[发明专利]模型训练及调用方法、装置、计算机设备、存储介质

说明书

本申请涉及医疗大数据领域，提供一种指针网络模型训练及调用方法、装置、计算机设备、存储介质，方法包括：对样本语句进行至少一类标签标注，生成样本数据；将样本数据输入指针网络模型，预测样本数据的每个字符对应每类标签的多个位置的概率；计算指针网络模型的损失函数值；对指针网络模型进行迭代优化，并返回执行将样本数据集中的样本数据输入指针网络模型，预测样本数据的每个字符对应每类标签的多个位置的概率的步骤，直至基于损失函数值确定损失函数收敛，获得训练好的指针网络模型，实现生成全面精准的症状标准表述语句。本申请还涉及区块链技术，样本数据集可以存储在区块链节点中。

技术领域

本申请涉及医疗大数据技术领域，尤其涉及一种模型训练及调用方法、装置、计算机设备、存储介质。

背景技术

随着深度学习技术的快速发展，基于深度学习模型的症状信息抽取方法应运而生，通过模型从症状的描述语句中抽取出症状信息，从而生成症状标准表述语句，能够在疾病预测、辅助诊疗、用药推荐等下游任务中起到关键作用。不过，由于病人对症状的描述通常口语化且多样，而且，病人对症状的描述中一般包含对症状类型的描述、对症状程度的描述、对症状频率的描述等多种信息，而目前基于模型每次只能抽取单个标签对应的症状信息，也即每次只能获得症状类型/症状程度/症状频率信息等各种信息中的一种，使得无法获得全面精准的症状标准表述语句。

因此，如何实现生成全面精准的症状标准表述语句是亟待解决的问题。

发明内容

本申请提供了一种模型训练及调用方法、装置、计算机设备、存储介质，实现生成全面精准的症状标准表述语句。

第一方面，本申请提供了一种指针网络模型训练方法，所述方法包括：

对样本语句集合中的每个样本语句进行至少一类标签标注，生成样本数据集；

将所述样本数据集中的样本数据输入指针网络模型，预测所述样本数据的每个字符对应每类标签的多个位置的概率；

从预测的多个概率中确定每类标签的每个位置的最高概率，并根据每类标签的每个位置的所述最高概率，计算所述指针网络模型的损失函数值；

对所述指针网络模型进行迭代优化，并返回执行所述将所述样本数据集中的样本数据输入指针网络模型，预测所述样本数据的每个字符对应每类标签的多个位置的概率的步骤，直至基于计算得到的所述损失函数值确定所述指针网络模型收敛，获得训练好的所述指针网络模型。

第二方面，本申请还提供了一种指针网络模型调用方法，所述指针网络模型为采用上述的指针网络模型训练方法训练得到的指针网络模型，所述指针网络模型调用方法包括：

获取待处理的症状描述语句；

将所述症状描述语句输入所述指针网络模型，预测所述症状描述语句的每个字符对应每类标签的多个位置的概率；

根据每类标签的起始位置的最高概率对应的第一字符、以及每类标签的结束位置的最高概率对应的第二字符，从所述症状描述语句中提取出以所述第一字符开始至所述第二字符结束的字符段；

根据每类标签对应的所述字符段，确定所述症状描述语句对应每类标签的症状信息，以基于所述症状信息，生成症状标准表述语句。

第三方面，本申请还提供了一种指针网络模型训练装置，所述指针网络模型训练装置包括：

标签标注模块，用于对样本语句集合中的每个样本语句进行至少一类标签标注，生成样本数据集；

训练模块，用于将所述样本数据集中的样本数据输入指针网络模型，预测所述样本数据的每个字符对应每类标签的多个位置的概率；

计算模块，用于从预测的多个概率中确定每类标签的每个位置的最高概率，并根据每类标签的每个位置的所述最高概率，计算所述指针网络模型的损失函数值；