线上问诊方法、装置、设备及存储介质与流程

1.本发明涉及人工智能领域，尤其涉及一种线上问诊方法、装置、设备及存储介质。


背景技术：

2.近年来医疗行业前沿的发展方向，基于互联网的智慧医疗技术在日常医疗实践中的应用，已经逐步被大众以及业界所接受，也成为缓解我国医疗资源紧张、供需配置不均衡尴尬局面的有效途径之一。然而，目前线上问诊仍大量基于人工导诊和标注，人力成本巨大。此外，在线误诊率一直是互联网医疗问诊中的一个难题。
3.现有的传动自动问诊流程一般是通过提前预设的问诊流程图提出预设问题，这种方式会通过模版依次抛出预设好的问诊问题(即节点)，却忽略了用户在各节点的选择，导致预设的医学模板下的问诊路径往往涵盖重复节点及无关选项，这些无关选项会严重降低问诊效率，即现有方案的效率低。


技术实现要素：

4.本发明提供了一种线上问诊方法、装置、设备及存储介质，用于提高线上问诊的效率。
5.本发明第一方面提供了一种线上问诊方法，所述线上问诊方法包括：通过预置的诊疗路径模型获取线上用户对应的诊疗行为数据，并根据所述诊疗行为数据构建诊疗路径数据库；从所述诊疗路径数据库中提取所述诊疗行为数据，对所述诊疗行为数据进行标准化处理，得到标准诊疗行为数据，并对所述标准诊疗行为数据进行编码处理，得到编码数据；按照预置的时序序列并根据所述编码数据生成时序序列，得到输入序列，并对所述输入序列进行向量转换，得到输入隐藏向量；将所述输入隐藏向量输入预置的诊断数据处理模型中进行疾病数据处理，得到预测概率，其中，所述诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；根据所述预测概率生成所述线上用户对应的问诊结果。
6.可选的，在本发明第一方面的第一种实现方式中，所述通过预置的诊疗路径模型获取线上用户对应的诊疗行为数据，并根据所述诊疗行为数据构建诊疗路径数据库，包括：通过预置的诊疗路径模型匹配与所述线上用户对应的问诊路径，得到问诊路径；提取所述问诊路径中的问题节点和选项节点，并获取所述问题节点对应的问题数据和所述选项节点对应的选项数据；通过预置的爬虫爬取所述线上用户对应的基础信息和主诉信息；将所述问题数据、所述选项数据、所述基础信息和所述主诉信息作为所述线上用户对应的诊疗行为数据，并将所述诊疗行为数据存储至预置的数据库，得到诊疗路径数据库。
7.可选的，在本发明第一方面的第二种实现方式中，所述从所述诊疗路径数据库中提取所述诊疗行为数据，对所述诊疗行为数据进行标准化处理，得到标准诊疗行为数据，并对所述标准诊疗行为数据进行编码处理，得到编码数据，包括：从所述诊疗路径数据库中提取所述诊疗行为数据；通过预置的数据仓库工具对所述诊疗行为数据进行数据清洗，得到数据清洗后的诊疗行为数据；调用预置的函数对所述数据清洗后的诊疗行为数据进行归一
处理，得到标准诊疗行为数据；分别提取所述标准行为数据中的问题数据和选项数据，得到目标问题数据和目标选项数据；通过预置的自然语言处理模型对所述目标问题数据和所述目标选项数据进行归一化编码处理，得到编码数据。
8.可选的，在本发明第一方面的第三种实现方式中，所述通过预置的自然语言处理模型对所述目标问题数据和所述目标选项数据进行归一化编码处理，得到编码数据，包括：通过预置的自然语言处理模型对所述目标问题数据和所述目标选项数据进行文本识别，得到问题文本数据和选项文本数据；提取所述问题文本数据中的相同问题，并将所述问题文本数据中的相同问题编码为一个问题，得到处理后的问题文本数据，以及提取所述选项文本数据中的相同问题，并将所述选项文本数据中的相同选项编码为一个选项，得到处理后的选项文本数据；对所述处理后的问题文本数据和所述处理后的选项文本数据进行统一编码处理，得到编码数据。
9.可选的，在本发明第一方面的第四种实现方式中，所述按照预置的时序序列并根据所述编码数据生成时序序列，得到输入序列，并对所述输入序列进行向量转换，得到输入隐藏向量，包括：提取所述编码数据中的多个问题，并提取所述编码数据中的多个选项；对所述每个问题匹配与所述每个问题对应的选项，得到每个问题对应的问题选项对；按照预置的时序序列对所述问题选项对进行排序，得到输入序列；对所述输入序列进行隐式向量编码处理，得到输入隐藏向量。
10.可选的，在本发明第一方面的第五种实现方式中，所述将所述输入隐藏向量输入预置的诊断数据处理模型中进行疾病数据处理，得到预测概率，其中，所述诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层，包括：将所述输入隐藏向量输入预置的诊断数据处理模型中，其中，所述诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；通过所述输入层对所述输入隐藏向量进行独热向量编码，得到初始向量；通过所述双层前馈神经网络对所述初始向量进行多层叠加计算，得到特征向量；通过所述嵌入层对所述特征向量进行标准化处理，得到标准向量；通过所述输出层对所述标准向量进行概率计算，得到预测概率。
11.可选的，在本发明第一方面的第六种实现方式中，所述根据所述预测概率生成所述线上用户对应的问诊结果，包括：基于所述预测概率匹配与所述线上用户对应的疾病类型，得到所述线上用户对应的疾病类型；基于所述疾病类型从预置的候选医生库中查询所述线上用户对应的医生；将所述疾病类型和所述医生作为问诊结果。
12.本发明第二方面提供了一种线上问诊装置，所述线上问诊装置包括：获取模块，用于通过预置的诊疗路径模型获取线上用户对应的诊疗行为数据，并根据所述诊疗行为数据构建诊疗路径数据库；处理模块，用于从所述诊疗路径数据库中提取所述诊疗行为数据，对所述诊疗行为数据进行标准化处理，得到标准诊疗行为数据，并对所述标准诊疗行为数据进行编码处理，得到编码数据；转换模块，用于按照预置的时序序列并根据所述编码数据生成时序序列，得到输入序列，并对所述输入序列进行向量转换，得到输入隐藏向量；预测模块，用于将所述输入隐藏向量输入预置的诊断数据处理模型中进行疾病数据处理，得到预测概率，其中，所述诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；生成模块，用于根据所述预测概率生成所述线上用户对应的问诊结果。
13.可选的，在本发明第二方面的第一种实现方式中，所述获取模块具体用于：通过预
置的诊疗路径模型匹配与所述线上用户对应的问诊路径，得到问诊路径；提取所述问诊路径中的问题节点和选项节点，并获取所述问题节点对应的问题数据和所述选项节点对应的选项数据；通过预置的爬虫爬取所述线上用户对应的基础信息和主诉信息；将所述问题数据、所述选项数据、所述基础信息和所述主诉信息作为所述线上用户对应的诊疗行为数据，并将所述诊疗行为数据存储至预置的数据库，得到诊疗路径数据库。
14.可选的，在本发明第二方面的第二种实现方式中，所述处理模块还包括：提取单元，用于从所述诊疗路径数据库中提取所述诊疗行为数据；清洗单元，用于通过预置的数据仓库工具对所述诊疗行为数据进行数据清洗，得到数据清洗后的诊疗行为数据；处理单元，用于调用预置的函数对所述数据清洗后的诊疗行为数据进行归一处理，得到标准诊疗行为数据；配置单元，用于分别提取所述标准行为数据中的问题数据和选项数据，得到目标问题数据和目标选项数据；编码单元，用于通过预置的自然语言处理模型对所述目标问题数据和所述目标选项数据进行归一化编码处理，得到编码数据。
15.可选的，在本发明第二方面的第三种实现方式中，所述编码单元具体用于：通过预置的自然语言处理模型对所述目标问题数据和所述目标选项数据进行文本识别，得到问题文本数据和选项文本数据；提取所述问题文本数据中的相同问题，并将所述问题文本数据中的相同问题编码为一个问题，得到处理后的问题文本数据，以及提取所述选项文本数据中的相同问题，并将所述选项文本数据中的相同选项编码为一个选项，得到处理后的选项文本数据；对所述处理后的问题文本数据和所述处理后的选项文本数据进行统一编码处理，得到编码数据。
16.可选的，在本发明第二方面的第四种实现方式中，所述转换模块具体用于：提取所述编码数据中的多个问题，并提取所述编码数据中的多个选项；对所述每个问题匹配与所述每个问题对应的选项，得到每个问题对应的问题选项对；按照预置的时序序列对所述问题选项对进行排序，得到输入序列；对所述输入序列进行隐式向量编码处理，得到输入隐藏向量。
17.可选的，在本发明第二方面的第五种实现方式中，所述预测模块具体用于：将所述输入隐藏向量输入预置的诊断数据处理模型中，其中，所述诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；通过所述输入层对所述输入隐藏向量进行独热向量编码，得到初始向量；通过所述双层前馈神经网络对所述初始向量进行多层叠加计算，得到特征向量；通过所述嵌入层对所述特征向量进行标准化处理，得到标准向量；通过所述输出层对所述标准向量进行概率计算，得到预测概率。
18.可选的，在本发明第二方面的第六种实现方式中，所述生成模块具体用于：基于所述预测概率匹配与所述线上用户对应的疾病类型，得到所述线上用户对应的疾病类型；基于所述疾病类型从预置的候选医生库中查询所述线上用户对应的医生；将所述疾病类型和所述医生作为问诊结果。
19.本发明第三方面提供了一种线上问诊设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述线上问诊设备执行上述的线上问诊方法。
20.本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的线上问诊方法。
21.本发明提供的技术方案中，通过预置的诊疗路径模型获取线上用户对应的诊疗行为数据，并根据诊疗行为数据构建诊疗路径数据库；从诊疗路径数据库中提取诊疗行为数据，对诊疗行为数据进行标准化处理，得到标准诊疗行为数据，并对标准诊疗行为数据进行编码处理，得到编码数据；按照预置的时序序列并根据编码数据生成时序序列，得到输入序列，并对输入序列进行向量转换，得到输入隐藏向量；将输入隐藏向量输入预置的诊断数据处理模型中进行疾病数据处理，得到预测概率，其中，诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；根据预测概率生成线上用户对应的问诊结果。本发明通过融合机器学习与神经网络并通过时间序列预测模型将用户问诊路径作为用户诊疗数据的获取路径，提升了线上问诊的效率。
附图说明
22.图1为本发明实施例中线上问诊方法的一个实施例示意图；
23.图2为本发明实施例中线上问诊方法的另一个实施例示意图；
24.图3为本发明实施例中线上问诊装置的一个实施例示意图；
25.图4为本发明实施例中线上问诊装置的另一个实施例示意图；
26.图5为本发明实施例中线上问诊设备的一个实施例示意图。
具体实施方式
27.本发明实施例提供了一种线上问诊方法、装置、设备及存储介质，用于提高线上问诊的效率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
28.为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中线上问诊方法的第一个实施例包括：
29.101、通过预置的诊疗路径模型获取线上用户对应的诊疗行为数据，并根据诊疗行为数据构建诊疗路径数据库；
30.需要说明的是，线上用户会通过预设的诊疗路径模型，存储大量线上真实用户诊疗行为数据。医学诊疗路径是通过历史经验和相关医学知识人工总结的问诊路径，针对常用病征形成一簇技能树，包含问题节点、选项节点、路径依赖诊断，多簇技能树集合形成一套完整诊疗路径方案。所以，用户行为数据会包含在其中一条诊疗路径上回答问题序列，对应回答选项序列，用户基础信息描述和用户基础主诉描述。
31.可以理解的是，本发明的执行主体可以为线上问诊装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智
能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
32.102、从诊疗路径数据库中提取诊疗行为数据，对诊疗行为数据进行标准化处理，得到标准诊疗行为数据，并对标准诊疗行为数据进行编码处理，得到编码数据；
33.具体的，服务器对诊疗路径数据库标准化、特征化、知识化，服务器通过搭建分布式大数据处理平台进行标准化处理，其中，搭建大数据平台可选方案为分布式数据仓库hive和自定义函数udf进行数据清洗，归一，归并等操作。需要说明的是，相同或类似问题节点，选项节点分布于不同技能树中，服务器通过自然语言处理模型将问题选项进行归一化编码，如“请问您今年多大？”，“请问您今年年龄？”两个问题可统一编码为一个问题，固定选项“三十六岁”，“36岁”可统一编码为一个选项。每条用户行为数据可整理为，统一编码问题序列，统一编码选项序列，统一编码诊断信息和其他个人基础信息和病征描述。
34.103、按照预置的时序序列并根据编码数据生成时序序列，得到输入序列，并对输入序列进行向量转换，得到输入隐藏向量；
35.具体的，服务器通过深度学习模型特征规模化处理，诊疗路径数据库可转化为深度学习模型所需的预测数据，模型输入为[用户基础信息(年龄，性别，病症)，[问题1、选项1]、[问题2、选项2]、
…
、[问题n、选项n]]，模型输出为[问题n，选项n，诊断n]。因实际用户行为中，不同技能树和诊断结果频率差异较大，实际操作会采用上采样、下采样的方式进行样本平衡，因此，服务器按照预置的时序序列并根据编码数据生成时序序列，得到输入序列，并对输入序列进行向量转换，得到输入隐藏向量。
[0036]
104、将输入隐藏向量输入预置的诊断数据处理模型中进行疾病数据处理，得到预测概率，其中，诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；
[0037]
具体的，服务器预置的诊断数据处理模型可以为预训练神经网络transformer模型为蓝本，开发时间序列预测模型，服务器令用户回答问题q与选项c序列为：s
qc
＝[q1c1；q2c2；
…
；q
ncn
]，代表用户选择诊疗路径行为按时序序列排列，服务器预测下一个时序的可被简化表示为隐藏向量，上述输入序列，我们可以转化为多个隐式向量表示，即向量表示层l在第i个时刻，利用transformer特性，将神经网络层进行多层叠加计算，得到预测概率。
[0038]
105、根据预测概率生成线上用户对应的问诊结果。
[0039]
具体的，服务器基于预测概率匹配与线上用户对应的疾病类型，服务器预先将概率预疾病类型相匹配，也就是每个预测概率会对应一个疾病类型，服务器根据预测概率查询疾病类型即可得到线上用户对应的疾病类型；服务器基于疾病类型从预置的候选医生库中查询线上用户对应的医生，服务器在预设的候选医生数据库中查询与该疾病类型相匹配的医生；最后，服务器将疾病类型和医生作为问诊结果传输至预置的显示终端，并推送给该线上用户。
[0040]
进一步地，服务器将问诊结果存储于区块链数据库中，具体此处不做限定。
[0041]
本发明实施例中，通过预置的诊疗路径模型获取线上用户对应的诊疗行为数据，并根据诊疗行为数据构建诊疗路径数据库；从诊疗路径数据库中提取诊疗行为数据，对诊疗行为数据进行标准化处理，得到标准诊疗行为数据，并对标准诊疗行为数据进行编码处理，得到编码数据；按照预置的时序序列并根据编码数据生成时序序列，得到输入序列，并对输入序列进行向量转换，得到输入隐藏向量；将输入隐藏向量输入预置的诊断数据处理模型中进行疾病数据处理，得到预测概率，其中，诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；根据预测概率生成线上用户对应的问诊结果。本发明通过融合机器学习与神经网络并通过时间序列预测模型将用户问诊路径作为用户诊疗数据的获取路径，提升了线上问诊的效率。
[0042]
请参阅图2，本发明实施例中线上问诊方法的第二个实施例包括：
[0043]
201、通过预置的诊疗路径模型获取线上用户对应的诊疗行为数据，并根据诊疗行为数据构建诊疗路径数据库；
[0044]
具体的，服务器通过预置的诊疗路径模型匹配与线上用户对应的问诊路径，得到问诊路径；服务器提取问诊路径中的问题节点和选项节点，并获取问题节点对应的问题数据和选项节点对应的选项数据；服务器通过预置的爬虫爬取线上用户对应的基础信息和主诉信息；服务器将问题数据、选项数据、基础信息和主诉信息作为线上用户对应的诊疗行为数据，并将诊疗行为数据存储至预置的数据库，得到诊疗路径数据库。具体的，服务器通过预置的诊疗路径模型匹配与线上用户对应的问诊路径，得到问诊路径，其中，服务器基于时序预测模型的新型诊疗路径模型升级了传统诊疗路径模版化、静态化和不灵活的特点，具备标准化，动态化和利用先验知识智能化等特点；服务器提取问诊路径中的问题节点和选项节点，并获取问题节点对应的问题数据和选项节点对应的选项数据，服务器将诊疗路径中每个节点对应的问题数据和选项提取出来，得到问题数据和选项数据；服务器通过预置的爬虫爬取线上用户对应的基础信息和主诉信息；服务器将问题数据、选项数据、基础信息和主诉信息作为线上用户对应的诊疗行为数据，并将诊疗行为数据存储至预置的数据库，得到诊疗路径数据库。
[0045]
202、从诊疗路径数据库中提取诊疗行为数据；
[0046]
需要说明的是，为了保证基础信息和主诉信息的真实性，基础信息和主诉信息的获取可以为医疗网站、医疗机构数据库等。基础信息和主诉信息是包括疾病词汇和症状词汇的文本数据，基础信息和主诉信息可以通过预置的爬虫从医疗网站或者医疗机构数据中获取，其中，医疗网站或者医疗机构数据记录用户的疾病词汇和症状词汇生成基础信息和主诉信息，也可以由用户直接输入疾病词汇和症状词汇从而得到基础信息和主诉信息。
[0047]
203、通过预置的数据仓库工具对诊疗行为数据进行数据清洗，得到数据清洗后的诊疗行为数据；
[0048]
具体的，服务器从诊疗路径数据库中提取诊疗行为数据；服务器通过预置的数据仓库工具对诊疗行为数据进行数据清洗，得到数据清洗后的诊疗行为数据，其中，服务器对诊疗行为数据进行数据清洗指发现并纠正数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理无效值和缺失值等。
[0049]
204、调用预置的函数对数据清洗后的诊疗行为数据进行归一处理，得到标准诊疗行为数据；
[0050]
其中，预置的预置的数据仓库工具可以为分布式数据仓库hive；服务器调用预置的函数对数据清洗后的诊疗行为数据进行归一处理，得到标准诊疗行为数据，其中，标准诊疗行为数据中包含线上用户的主诉信息和基础信息；服务器分别提取标准行为数据中的问题数据和选项数据，得到目标问题数据和目标选项数据。
[0051]
205、分别提取标准行为数据中的问题数据和选项数据，得到目标问题数据和目标选项数据；
[0052]
具体的，服务器服务器根据诊疗路径中的每个问题节点，提取得到问题数据和该问题数据一一对应的选项数据；服务器通过预置的自然语言处理模型对目标问题数据和目标选项数据进行归一化编码处理，得到编码数据。
[0053]
206、通过预置的自然语言处理模型对目标问题数据和目标选项数据进行归一化编码处理，得到编码数据；
[0054]
具体的，服务器通过预置的自然语言处理模型对目标问题数据和目标选项数据进行文本识别，得到问题文本数据和选项文本数据；服务器提取问题文本数据中的相同问题，并将问题文本数据中的相同问题编码为一个问题，得到处理后的问题文本数据，以及提取选项文本数据中的相同问题，并将选项文本数据中的相同选项编码为一个选项，得到处理后的选项文本数据；服务器对处理后的问题文本数据和处理后的选项文本数据进行统一编码处理，得到编码数据。具体的，服务器通过预置的自然语言处理模型对目标问题数据和目标选项数据进行文本识别，得到问题文本数据和选项文本数据，服务器通过该自然语言处理模型对诊疗路径中每个节点的数据进行识别，分别得到问题对应的文本，也就是问题文本数据，以及选项对应的文本，也就是选项文本数据；服务器提取问题文本数据中的相同问题，并将问题文本数据中的相同问题编码为一个问题，得到处理后的问题文本数据，以及提取选项文本数据中的相同问题，并将选项文本数据中的相同选项编码为一个选项，得到处理后的选项文本数据，服务器将问题相同的合并处理为一个问题，将选项相同的合并编码为一个选项，如“请问您今年多大？”，“请问您今年年龄？”两个问题可统一编码为一个问题，固定选项“二十岁”，“20岁”可统一编码为一个选项；服务器对处理后的问题文本数据和处理后的选项文本数据进行统一编码处理，得到编码数据，将问题按照诊疗路径的顺序依次编码，并将每个问题对应的选项与问题进行一一对应的编码，得到编码数据。
[0055]
207、按照预置的时序序列并根据编码数据生成时序序列，得到输入序列，并对输入序列进行向量转换，得到输入隐藏向量；
[0056]
具体的，服务器提取编码数据中的多个问题，并提取编码数据中的多个选项；服务器对每个问题匹配与每个问题对应的选项，得到每个问题对应的问题选项对；服务器按照预置的时序序列对问题选项对进行排序，得到输入序列；服务器对输入序列进行隐式向量编码处理，得到输入隐藏向量。具体的，服务器通过对诊疗路劲进行分析，获取诊疗路径中的路径节点，提取路径节点中编码数据对应的多个问题，并服务器根据提取出来的多个问题提取编码数据中的多个选项，其中，问题与选项一一对应；服务器将多个问题与多个选项进行一一对应处理，服务器对每个问题匹配与每个问题对应的选项，得到每个问题对应的问题选项对；服务器按照预置的时序序列对问题选项对进行排序，得到输入序列，其中预置的时间序列为该线上用户在诊疗路径中答题时间节点；服务器对输入序列进行隐式向量编码处理，得到输入隐藏向量，服务器将输入序列转换为编码向量，得到输入隐藏向量。
[0057]
208、将输入隐藏向量输入预置的诊断数据处理模型中进行疾病数据处理，得到预测概率，其中，诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；
[0058]
具体的，服务器将输入隐藏向量输入预置的诊断数据处理模型中，其中，诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；服务器通过输入层对输入隐藏向量进行独热向量编码，得到初始向量；服务器通过双层前馈神经网络对初始向量进行多层叠加计算，得到特征向量；服务器通过嵌入层对特征向量进行标准化处理，得到标准向量；服务器通过输出层对标准向量进行概率计算，得到预测概率。具体的，服务器将输入隐藏向量输入预置的诊断数据处理模型中，其中，诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层，其中，双层前馈神经网络是一种最简单的神经网络，各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层.各层间没有反馈；服务器通过输入层对输入隐藏向量进行独热向量编码，得到初始向量，服务器通过对输入隐藏向量进行独热向量编码使输入隐藏向量可以被神经网络所识别，加快诊断数据处理模型的处理效率；服务器通过双层前馈神经网络对初始向量进行多层叠加计算，得到特征向量；服务器通过嵌入层对特征向量进行标准化处理，得到标准向量；服务器通过输出层对标准向量进行概率计算，服务器通过输入层的分类函数对标准向量进行概率计算，得到预测概率。
[0059]
209、根据预测概率生成线上用户对应的问诊结果。
[0060]
具体的，服务器基于预测概率匹配与线上用户对应的疾病类型，得到线上用户对应的疾病类型；服务器基于疾病类型从预置的候选医生库中查询线上用户对应的医生；服务器将疾病类型和医生作为问诊结果。具体的，服务器基于预测概率匹配与线上用户对应的疾病类型，服务器在匹配的过程中，线上用户的症状特征可能出现完全匹配和部分匹配两种情况。其中，完全匹配为线上用户的症状特征均出现在某种参考疾病类型对应的参考症状特征中；部分匹配为有部分线上用户的症状特征可以出现在某种参考疾病类型对应的参考症状特征中。服务器将完全匹配时所对应的参考疾病类型确定为疾病类型。服务器在不完全匹配时，将匹配到的最大匹配症状特征数量对应的参考疾病类型确定为疾病类型。服务器将与该疾病类型对应的专业医生作为候选医生库中匹配得到的医生，服务器将医生和疾病类型作为诊断结果并推送给线上用户。
[0061]
进一步地，服务器将问诊结果存储于区块链数据库中，具体此处不做限定。
[0062]
本发明实施例中，通过预置的诊疗路径模型获取线上用户对应的诊疗行为数据，并根据诊疗行为数据构建诊疗路径数据库；从诊疗路径数据库中提取诊疗行为数据，对诊疗行为数据进行标准化处理，得到标准诊疗行为数据，并对标准诊疗行为数据进行编码处理，得到编码数据；按照预置的时序序列并根据编码数据生成时序序列，得到输入序列，并对输入序列进行向量转换，得到输入隐藏向量；将输入隐藏向量输入预置的诊断数据处理模型中进行疾病数据处理，得到预测概率，其中，诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；根据预测概率生成线上用户对应的问诊结果。本发明通过融合机器学习与神经网络并通过时间序列预测模型将用户问诊路径作为用户诊疗数据的获取路径，提升了线上问诊的效率。
[0063]
上面对本发明实施例中线上问诊方法进行了描述，下面对本发明实施例中线上问诊装置进行描述，请参阅图3，本发明实施例中线上问诊装置第一个实施例包括：
[0064]
获取模块301，用于通过预置的诊疗路径模型获取线上用户对应的诊疗行为数据，并根据所述诊疗行为数据构建诊疗路径数据库；
[0065]
处理模块302，用于从所述诊疗路径数据库中提取所述诊疗行为数据，对所述诊疗行为数据进行标准化处理，得到标准诊疗行为数据，并对所述标准诊疗行为数据进行编码处理，得到编码数据；
[0066]
转换模块303，用于按照预置的时序序列并根据所述编码数据生成时序序列，得到输入序列，并对所述输入序列进行向量转换，得到输入隐藏向量；
[0067]
预测模块304，用于将所述输入隐藏向量输入预置的诊断数据处理模型中进行疾病数据处理，得到预测概率，其中，所述诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；
[0068]
生成模块305，用于根据所述预测概率生成所述线上用户对应的问诊结果。
[0069]
进一步地，服务器将问诊结果存储于区块链数据库中，具体此处不做限定。
[0070]
本发明实施例中，通过预置的诊疗路径模型获取线上用户对应的诊疗行为数据，并根据诊疗行为数据构建诊疗路径数据库；从诊疗路径数据库中提取诊疗行为数据，对诊疗行为数据进行标准化处理，得到标准诊疗行为数据，并对标准诊疗行为数据进行编码处理，得到编码数据；按照预置的时序序列并根据编码数据生成时序序列，得到输入序列，并对输入序列进行向量转换，得到输入隐藏向量；将输入隐藏向量输入预置的诊断数据处理模型中进行疾病数据处理，得到预测概率，其中，诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；根据预测概率生成线上用户对应的问诊结果。本发明通过融合机器学习与神经网络并通过时间序列预测模型将用户问诊路径作为用户诊疗数据的获取路径，提升了线上问诊的效率。
[0071]
请参阅图4，本发明实施例中线上问诊装置第二个实施例包括：
[0072]
获取模块301，用于通过预置的诊疗路径模型获取线上用户对应的诊疗行为数据，并根据所述诊疗行为数据构建诊疗路径数据库；
[0073]
处理模块302，用于从所述诊疗路径数据库中提取所述诊疗行为数据，对所述诊疗行为数据进行标准化处理，得到标准诊疗行为数据，并对所述标准诊疗行为数据进行编码处理，得到编码数据；
[0074]
转换模块303，用于按照预置的时序序列并根据所述编码数据生成时序序列，得到输入序列，并对所述输入序列进行向量转换，得到输入隐藏向量；
[0075]
预测模块304，用于将所述输入隐藏向量输入预置的诊断数据处理模型中进行疾病数据处理，得到预测概率，其中，所述诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；
[0076]
生成模块305，用于根据所述预测概率生成所述线上用户对应的问诊结果。
[0077]
可选的，获取模块301具体用于：
[0078]
通过预置的诊疗路径模型匹配与所述线上用户对应的问诊路径，得到问诊路径；提取所述问诊路径中的问题节点和选项节点，并获取所述问题节点对应的问题数据和所述选项节点对应的选项数据；通过预置的爬虫爬取所述线上用户对应的基础信息和主诉信息；将所述问题数据、所述选项数据、所述基础信息和所述主诉信息作为所述线上用户对应的诊疗行为数据，并将所述诊疗行为数据存储至预置的数据库，得到诊疗路径数据库。
[0079]
可选的，处理模块302还包括：
[0080]
提取单元3021，用于从所述诊疗路径数据库中提取所述诊疗行为数据；
[0081]
清洗单元3022，用于通过预置的数据仓库工具对所述诊疗行为数据进行数据清洗，得到数据清洗后的诊疗行为数据；
[0082]
处理单元3023，用于调用预置的函数对所述数据清洗后的诊疗行为数据进行归一处理，得到标准诊疗行为数据；
[0083]
配置单元3024，用于分别提取所述标准行为数据中的问题数据和选项数据，得到目标问题数据和目标选项数据；
[0084]
编码单元3025，用于通过预置的自然语言处理模型对所述目标问题数据和所述目标选项数据进行归一化编码处理，得到编码数据。
[0085]
可选的，编码单元3025具体用于：
[0086]
通过预置的自然语言处理模型对所述目标问题数据和所述目标选项数据进行文本识别，得到问题文本数据和选项文本数据；提取所述问题文本数据中的相同问题，并将所述问题文本数据中的相同问题编码为一个问题，得到处理后的问题文本数据，以及提取所述选项文本数据中的相同问题，并将所述选项文本数据中的相同选项编码为一个选项，得到处理后的选项文本数据；对所述处理后的问题文本数据和所述处理后的选项文本数据进行统一编码处理，得到编码数据。
[0087]
可选的，转换模块303具体用于：
[0088]
提取所述编码数据中的多个问题，并提取所述编码数据中的多个选项；对所述每个问题匹配与所述每个问题对应的选项，得到每个问题对应的问题选项对；按照预置的时序序列对所述问题选项对进行排序，得到输入序列；对所述输入序列进行隐式向量编码处理，得到输入隐藏向量。
[0089]
可选的，预测模块304具体用于：
[0090]
将所述输入隐藏向量输入预置的诊断数据处理模型中，其中，所述诊断数据处理模型包括输入层、双层前馈神经网络、嵌入层和输出层；通过所述输入层对所述输入隐藏向量进行独热向量编码，得到初始向量；通过所述双层前馈神经网络对所述初始向量进行多层叠加计算，得到特征向量；通过所述嵌入层对所述特征向量进行标准化处理，得到标准向量；通过所述输出层对所述标准向量进行概率计算，得到预测概率。
[0091]
可选的，生成模块305具体用于：
[0092]
基于所述预测概率匹配与所述线上用户对应的疾病类型，得到所述线上用户对应的疾病类型；基于所述疾病类型从预置的候选医生库中查询所述线上用户对应的医生；将所述疾病类型和所述医生作为问诊结果。
[0093]
进一步地，服务器将问诊结果存储于区块链数据库中，具体此处不做限定。
[0094]
本发明实施例中，通过预置的诊疗路径模型获取线上用户对应的诊疗行为数据，并根据诊疗行为数据构建诊疗路径数据库；从诊疗路径数据库中提取诊疗行为数据，对诊疗行为数据进行标准化处理，得到标准诊疗行为数据，并对标准诊疗行为数据进行编码处理，得到编码数据；按照预置的时序序列并根据编码数据生成时序序列，得到输入序列，并对输入序列进行向量转换，得到输入隐藏向量；将输入隐藏向量输入预置的诊断数据处理模型中进行疾病数据处理，得到预测概率，其中，诊断数据处理模型包括输入层、双层前馈
神经网络、嵌入层和输出层；根据预测概率生成线上用户对应的问诊结果。本发明通过融合机器学习与神经网络并通过时间序列预测模型将用户问诊路径作为用户诊疗数据的获取路径，提升了线上问诊的效率。
[0095]
上面图3和图4从模块化功能实体的角度对本发明实施例中的线上问诊装置进行详细描述，下面从硬件处理的角度对本发明实施例中线上问诊设备进行详细描述。
[0096]
图5是本发明实施例提供的一种线上问诊设备的结构示意图，该线上问诊设备500可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，cpu)510(例如，一个或一个以上处理器)和存储器520，一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中，存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对线上问诊设备500中的一系列指令操作。更进一步地，处理器510可以设置为与存储介质530通信，在线上问诊设备500上执行存储介质530中的一系列指令操作。
[0097]
线上问诊设备500还可以包括一个或一个以上电源540，一个或一个以上有线或无线网络接口550，一个或一个以上输入输出接口560，和/或，一个或一个以上操作系统531，例如windows serve，mac os x，unix，linux，freebsd等等。本领域技术人员可以理解，图5示出的线上问诊设备结构并不构成对线上问诊设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0098]
本发明还提供一种线上问诊设备，所述线上问诊设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述线上问诊方法的步骤。
[0099]
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述线上问诊方法的步骤。
[0100]
进一步地，计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
[0101]
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
[0102]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0103]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机
设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0104]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。