种实施例中,本申请的问诊技巧推荐装置还用于根据历史问诊日志生成多个训练样本,其中,所述历史问诊日志中包含有针对各个历史用户提问信息的医生问诊信息对应的多个医生问诊特征,以及,各个所述医生问诊特征分别对应的问诊技巧标签,以及应用所述训练样本集对所述分类模型进行训练。
在上述描述中,所述问诊技巧推荐装置可以离线也可以在线根据历史问诊日志生成多个训练样本,使得所述预测模型能够在接收到医生问诊特征预测样本作为输入时,能够输出该医生问诊特征对应的问诊技巧标签。
为了能够有效提高模型训练的准确性,在一种实施例中,本申请的问诊技巧推荐装置还用于应用预设规则在预设的医生数据库中选取多个优质医生,获取各个所述优质医生针对各个历史用户提问信息提出的医生问诊信息,对各个所述医生问诊信息分别进行特征提取,得到各个所述医生问诊信息分别对应的多个医生问诊特征,以及根据各个所述历史用户提问信息、针对各个历史用户提问信息的医生问诊信息对应的多个医生问诊特征,以及,预设获取的各个所述医生问诊特征分别对应的问诊技巧标签,生成历史问诊日志。
为了进一步提高模型训练的准确性,在一种实施例中,本申请的问诊技巧推荐装置还用于对所述医生问诊信息进行过滤,筛除不符合过滤条件的所述医生问诊信息。其中,所述过滤条件包括:所述医生问诊信息的评价等级高于中级,和/或,所述医生问诊信息对应的所述优质医生与历史用户的交互次数大于预设值。
为了进一步提高模型训练的准确性,在一种实施例中,本申请的问诊技巧推荐装置还用于应用预设的语法规则和/或行为规则,将各个所述医生问诊特征分别与预设的各个问诊技巧标签进行对应,得到各个所述医生问诊特征分别对应的问诊技巧标签。
为了进一步提高所获取的问诊技巧的准确性和针对性,在一种实施例中,本申请的问诊技巧推荐方法中的信息获取模块10具体用于接收目标用户提问信息,对所述目标用户提问信息进行特征提取,得到所述目标用户提问信息对应的至少一个问题特征,以及,根据所述目标用户提问信息对应的所述问题特征在预设的问题特征数据库中查找与所述目标用户提问信息对应的至少一个相似问题信息,其中,所述问题特征数据库用于存储所述问题特征与所述相似问题信息之间的对应关系。
为了进一步提高所获取的问诊技巧的准确性和针对性,在一种实施例中,本申请的问诊技巧推荐方法中的医生问诊特征确定模块20具体用于获取各个所述相似问题信息对应的医生问诊信息,对各个所述医生问诊信息分别进行特征提取,得到各个所述医生问诊信息分别对应的多个医生问诊特征。
为了能够进一步有效提高线上问诊的准确性、完整性及匹配度,在一种实施例中,本申请的问诊技巧推荐方法中的问诊技巧推荐模块30具体用于生成问诊技巧推荐列表,其中,所述问诊技巧推荐列表中存储有各个所述相似问题信息、医生问诊信息与问诊技巧标签之间的对应关系,以及,将所述问诊技巧推荐列表发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,使得该目标医生根据所述问诊技巧推荐列表向所述目标用户进行问诊,以实现在线辅诊。
本申请的实施例还提供能够实现上述实施例中的问诊技巧推荐方法中全部步骤的一种电子设备的具体实施方式,参见图15,所述电子设备具体包括如下内容:
处理器(processor)601、存储器(memory)602、通信接口(CommunicationsInterface)603和总线604;
其中,所述处理器601、存储器602、通信接口603通过所述总线604完成相互间的通信;所述通信接口603用于实现用户终端、医生终端、后端服务器、大数服务器以及其他参与机构之间的信息传输;
所述处理器601用于调用所述存储器602中的计算机程序,所述处理器执行所述计算机程序时实现上述实施例中的问诊技巧推荐方法中的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:获取目标用户提问信息及其对应的至少一个相似问题信息。
步骤200:确定所述相似问题信息对应的多个医生问诊特征。
步骤300:将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,并将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生。
从上述描述可知,本申请实施例提供的电子设备,通过获取目标用户提问信息及其对应的至少一个相似问题信息,能够有效提高后续获取医生问诊特征的全面性及针对性,进而能够提高获取问诊技巧的准确性及针对性;通过确定所述相似问题信息对应的多个医生问诊特征,能够有效提高预测样本的准确性,进而能够提高获取问诊技巧的准确性;通过将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,能够高效且准确地效获取医生问诊特征所对应的问诊技巧标签,通过将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,能够快速且准确的为医生提供问诊技巧,基于此,本申请能够有效获取问诊技巧,并能够提高所获取的问诊技巧的准确性和针对性,进而能够有效提高线上问诊的准确性、完整性及匹配度,使得医生能够高效且准确地向用户进行问诊,进而使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息。
本申请的实施例还提供能够实现上述实施例中的问诊技巧推荐方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的问诊技巧推荐方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤100:获取目标用户提问信息及其对应的至少一个相似问题信息。
步骤200:确定所述相似问题信息对应的多个医生问诊特征。
步骤300:将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,并将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生。
从上述描述可知,本申请实施例提供的计算机可读存储介质,通过获取目标用户提问信息及其对应的至少一个相似问题信息,能够有效提高后续获取医生问诊特征的全面性及针对性,进而能够提高获取问诊技巧的准确性及针对性;通过确定所述相似问题信息对应的多个医生问诊特征,能够有效提高预测样本的准确性,进而能够提高获取问诊技巧的准确性;通过将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,能够高效且准确地效获取医生问诊特征所对应的问诊技巧标签,通过将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,能够快速且准确的为医生提供问诊技巧,基于此,本申请能够有效获取问诊技巧,并能够提高所获取的问诊技巧的准确性和针对性,进而能够有效提高线上问诊的准确性、完整性及匹配度,使得医生能够高效且准确地向用户进行问诊,进而使得用户能够获得更为准确且匹配度高的疾病症状说明及治疗建议等信息。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书实施例。对于本领域技术人员来说,本说明书实施例可以有各种更改和变化。凡在本说明书实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书实施例的权利要求范围之内。
Claims (17)
1.一种问诊技巧推荐方法,其特征在于,包括:
获取目标用户提问信息及其对应的至少一个相似问题信息;
确定所述相似问题信息对应的多个医生问诊特征;
将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,并将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生。
2.根据权利要求1所述的问诊技巧推荐方法,其特征在于,还包括:
根据历史问诊日志生成多个训练样本,其中,所述历史问诊日志中包含有针对各个历史用户提问信息的医生问诊信息对应的多个医生问诊特征,以及,各个所述医生问诊特征分别对应的问诊技巧标签;
应用所述训练样本集对所述分类模型进行训练。
3.根据权利要求2所述的问诊技巧推荐方法,其特征在于,在所述根据历史问诊日志生成多个训练样本之前,还包括:
应用预设规则在预设的医生数据库中选取多个优质医生;
获取各个所述优质医生针对各个历史用户提问信息提出的医生问诊信息;
对各个所述医生问诊信息分别进行特征提取,得到各个所述医生问诊信息分别对应的多个医生问诊特征;
根据各个所述历史用户提问信息、针对各个历史用户提问信息的医生问诊信息对应的多个医生问诊特征,以及,预设获取的各个所述医生问诊特征分别对应的问诊技巧标签,生成历史问诊日志。
4.根据权利要求3所述的问诊技巧推荐方法,其特征在于,所述应用预设规则在预设的医生数据库中选取多个优质医生,包括:
自所述医生数据库中,筛除已接收且未解答历史用户提问信息数量大于第一预设值的医生对应的医生信息,和/或;
自所述医生数据库中,筛除处于预设黑名单中的医生。
5.根据权利要求3所述的问诊技巧推荐方法,其特征在于,所述应用预设规则在预设的医生数据库中选取多个优质医生,包括:
在所述医生数据库中,选取所在医院排名位于预设值前和/或所属科室排名位于预设值前的医生;
以及,在所在医院排名位于预设值前和/或所属科室排名位于预设值前的医生中,进一步选取预设专业度和好评率均符合各自对应的预设要求的医生作为优质医生。
6.根据权利要求3所述的问诊技巧推荐方法,其特征在于,在所述获取各个所述优质医生针对各个历史用户提问信息提出的医生问诊信息之后,还包括:
对所述医生问诊信息进行过滤,筛除不符合过滤条件的所述医生问诊信息;
其中,所述过滤条件包括:所述医生问诊信息的评价等级高于中级,和/或,所述医生问诊信息对应的所述优质医生与历史用户的交互次数大于预设值。
7.根据权利要求3所述的问诊技巧推荐方法,其特征在于,在所述生成历史问诊日志之前,还包括:
应用预设的语法规则和/或行为规则,将各个所述医生问诊特征分别与预设的各个问诊技巧标签进行对应,得到各个所述医生问诊特征分别对应的问诊技巧标签。
8.根据权利要求1所述的问诊技巧推荐方法,其特征在于,所述获取目标用户提问信息及其对应的至少一个相似问题信息,包括:
接收目标用户提问信息;
对所述目标用户提问信息进行特征提取,得到所述目标用户提问信息对应的至少一个问题特征;
以及,根据所述目标用户提问信息对应的所述问题特征在预设的问题特征数据库中查找与所述目标用户提问信息对应的至少一个相似问题信息,其中,所述问题特征数据库用于存储所述问题特征与所述相似问题信息之间的对应关系。
9.根据权利要求1所述的问诊技巧推荐方法,其特征在于,所述确定所述相似问题信息对应的多个医生问诊特征,包括:
获取各个所述相似问题信息对应的医生问诊信息;
对各个所述医生问诊信息分别进行特征提取,得到各个所述医生问诊信息分别对应的多个医生问诊特征。
10.根据权利要求1所述的问诊技巧推荐方法,其特征在于,所述将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,包括:
生成问诊技巧推荐列表,其中,所述问诊技巧推荐列表中存储有各个所述相似问题信息、医生问诊信息与问诊技巧标签之间的对应关系;
将所述问诊技巧推荐列表发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生,使得该目标医生根据所述问诊技巧推荐列表向所述目标用户进行问诊,以实现在线辅诊。
11.根据权利要求10所述的问诊技巧推荐方法,其特征在于,所述生成问诊技巧推荐列表,包括:
根据各个所述相似问题信息分别对应的医生问诊信息的评价等级,和/或,各个所述相似问题信息分别对应的医生问诊信息的问诊技巧标签的个数,对所述相似问题信息进行筛选;
基于筛选后的所述相似问题信息生成所述问诊技巧推荐列表。
12.根据权利要求1所述的问诊技巧推荐方法,其特征在于,所述目标用户提问信息包括:疾病描述信息和/或症状描述信息。
13.根据权利要求12所述的问诊技巧推荐方法,其特征在于,所述目标用户提问信息还包括:用户性别信息、用户年龄信息、疾病所属科室信息、问题来源标识、问题文本长度信息、问题创建时间信息及问题创建区域信息中的任一项或任意组合。
14.一种问诊技巧推荐装置,其特征在于,包括:
信息获取模块,用于获取目标用户提问信息及其对应的至少一个相似问题信息;
医生问诊特征确定模块,用于确定所述相似问题信息对应的多个医生问诊特征;
问诊技巧推荐模块,用于将各个所述医生问诊特征分别作为预测样本依次输入预设的分类模型,并将所述相似问题信息以及所述分类模型输出的各个所述相似问题信息的问诊技巧标签,均发送至针对所述目标用户提问信息向目标用户进行问诊的目标医生。
15.一种在线辅诊***,其特征在于,包括:用户终端、医生终端以及如权利要求14所述的问诊技巧推荐装置;
所述用户终端,用于向所述问诊技巧推荐装置发送目标用户提问信息,以及,接收并显示所述医生终端发送的针对所述目标用户提问信息的问诊信息;
所述医生终端,用于接收所述问诊技巧推荐装置发送的所述相似问题信息以及各个所述相似问题信息的问诊技巧标签,使得目标医生针对所述目标用户提问信息进行问诊,以实现在线辅诊。
16.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至13任一项所述问诊技巧推荐方法的步骤。
17.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至13任一项所述的问诊技巧推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285079.1A CN109599176B (zh) | 2018-10-31 | 2018-10-31 | 问诊技巧推荐方法及装置、在线辅诊*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285079.1A CN109599176B (zh) | 2018-10-31 | 2018-10-31 | 问诊技巧推荐方法及装置、在线辅诊*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109599176A true CN109599176A (zh) | 2019-04-09 |
CN109599176B CN109599176B (zh) | 2021-06-25 |
Family
ID=65958474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811285079.1A Active CN109599176B (zh) | 2018-10-31 | 2018-10-31 | 问诊技巧推荐方法及装置、在线辅诊*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109599176B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814909A (zh) * | 2020-08-06 | 2020-10-23 | 蔡淦祺 | 基于网络直播和在线电商带货的信息处理方法及云服务器 |
CN111833678A (zh) * | 2020-06-03 | 2020-10-27 | 四川大学华西医院 | 问诊教学方法、装置及设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036152A (zh) * | 2014-07-01 | 2014-09-10 | 彩带网络科技(北京)有限公司 | 一种建立问诊通道的方法及装置 |
CN105608091A (zh) * | 2014-11-21 | 2016-05-25 | ***通信集团公司 | 一种动态医疗知识库的构建方法及装置 |
CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及*** |
CN106980652A (zh) * | 2017-03-03 | 2017-07-25 | 竹间智能科技(上海)有限公司 | 智能问答方法及*** |
CN107358052A (zh) * | 2017-07-18 | 2017-11-17 | 广州有宠网络科技股份有限公司 | 一种对宠物疾病进行人工智能问诊的***及方法 |
CN107767317A (zh) * | 2017-10-18 | 2018-03-06 | 杭州三盛绿域科技有限公司 | 一种签医在线问诊*** |
US20180288230A1 (en) * | 2017-03-29 | 2018-10-04 | International Business Machines Corporation | Intention detection and handling of incoming calls |
-
2018
- 2018-10-31 CN CN201811285079.1A patent/CN109599176B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036152A (zh) * | 2014-07-01 | 2014-09-10 | 彩带网络科技(北京)有限公司 | 一种建立问诊通道的方法及装置 |
CN105608091A (zh) * | 2014-11-21 | 2016-05-25 | ***通信集团公司 | 一种动态医疗知识库的构建方法及装置 |
CN106778042A (zh) * | 2017-01-26 | 2017-05-31 | 中电科软件信息服务有限公司 | 心脑血管患者相似性分析方法及*** |
CN106980652A (zh) * | 2017-03-03 | 2017-07-25 | 竹间智能科技(上海)有限公司 | 智能问答方法及*** |
US20180288230A1 (en) * | 2017-03-29 | 2018-10-04 | International Business Machines Corporation | Intention detection and handling of incoming calls |
CN107358052A (zh) * | 2017-07-18 | 2017-11-17 | 广州有宠网络科技股份有限公司 | 一种对宠物疾病进行人工智能问诊的***及方法 |
CN107767317A (zh) * | 2017-10-18 | 2018-03-06 | 杭州三盛绿域科技有限公司 | 一种签医在线问诊*** |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833678A (zh) * | 2020-06-03 | 2020-10-27 | 四川大学华西医院 | 问诊教学方法、装置及设备 |
CN111814909A (zh) * | 2020-08-06 | 2020-10-23 | 蔡淦祺 | 基于网络直播和在线电商带货的信息处理方法及云服务器 |
CN111814909B (zh) * | 2020-08-06 | 2021-07-06 | 广州蜜妆信息科技有限公司 | 基于网络直播和在线电商带货的信息处理方法及云服务器 |
Also Published As
Publication number | Publication date |
---|---|
CN109599176B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11748555B2 (en) | Systems and methods for machine content generation | |
Bawack et al. | Artificial intelligence in E-Commerce: a bibliometric study and literature review | |
Kueper et al. | Artificial intelligence and primary care research: a scoping review | |
Todd et al. | Environments that make us smart: Ecological rationality | |
Kim et al. | Identifying and prioritizing critical factors for promoting the implementation and usage of big data in healthcare | |
US20230252224A1 (en) | Systems and methods for machine content generation | |
Knorr-Cetina | Scientific communities or transepistemic arenas of research? A critique of quasi-economic models of science | |
Hamwey et al. | Mapping green product spaces of nations | |
CN110532451A (zh) | 针对政策文本的检索方法和装置、存储介质、电子装置 | |
CN109637651A (zh) | 多医生推荐方法及装置、在线会诊*** | |
Liu et al. | Identification of key factors in consumers’ adoption behavior of intelligent medical terminals based on a hybrid modified MADM model for product improvement | |
Chen et al. | Comments on systematic methodologies of action research in the new millennium: A review of publications 2000–2014 | |
Fan et al. | Interactive reinforcement learning for feature selection with decision tree in the loop | |
CN106959971A (zh) | 用户行为数据的处理方法及装置 | |
CN109213802A (zh) | 用户画像构建方法、装置、终端和计算机可读存储介质 | |
Wang et al. | National happiness index monitoring using Twitter for bilanguages | |
Rai et al. | Darwin: convolutional neural network based intelligent health assistant | |
Zhao et al. | Mining affective words to capture customer’s affective response to apparel products | |
CN109599176A (zh) | 问诊技巧推荐方法及装置、在线辅诊*** | |
Poluru et al. | Applications of Domain-Specific Predictive Analytics Applied to Big Data | |
KR102353584B1 (ko) | 입시 컨설팅 자동 관리 시스템 | |
Bouter et al. | ProtoExplorer: Interpretable forensic analysis of deepfake videos using prototype exploration and refinement | |
Nilashi et al. | The nexus between quality of customer relationship management systems and customers' satisfaction: Evidence from online customers’ reviews | |
CN109146606A (zh) | 一种品牌推荐方法、电子设备、存储介质及*** | |
Meskarpour-Amiri et al. | Designing a model for patient relationship management in the general hospitals using the combination of analytic hierarchy process and interpretive structural modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |