[发明专利]会话结束的预测方法、装置、设备及存储介质

权利要求书

1.一种中医问诊会话结束的预测方法，其特征在于，所述预测方法包括：

获取当前对话信息以及历史对话信息，其中所述当前对话信息包括问诊图像信息，所述历史对话信息包括多个问诊会话语句；

利用深度学习网络对所述问诊图像信息以及所述多个问诊会话语句进行特征提取，得到对应的第一特征向量信息以及第二特征向量信息；

将所述第一特征向量信息以及第二特征向量信息进行特征融合，得到目标特征向量信息；

将所述目标特征向量信息输入至预先训练的会话结束预测模型，得到会话结束的预测概率。

2.根据权利要求1所述的预测方法，其特征在于，所述获取当前对话信息以及历史对话信息之后，还包括:

从所述历史对话信息中提取问诊会话正样本以及问诊会话负样本，其中，所述问诊会话正样本包括完整的问诊会话语句，所述问诊会话负样本为随机截取的问诊会话语句；

将所述问诊会话正样本以及所述问诊会话负样本作为训练数据输入至深度学习网络，训练得到会话结束预测模型。

3.根据权利要求2所述的预测方法，其特征在于，所述将所述问诊会话正样本以及所述问诊会话负样本作为训练数据输入至深度学习网络之前，还包括：

分别对所述问诊会话正样本和所述问诊会话负样本进行分词处理，获得所述问诊会话正样本的词特征和所述问诊会话负样本的词特征；

根据所述问诊会话正样本的词特征生成所述问诊会话正样本的第三特征向量信息，以及根据所述问诊会话负样本的词特征生成所述问诊会话负样本的第四特征向量信息；

所述将所述问诊会话正样本以及所述问诊会话负样本作为训练数据输入至深度学习网络，训练得到会话结束预测模型，包括：

将所述第三特征向量信息和所述第四特征向量信息作为所述训练数据输入至深度学习网络，训练得到会话结束预测模型。

4.根据权利要求1所述的预测方法，其特征在于，所述利用深度学习网络对所述多个问诊会话语句进行特征提取，得到对应的第二特征向量信息，包括

将所述多个问诊会话语句按照第一预设规则进行拼接，得到拼接序列信息；

将所述拼接序列信息输入至所述深度学习网络，并利用所述深度学习网络对所述拼接序列信息进行特征提取，得到所述第二特征向量信息。

5.根据权利要求1所述的预测方法，其特征在于，所述将所述第一特征向量信息以及第二特征向量信息进行融合，得到目标特征向量信息，包括：

将所述第一特征向量信息、所述第二特征向量信息按照第二预设规则进行拼接，得到拼接向量信息；

将所述拼接向量信息、所述第一特征向量信息以及所述第二特征向量信息输入进行特征融合，得到所述目标特征向量信息。

6.根据权利要求5所述的预测方法，其特征在于，所述第二预设规则至少包括对应位点乘规则、对应位做差规则。

7.根据权利要求1所述的预测方法，其特征在于，所述将所述目标特征向量信息输入至预先训练的会话结束预测模型，得到会话结束的预测概率之后，包括：

判断所述会话结束的预测概率是否高于预设阈值；

若所述会话结束的预测概率高于所述预设阈值，则结束会话。

8.一种中医问诊会话结束的预测装置，其特征在于，所述预测装置包括：

获取模块，所述获取模块用于获取当前对话信息以及历史对话信息，其中所述当前对话信息包括问诊图像信息，所述历史对话信息包括多个问诊会话语句；

特征提取模块，所述特征提取模块用于利用深度学习网络对所述问诊图像信息以及所述多个问诊会话语句进行特征提取，得到对应的第一特征向量信息以及第二特征向量信息；

特征融合模块，所述特征融合模块用于将所述第一特征向量信息以及第二特征向量信息进行特征融合，得到目标特征向量信息；

预测模块，所述预测模块用于将所述目标特征向量信息输入至预先训练的会话结束预测模型，得到会话结束的预测概率。