[发明专利]症状识别方法、装置、电子设备及存储介质在审

专利信息
申请号: 202210307404.X 申请日: 2022-03-25
公开(公告)号: CN114676682A 公开(公告)日: 2022-06-28
发明(设计)人: 张世伟;孙继超;丁雪琪;郑冶枫 申请(专利权)人: 腾讯科技(深圳)有限公司
主分类号: G06F40/226 分类号: G06F40/226;G06F40/194;G06K9/62;G06N3/04;G06N3/08;G16H50/20
代理公司: 北京三高永信知识产权代理有限责任公司 11138 代理人: 李文静
地址: 518057 广东省深圳*** 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: 症状 识别 方法 装置 电子设备 存储 介质
【权利要求书】:

1.一种症状识别方法,其特征在于,所述方法包括:

基于语料文本、正症状文本和第一负症状文本,训练症状识别模型,所述正症状文本是与所述语料文本匹配的症状文本,所述第一负症状文本是与所述语料文本不匹配的症状文本;

调用所述症状识别模型,确定所述语料文本与多个预设症状文本之间的相似度,所述症状识别模型对应的相似度区间包括第一区间和第二区间,所述第一区间的相似度大于所述第二区间的相似度;

将属于所述第二区间的至少一个相似度中最大的相似度对应的预设症状文本,确定为所述语料文本对应的第二负症状文本;

基于所述语料文本、所述正症状文本、所述第一负症状文本和所述第二负症状文本,训练所述症状识别模型。

2.根据权利要求1所述的方法,其特征在于,所述基于所述语料文本、所述正症状文本、所述第一负症状文本和所述第二负症状文本,训练所述症状识别模型,包括:

调用所述症状识别模型,确定所述语料文本分别与所述正症状文本、所述第一负症状文本和所述第二负症状文本之间的相似度;

基于所确定的相似度确定损失值,基于所述损失值,训练所述症状识别模型。

3.根据权利要求2所述的方法,其特征在于,所述调用所述症状识别模型,确定所述语料文本分别与所述正症状文本、所述第一负症状文本和所述第二负症状文本之间的相似度,包括:

调用所述症状识别模型,对所述语料文本、所述正症状文本、所述第一负症状文本和所述第二负症状文本进行特征提取,得到语料文本特征、正症状文本特征、第一负症状文本特征和第二负症状文本特征;

确定所述语料文本特征分别与所述正症状文本特征、所述第一负症状文本特征和所述第二负症状文本特征之间的相似度。

4.根据权利要求1所述的方法,其特征在于,所述调用所述症状识别模型,确定所述语料文本与多个预设症状文本之间的相似度之后,所述方法还包括:

确定验证语料文本、验证症状文本和验证标签,所述验证标签为第一验证标签或第二验证标签,所述第一验证标签表示所述验证症状文本是所述验证语料文本匹配的症状文本,所述第二验证标签表示所述验证症状文本是所述验证语料文本不匹配的症状文本,且所述第一验证标签与所述第一区间对应,所述第二验证标签与所述第二区间对应;

调用所述症状识别模型,确定所述验证语料文本与所述验证症状文本之间的相似度;

根据所述相似度是否属于所述验证标签对应的区间,确定所述症状识别模型的精确度;

所述将属于所述第二区间的至少一个相似度中最大的相似度对应的预设症状文本,确定为所述语料文本对应的第二负症状文本,包括:

在所述精确度不小于预设精确度的情况下,将属于所述第二区间的至少一个相似度中最大的相似度对应的预设症状文本,确定为所述语料文本对应的第二负症状文本。

5.根据权利要求4所述的方法,其特征在于,所述方法还包括:

在所述精确度小于所述预设精确度的情况下,调整所述第一区间和所述第二区间,根据所述相似度是否属于所述验证标签对应的区间,确定所述症状识别模型的精确度,直至所述精确度不小于所述预设精确度。

6.根据权利要求1所述的方法,其特征在于,所述基于语料文本、正症状文本和第一负症状文本,训练症状识别模型之前,所述方法还包括:

获取多个语料文本集合,每个所述语料文本集合包括多个语料文本,且每个所述语料文本集合包括的语料文本的数量相等;

对于每个所述语料文本,将所述语料文本集合中除所述语料文本之外的其他语料文本对应的正症状文本,确定为所述语料文本对应的第一负症状文本。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

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腾讯科技(深圳)有限公司,未经腾讯科技(深圳)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/202210307404.X/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top