如何解決聊天機(jī)器人中用戶就醫(yī)意圖識(shí)別方法

　　傳統(tǒng)的聊天機(jī)器人中用戶意圖識(shí)別一般采用基于模板匹配或人工特征集合等方法，針對(duì)其費(fèi)時(shí)費(fèi)力而且擴(kuò)展性不強(qiáng)的問(wèn)題，并結(jié)合醫(yī)療領(lǐng)域聊天文本的特點(diǎn)，提出了基于短文本主題模型（ BTM）和雙向門控循環(huán)單元（ BiGRU）的意圖識(shí)別模型。該混合模型將用戶就醫(yī)意圖識(shí)別看作分類問(wèn)題，使用主題特征，首先通過(guò)BTM對(duì)用戶聊天文本逐句進(jìn)行主題挖掘并量化，然后送入BiGRU進(jìn)行完整上下文學(xué)習(xí)得到連續(xù)語(yǔ)句最終表示，最后通過(guò)分類完成用戶就醫(yī)意圖識(shí)別。對(duì)爬取的語(yǔ)料進(jìn)行實(shí)驗(yàn)，BTM-BiGRU方法明顯優(yōu)于傳統(tǒng)的支持向量機(jī)（SVM）等方法，其F值更是高出目前較好的卷積長(zhǎng)短期記憶組合神經(jīng)網(wǎng)絡(luò)（ CNN-LSTM）近1.5個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果表明，在本任務(wù)上該混合模型重點(diǎn)考慮研究對(duì)象的特點(diǎn)，能有效提高意圖識(shí)別的準(zhǔn)確率。

　　近年來(lái)，人工智能發(fā)展迅猛，逐漸融人各個(gè)領(lǐng)域，其中在醫(yī)療領(lǐng)域的應(yīng)用正引起學(xué)術(shù)界和工業(yè)界廣泛關(guān)注。不少在線醫(yī)療平臺(tái)開始使用聊天機(jī)器人來(lái)提供健康咨詢服務(wù)，這時(shí)聊天機(jī)器人不僅充當(dāng)客服角色，更多起到一個(gè)健康咨詢師的作用。在和“健康咨詢師”聊天過(guò)程中，用戶會(huì)產(chǎn)生大量數(shù)據(jù)，不僅包含其健康信息，還包含其他相關(guān)信息。如果能夠利用這些信息提前判斷出用戶就醫(yī)傾向，則可以為下一步給用戶提出合理治療建議以及推薦相應(yīng)科室作好準(zhǔn)備。