基于人工智能的心理量表推荐方法及装置、存储介质与流程

1.本技术涉及人工智能技术领域，尤其是涉及到一种基于人工智能的心理量表推荐方法及装置、存储介质、计算机设备。


背景技术：

2.随着社会水平的不断提升，越来越多的人开始重视心理健康，越来越的人选择通过心理咨询获取心理问题方面的帮助。目前，随着互联网技术的发展，通过互联网在线远程进行心理咨询由于其方便快捷的优势变得越来越被人们接受，在线心理咨询变得十分普遍。
3.在心理咨询的过程中，心理量表是测量求询者心理问题及问题严重程度非常重要的方法。目前，在线心理咨询服务提供心理量表的方式主要有两种，一种是在提供给求询者所有支持的心理量表，由求询者基于自身情况自行选择心理量表进行评估；另一种是首先求询者在线和心理咨询师对话，然后心理咨询师推荐心理量表。然而，这两种方式都存在不足之处，一方面是心理量表选择的准确度问题，另一方面是在线心理咨询师的人力不足、咨询效率低的问题。


技术实现要素：

4.有鉴于此，本技术提供了一种基于人工智能的心理量表推荐方法及装置、存储介质、计算机设备，提高了心理量表的推荐准确性、降低了人力成本。
5.根据本技术的一个方面，提供了一种基于人工智能的心理量表推荐方法，所述方法包括：
6.获取问询用户的初始录入信息以及问询对话信息，其中，所述问询对话信息包括已询问信息和已回答信息；
7.依据所述初始录入信息以及所述问询对话信息，确定所述问询用户的问询特征信息；
8.将所述问询特征信息输入至心理量表推荐模型中，并基于得到的心理量表推荐数据，向所述问询用户进行心理量表推荐。
9.可选地，所述初始录入信息包括用户特征以及问询关键词，所述用户特征包括所述问询用户的年龄和性别，所述问询关键词通过对所述问询用户的问询描述信息进行预设关键词匹配而得到；
10.所述依据所述初始录入信息以及所述问询对话信息，确定所述问询用户的问询特征信息，具体包括：
11.依据所述初始录入信息以及所述问询对话信息，依次生成名称问询特征向量、角色问询特征向量以及位置问询特征向量；
12.将所述名称问询特征向量、所述角色问询特征向量以及所述位置问询特征向量，按照向量中各分量位置进行累加，确定所述问询特征信息。
13.可选地，所述心理量表推荐模型用于预测问询用户与各心理量表的匹配度；
14.所述基于得到的心理量表推荐数据，向所述问询用户进行心理量表推荐，具体包括：
15.判断所述心理量表推荐数据中是否存在任一心理量表与所述问询用户之间的匹配度高于预设匹配度阈值；
16.若存在，则将高于所述预设匹配度阈值的心理量表作为目标心理量表，向所述问询用户推荐所述目标心理量表。
17.可选地，所述判断所述心理量表推荐数据中是否存在任一心理量表与所述问询用户之间的匹配度高于预设匹配度阈值之后，所述方法还包括：
18.若不存在，则将所述问询特征信息输入至询问信息推荐模型中获得待询问信息，并向所述问询用户输出所述待询问信息，接收所述问询用户对所述待询问信息的回答信息；
19.将所述待询问信息及其对应的所述回答信息作为新的已询问信息和新的已回答信息，添加至所述问询对话信息中，并返回重新确定所述问询用户的问询特征信息。
20.可选地，所述名称问询特征向量中各分量依次为用户特征分量、至少一个问询关键词分量以及至少一组问询对话信息分量，其中，所述用户特征分量包括年龄值分量和性别值分量，所述问询对话信息分量包括已询问信息分量和已回答信息分量；
21.所述角色问询特征向量中的各分量为与所述名称问询特征向量中各分量相对应的特征分量符号，所述角色问询特征向量包括用户特征符号、已询问信息符号以及已回答信息符号；
22.所述位置问询特征向量中的各分量表示所述名称问询特征向量中各分量的产生顺序。
23.可选地，所述询问信息推荐模型包括输入表示层、网络层以及输出层，其中，所述输入表示层包括名称嵌入层、角色嵌入层和位置嵌入层，所述输入表示层用于按向量中各分量位置累加所述名称嵌入层、所述角色嵌入层以及所述位置嵌入层各自的特征向量；
24.所述心理量表推荐模型包括所述输入表示层、所述网络层、全连接层以及分类层。
25.可选地，所述询问信息推荐模型和所述心理量表推荐模型的网络层参数相同，所述网络层参数的训练步骤包括：
26.依据样本询问者的样本初始录入信息以及样本问询对话信息，对所述询问信息推荐模型进行训练，确定第一网络层参数；
27.将所述第一网络层参数作为所述心理量表推荐模型的网络层参数，依据样本询问者的样本初始录入信息、样本问询对话信息以及样本心理量表类别，对所述心理量表推荐模型进行训练，确定所述网络层的第二网络层参数；
28.将所述第二网络层参数作为所述询问信息推荐模型的网络层参数，并循环训练所述询问信息推荐模型和所述心理量表推荐模型，直到满足训练结束条件为止。
29.根据本技术的另一方面，提供了一种基于人工智能的心理量表推荐装置，所述装置包括：
30.信息获取模块，用于获取问询用户的初始录入信息以及问询对话信息，其中，所述问询对话信息包括已询问信息和已回答信息；
31.特征确定模块，用于依据所述初始录入信息以及所述问询对话信息，确定所述问询用户的问询特征信息；
32.推荐模块，用于将所述问询特征信息输入至心理量表推荐模型中，并基于得到的心理量表推荐数据，向所述问询用户进行心理量表推荐。
33.可选地，所述初始录入信息包括用户特征以及问询关键词，所述用户特征包括所述问询用户的年龄和性别，所述问询关键词通过对所述问询用户的问询描述信息进行预设关键词匹配而得到；
34.所述特征确定模块，还用于：依据所述初始录入信息以及所述问询对话信息，依次生成名称问询特征向量、角色问询特征向量以及位置问询特征向量；将所述名称问询特征向量、所述角色问询特征向量以及所述位置问询特征向量，按照向量中各分量位置进行累加，确定所述问询特征信息。
35.可选地，所述心理量表推荐模型用于预测问询用户与各心理量表的匹配度；所述推荐模块，还用于：
36.判断所述心理量表推荐数据中是否存在任一心理量表与所述问询用户之间的匹配度高于预设匹配度阈值；
37.若存在，则将高于所述预设匹配度阈值的心理量表作为目标心理量表，向所述问询用户推荐所述目标心理量表。
38.可选地，所述推荐模块，还用于：
39.所述判断所述心理量表推荐数据中是否存在任一心理量表与所述问询用户之间的匹配度高于预设匹配度阈值之后，若不存在，则将所述问询特征信息输入至询问信息推荐模型中获得待询问信息，并向所述问询用户输出所述待询问信息，接收所述问询用户对所述待询问信息的回答信息；
40.将所述待询问信息及其对应的所述回答信息作为新的已询问信息和新的已回答信息，添加至所述问询对话信息中，并返回重新确定所述问询用户的问询特征信息。
41.可选地，所述名称问询特征向量中各分量依次为用户特征分量、至少一个问询关键词分量以及至少一组问询对话信息分量，其中，所述用户特征分量包括年龄值分量和性别值分量，所述问询对话信息分量包括已询问信息分量和已回答信息分量；
42.所述角色问询特征向量中的各分量为与所述名称问询特征向量中各分量相对应的特征分量符号，所述角色问询特征向量包括用户特征符号、已询问信息符号以及已回答信息符号；
43.所述位置问询特征向量中的各分量表示所述名称问询特征向量中各分量的产生顺序。
44.可选地，所述询问信息推荐模型包括输入表示层、网络层以及输出层，其中，所述输入表示层包括名称嵌入层、角色嵌入层和位置嵌入层，所述输入表示层用于按向量中各分量位置累加所述名称嵌入层、所述角色嵌入层以及所述位置嵌入层各自的特征向量；
45.所述心理量表推荐模型包括所述输入表示层、所述网络层、全连接层以及分类层。
46.可选地，所述询问信息推荐模型和所述心理量表推荐模型的网络层参数相同，所述装置还包括：模型训练模块，用于：
47.依据样本询问者的样本初始录入信息以及样本问询对话信息，对所述询问信息推
荐模型进行训练，确定第一网络层参数；
48.将所述第一网络层参数作为所述心理量表推荐模型的网络层参数，依据样本询问者的样本初始录入信息、样本问询对话信息以及样本心理量表类别，对所述心理量表推荐模型进行训练，确定所述网络层的第二网络层参数；
49.将所述第二网络层参数作为所述询问信息推荐模型的网络层参数，并循环训练所述询问信息推荐模型和所述心理量表推荐模型，直到满足训练结束条件为止。
50.依据本技术又一个方面，提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述基于人工智能的心理量表推荐方法。
51.依据本技术再一个方面，提供了一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于人工智能的心理量表推荐方法。
52.借由上述技术方案，本技术提供的一种基于人工智能的心理量表推荐方法及装置、存储介质、计算机设备，基于问询用户的初始录入信息和问询对话信息生成问询用户的问询特征信息，通过预先构建心理量表推荐模型，利用模型按问询特征信息向用户自动推荐心理量表，解决了由用户自行选择心理量表存在的选择不准确的问题，以及解决了由心理医生推荐心理量表导致的效率低、人力成本高的问题，提高了心理量表的推荐准确性、降低了人力成本。
53.上述说明仅是本技术技术方案的概述，为了能够更清楚了解本技术的技术手段，而可依照说明书的内容予以实施，并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂，以下特举本技术的具体实施方式。
附图说明
54.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
55.图1示出了本技术实施例提供的一种基于人工智能的心理量表推荐方法的流程示意图；
56.图2示出了本技术实施例提供的一种询问信息推荐模型的结构示意图；
57.图3示出了本技术实施例提供的一种基于人工智能的心理量表推荐装置的结构示意图。
具体实施方式
58.下文中将参考附图并结合实施例来详细说明本技术。需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。
59.在本实施例中提供了一种基于人工智能的心理量表推荐方法，如图1所示，该方法包括：
60.步骤101，获取问询用户的初始录入信息以及问询对话信息，其中，所述问询对话信息包括已询问信息和已回答信息。
61.本技术实施例可以用于向线上问询用户进行心理量表推荐，以便借助心理量表的测量结果评估问询用户心理问题以及心理问题严重程度。
62.首先，获取问询用户的初始录入信息和问询对话信息。其中，初始录入信息可以为在未向问询用户进行问询的情况下，由问询用户主动录入的基本信息，可以包括问询用户录入的年龄、性别、职业等身份信息，还可以包括问询用户录入的关于自身心理问题的描述信息。问询对话信息可以为向问询用户提出的问题、以及问询用户针对提出的问题给出的答案，即已询问信息和已回答信息。
63.步骤102，依据所述初始录入信息以及所述问询对话信息，确定所述问询用户的问询特征信息。
64.接着，根据心理量表推荐模型的输入格式，对初始录入信息和问询对话信息进行特征提取，得到问询用户的问询特征信息。
65.在本技术实施例中，可选地，所述初始录入信息包括用户特征以及问询关键词，所述用户特征包括所述问询用户的年龄和性别，所述问询关键词通过对所述问询用户的问询描述信息进行预设关键词匹配而得到；步骤102，具体包括：
66.步骤102-1，依据所述初始录入信息以及所述问询对话信息，依次生成名称问询特征向量、角色问询特征向量以及位置问询特征向量；
67.步骤102-2，将所述名称问询特征向量、所述角色问询特征向量以及所述位置问询特征向量，按照向量中各分量位置进行累加，确定所述问询特征信息。
68.在上述实施例中，可以从问询用户录入的基本信息中提取出性别、年龄来描述问询用户的用户特征，并按照预先构建包含预设关键词的关键词表，对问询用户录入的对自身心理问题的描述信息进行关键词匹配，获取命中关键词表的问询关键词，例如问询关键词可以为“压力”。从而依据用户特征、问询关键词、已询问信息和已回答信息，按多个维度生成特征向量，具体包括名称问询特征向量、角色问询特征向量和位置问询特征向量。
69.其中，所述名称问询特征向量中各分量依次为用户特征分量、至少一个问询关键词分量以及至少一组问询对话信息分量，其中，所述用户特征分量包括年龄值分量和性别值分量，所述问询对话信息分量包括已询问信息分量和已回答信息分量；所述角色问询特征向量中的各分量为与所述名称问询特征向量中各分量相对应的特征分量符号，所述角色问询特征向量包括用户特征符号、已询问信息符号以及已回答信息符号；所述位置问询特征向量中的各分量表示所述名称问询特征向量中各分量的产生顺序。
70.本技术实施例中，名称问询特征向量由用户特征分量、问询关键词分量、问询对话信息分量组成。例如某个问询用户的年龄值分量为c1、性别值分量为c2，问询信息关键词有两个，问询关键词分量分别为k1、k2，已向问询用户询问了两个问题，对应的已问询信息分量分别为d1、d2，问询用户针对这两个问题进行回答，d1对应的回答信息分量为p1，d2对应的回答信息分量为p2、p3。那么名称问询特征向量为[c1，c2，k1，k2，d1，p1，d2，p2，p3]。
[0071]
角色问询特征向量中的各分量为名称问询特征向量中各分量的类别符号，即特征分量符号。确定名称问询特征向量中各分量后，即可以根据名称问询特征向量中各分量的类别确定角色问询特征向量中相应位置上的分量。例如用户特征分量的特征分量符号为r1、问询关键词分量的特征分量符号为r2、已问询信息分量的特征分量符号为r3、已回答信息分量的特征分量符号为r4，那么上述名称问询特征向量对应的角色问询特征向量为[r1，r1，r2，r2，r3，r4，r3，r4，r4]。
[0072]
位置问询特征向量中的各分量为名称问询特征向量中各分量的产生顺序。例如用
户特征和问询关键词是基于问询用户的初始录入信息而提取的，初始录入信息的产生次序为1用s0表示，而后向问询用户提问，第一个问题的产生次序为2用s1表示，第一个问题的答案产生次序为3用s2表示，第二个问题的产生次序为4用s3表示，第二个问题的两个答案产生次序分别为5、6，用s4、s5表示，那么上述名称问询特征向量对应的位置问询特征向量为[r1，r1，r2，r2，r3，r4，r3，r4，r4]。
[0073]
按照上述方式可以得到长度相同的名称问询特征向量、角色问询特征向量以及位置问询特征向量，进一步按照向量中各分量位置进行累加，确定问询特征信息。
[0074]
步骤103，将所述问询特征信息输入至心理量表推荐模型中，并基于得到的心理量表推荐数据，向所述问询用户进行心理量表推荐。
[0075]
最后，将问询特征信息作为输入，通过预先构建并训练好的心理量表推荐模型对问询用户进行心理量表预测，根据心理量表推荐模型的输出结果(即心理量表推荐数据)向问询用户推荐适合的心理量表。
[0076]
通过应用本实施例的技术方案，基于问询用户的初始录入信息和问询对话信息生成问询用户的问询特征信息，通过预先构建心理量表推荐模型，利用模型按问询特征信息向用户自动推荐心理量表，解决了由用户自行选择心理量表存在的选择不准确的问题，以及解决了由心理医生推荐心理量表导致的效率低、人力成本高的问题，提高了心理量表的推荐准确性、降低了人力成本。
[0077]
在本技术实施例中，可选地，所述心理量表推荐模型用于预测问询用户与各心理量表的匹配度；步骤103中“基于得到的心理量表推荐数据，向所述问询用户进行心理量表推荐”，具体包括：
[0078]
步骤103-1，判断所述心理量表推荐数据中是否存在任一心理量表与所述问询用户之间的匹配度高于预设匹配度阈值。
[0079]
步骤103-2，若存在，则将高于所述预设匹配度阈值的心理量表作为目标心理量表，向所述问询用户推荐所述目标心理量表。
[0080]
步骤103-3，若不存在，则将所述问询特征信息输入至询问信息推荐模型中获得待询问信息，并向所述问询用户输出所述待询问信息，接收所述问询用户对所述待询问信息的回答信息；将所述待询问信息及其对应的所述回答信息作为新的已询问信息和新的已回答信息，添加至所述问询对话信息中，并返回步骤102中。
[0081]
在该实施例中，心理量表推荐模型可以根据问询特征信息，预测出问询用户与各心理量表的匹配度，通过心理量表推荐模型进行预测之后，先基于预测结果判断各心理量表中是否存在匹配度大于预设匹配度阈值的心理量表。如果存在匹配度大于预设匹配度阈值的心理量表，说明基于目前的初始录入信息和问询对话信息已经足够评估出问询用户应测量的心理量表，当前已经可以向问询用户进行心理量表推荐，则将匹配度大于预设匹配度阈值的心理量表作为目标心理量表向问询用户推荐。
[0082]
而如果不存在匹配度大于预设匹配度阈值的心理量表，说明目前的初始录入信息和问询对话信息还不足以评估出问询用户应测量的心理量表，需要对问询用户的心理问题进行进一步了解才能确定应测量哪个心理量表，这时可以继续向问询用户提问，以便通过问询用户的回答进一步了解用户的心理问题。
[0083]
本技术中还可以通过预先构建并训练好的询问信息推荐模型，确定对问询用户的
下一个问询问题。在具体应用场景中，可以将问询特征信息输入到问询信息推荐模型中，将模型输出作为待询问信息，并向问询用户推送该待询问信息，以便用户继续进行心理问题回答。问询用户针对待询问信息进行回复后，将该待询问信息作为新的已询问信息，并将问询用户对该问题的回答作为新的已回答信息，将新的已询问信息和新的已回答信息添加到问询对话信息中，返回至步骤102中，重新基于初始录入信息和问询对话信息生成问询用户的问询特征信息，并将新的问询特征信息输入到心理量表推荐模型中，根据模型输出判断是否存在匹配度大于预设匹配度阈值的心理量表，若存在则向用户推荐，若不存在重复上述过程，直到能够向问询用户推荐心理量表为止。
[0084]
本技术实施例中，可选地，所述询问信息推荐模型包括输入表示层、网络层以及输出层，其中，所述输入表示层包括名称嵌入层、角色嵌入层和位置嵌入层，所述输入表示层用于按向量中各分量位置累加所述名称嵌入层、所述角色嵌入层以及所述位置嵌入层各自的特征向量；所述心理量表推荐模型包括所述输入表示层、所述网络层、全连接层以及分类层。
[0085]
在该实施例中，询问信息推荐模型和心理量表推荐模型的模型结构部分相同。询问信息推荐模型包括名称嵌入层、角色嵌入层、位置嵌入层、网络层以及输出层。如图2所示，将名称问询特征向量[c1，c2，k1，k2，d1，p1，d2，p2，p3]输入到名称嵌入层、角色问询特征向量[r1，r1，r2，r2，r3，r4，r3，r4，r4]输入到角色嵌入层、位置问询特征向量[r1，r1，r2，r2，r3，r4，r3，r4，r4]输入到位置嵌入层，对三个嵌入层按照对应的分量位置进行相加得到后输入表示层，通过网络层得到输出层[d3]。心理量表推荐模型的模型结构与询问信息推荐模型的模型结构部分相同，包括输入表示层、网络层、全连接层以及分类层。
[0086]
本技术实施例还提供了一种询问信息推荐模型和心理量表推荐模型的模型训练方法。所述询问信息推荐模型和所述心理量表推荐模型的网络层参数相同，所述网络层参数的训练步骤包括：
[0087]
步骤201，依据样本询问者的样本初始录入信息以及样本问询对话信息，对所述询问信息推荐模型进行训练，确定第一网络层参数；
[0088]
步骤202，将所述第一网络层参数作为所述心理量表推荐模型的网络层参数，依据样本询问者的样本初始录入信息、样本问询对话信息以及样本心理量表类别，对所述心理量表推荐模型进行训练，确定所述网络层的第二网络层参数；
[0089]
步骤203，将所述第二网络层参数作为所述询问信息推荐模型的网络层参数，并循环训练所述询问信息推荐模型和所述心理量表推荐模型，直到满足训练结束条件为止。
[0090]
在该实施例中，获取训练样本，训练样本包括样本询问者的样本初始录入信息、样本问询对话信息以及样本心理量表类别。针对询问信息推荐模型的训练，首先，确定输入样本和对应的输出样本，输入样本中除了样本初始录入信息外，还可以截取样本问询对话信息中的部分对话作为训练输入，这部分对话后的询问信息作为训练输出，例如样本问询对话信息包括10个问询对话，可以将截取前5个问询对话以及样本初始录入信息作为输入样本，第6个询问问题作为输出样本，然后，按照上述方式构建输入样本和输出样本后，对询问信息推荐模型进行有监督训练，确定网络层的参数，即第一网络层参数。针对心理量表推荐模型的训练，可以将询问信息推荐模型的网络层之后连接全连接层和softmax分类层来进行训练，利用样本初始录入信息、样本问询对话信息以及样本心理量表类别进行模型训练，
确定新的网络层参数，即第二网络层参数。之后，再将第二网络层参数作为询问信息推荐模型的网络层参数，重复上述针对询问信息推荐模型和心理量表推荐模型的训练过程，对这两个模型进行交替训练确定最终的网络层参数，完成对询问信息推荐模型和心理量表推荐模型的训练。
[0091]
通过应用本实施例的技术方案，好处一：应用本实施例提出的模型进行智能心理量表推荐，替代了心理咨询师的部分工作，大大节省了心理咨询师的人力，并且节约了心理咨询的时间。好处二：本实施例提出的智能心理量表推荐模型在技术上具有优势，基于现有询问信息推荐模型技术，针对特定的领域和应用场景，在本实施例中即心理咨询领域中的在线问诊场景下，通过模型结构的改进，设计了智能心理量表推荐模型结构以及训练模型的方法。好处三：本实施例提出的模型具有的能力，使得在在线咨询场景下的具有好处，一方面模型能够以对话的形式对问询者进行回复，以这种方式提升用户体验；另一方面模型能够以对话获取到的信息进行深入分析，从而推荐更适合、更准确的心理量表。
[0092]
进一步的，作为图1方法的具体实现，本技术实施例提供了一种基于人工智能的心理量表推荐装置，如图3所示，该装置包括：
[0093]
信息获取模块，用于获取问询用户的初始录入信息以及问询对话信息，其中，所述问询对话信息包括已询问信息和已回答信息；
[0094]
特征确定模块，用于依据所述初始录入信息以及所述问询对话信息，确定所述问询用户的问询特征信息；
[0095]
推荐模块，用于将所述问询特征信息输入至心理量表推荐模型中，并基于得到的心理量表推荐数据，向所述问询用户进行心理量表推荐。
[0096]
可选地，所述初始录入信息包括用户特征以及问询关键词，所述用户特征包括所述问询用户的年龄和性别，所述问询关键词通过对所述问询用户的问询描述信息进行预设关键词匹配而得到；
[0097]
所述特征确定模块，还用于：依据所述初始录入信息以及所述问询对话信息，依次生成名称问询特征向量、角色问询特征向量以及位置问询特征向量；将所述名称问询特征向量、所述角色问询特征向量以及所述位置问询特征向量，按照向量中各分量位置进行累加，确定所述问询特征信息。
[0098]
可选地，所述心理量表推荐模型用于预测问询用户与各心理量表的匹配度；所述推荐模块，还用于：
[0099]
判断所述心理量表推荐数据中是否存在任一心理量表与所述问询用户之间的匹配度高于预设匹配度阈值；
[0100]
若存在，则将高于所述预设匹配度阈值的心理量表作为目标心理量表，向所述问询用户推荐所述目标心理量表。
[0101]
可选地，所述推荐模块，还用于：
[0102]
所述判断所述心理量表推荐数据中是否存在任一心理量表与所述问询用户之间的匹配度高于预设匹配度阈值之后，若不存在，则将所述问询特征信息输入至询问信息推荐模型中获得待询问信息，并向所述问询用户输出所述待询问信息，接收所述问询用户对所述待询问信息的回答信息；
[0103]
将所述待询问信息及其对应的所述回答信息作为新的已询问信息和新的已回答
信息，添加至所述问询对话信息中，并返回重新确定所述问询用户的问询特征信息。
[0104]
可选地，所述名称问询特征向量中各分量依次为用户特征分量、至少一个问询关键词分量以及至少一组问询对话信息分量，其中，所述用户特征分量包括年龄值分量和性别值分量，所述问询对话信息分量包括已询问信息分量和已回答信息分量；
[0105]
所述角色问询特征向量中的各分量为与所述名称问询特征向量中各分量相对应的特征分量符号，所述角色问询特征向量包括用户特征符号、已询问信息符号以及已回答信息符号；
[0106]
所述位置问询特征向量中的各分量表示所述名称问询特征向量中各分量的产生顺序。
[0107]
可选地，所述询问信息推荐模型包括输入表示层、网络层以及输出层，其中，所述输入表示层包括名称嵌入层、角色嵌入层和位置嵌入层，所述输入表示层用于按向量中各分量位置累加所述名称嵌入层、所述角色嵌入层以及所述位置嵌入层各自的特征向量；
[0108]
所述心理量表推荐模型包括所述输入表示层、所述网络层、全连接层以及分类层。
[0109]
可选地，所述询问信息推荐模型和所述心理量表推荐模型的网络层参数相同，所述装置还包括：模型训练模块，用于：
[0110]
依据样本询问者的样本初始录入信息以及样本问询对话信息，对所述询问信息推荐模型进行训练，确定第一网络层参数；
[0111]
将所述第一网络层参数作为所述心理量表推荐模型的网络层参数，依据样本询问者的样本初始录入信息、样本问询对话信息以及样本心理量表类别，对所述心理量表推荐模型进行训练，确定所述网络层的第二网络层参数；
[0112]
将所述第二网络层参数作为所述询问信息推荐模型的网络层参数，并循环训练所述询问信息推荐模型和所述心理量表推荐模型，直到满足训练结束条件为止。
[0113]
需要说明的是，本技术实施例提供的一种基于人工智能的心理量表推荐装置所涉及各功能单元的其他相应描述，可以参考图1至图2方法中的对应描述，在此不再赘述。
[0114]
基于上述如图1至图2所示方法，相应的，本技术实施例还提供了一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述如图1至图2所示的基于人工智能的心理量表推荐方法。
[0115]
基于这样的理解，本技术的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)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)执行本技术各个实施场景所述的方法。
[0116]
基于上述如图1至图2所示的方法，以及图3所示的虚拟装置实施例，为了实现上述目的，本技术实施例还提供了一种计算机设备，具体可以为个人计算机、服务器、网络设备等，该计算机设备包括存储介质和处理器；存储介质，用于存储计算机程序；处理器，用于执行计算机程序以实现上述如图1至图2所示的基于人工智能的心理量表推荐方法。
[0117]
可选地，该计算机设备还可以包括用户接口、网络接口、摄像头、射频(radio frequency，rf)电路，传感器、音频电路、wi-fi模块等等。用户接口可以包括显示屏(display)、输入单元比如键盘(keyboard)等，可选用户接口还可以包括usb接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如蓝牙接口、wi-fi接口)等。
[0118]
本领域技术人员可以理解，本实施例提供的一种计算机设备结构并不构成对该计算机设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0119]
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理和保存计算机设备硬件和软件资源的程序，支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信，以及与该实体设备中其它硬件和软件之间通信。
[0120]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本技术可以借助软件加必要的通用硬件平台的方式来实现，也可以通过硬件实现基于问询用户的初始录入信息和问询对话信息生成问询用户的问询特征信息，通过预先构建心理量表推荐模型，利用模型按问询特征信息向用户自动推荐心理量表，解决了由用户自行选择心理量表存在的选择不准确的问题，以及解决了由心理医生推荐心理量表导致的效率低、人力成本高的问题，提高了心理量表的推荐准确性、降低了人力成本。
[0121]
本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本技术所必须的。本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中，也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
[0122]
上述本技术序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本技术的几个具体实施场景，但是，本技术并非局限于此，任何本领域的技术人员能思之的变化都应落入本技术的保护范围。