基于情感分类模型的信息推送方法、装置、设备及介质与流程

1.本技术涉及一种人工智能及数字医疗技术领域，特别是涉及一种基于情感分类模型的信息推送方法、装置、设备及介质。


背景技术：

2.随着人工智能的快速发展，人工智能已经在数字医疗业务的大数据领域全面普及。其中，在基于数字医疗进行医疗就诊后，可以通过智能医疗系统进行信息推送。
3.目前，现有医疗信息的推送通常根据不同患者的就诊结果直接匹配相关的医疗项目进行推送，但是，基于直接匹配的方式进行信息推送并不会考虑到患者对于推送内容的接收情绪，无法真正满足患者医疗信息推送需求，从而降低了信息推送的接收有效性，使得推送的信息成为无效信息。


技术实现要素：

4.有鉴于此，本技术提供一种基于情感分类模型的信息推送方法、装置、设备及介质，主要目的在于现有根据不同患者的就诊结果直接匹配相关的医疗项目进行推送，并未考虑患者对于推送内容的接收情绪，导致无法真正满足患者医疗信息推送需求，从而降低信息推送的接收有效性的技术问题。
5.依据本技术一个方面，提供了一种基于情感分类模型的信息推送方法，包括：
6.获取对目标医疗项目的评价文本信息；
7.基于已完成模型训练的情感分类模型对所述评价文本信息进行情感分类处理，得到所述评价文本信息的分类标签结果；其中，所述情感分类模型为基于失活机制构建的，并基于正则化失活损失函数完成模型训练的；
8.基于医疗项目操作关联数据库查找与所述分类标签结果、所述目标医疗项目匹配的关联医疗项目；其中，所述关联医疗项目为与所述目标医疗项目的医疗功能相同且医疗操作内容不同的项目内容；
9.响应于所述评价文本信息对应的医疗项目选取指令，输出所述关联医疗项目，以进行情感分类推送。
10.优选的，所述基于已完成模型训练的情感分类模型对所述评价文本信息进行情感分类处理，得到所述评价文本信息的分类标签结果之前，所述方法还包括：
11.获取文本情感分类训练样本集，并基于双输入、双输出通道构建包含失活机制的情感分类模型；
12.在基于所述文本情感分类训练样本集对所述情感分类模型进行模型训练过程中，基于散度损失确定所述情感分类模型的正则化失活损失函数，以在所述情感分类模型的损失收敛处完成模型训练。
13.优选的，所述基于散度损失确定所述情感分类模型的正则化失活损失函数包括：
14.获取基于文本情感分类训练样本数据对所述情感分类模型进行训练得到的双输
出的预测分类标签结果、以及所述文本情感分类训练样本集中的真实分类标签结果；
15.基于所述预测分类标签结果、所述真实分类标签结果计算交叉熵损失，并基于散度损失函数计算所述预测分类标签结果、所述真实分类标签结果之间的散度损失；
16.基于所述散度损失、以及所述交叉熵损失构建正则化失活损失函数。
17.优选的，所述基于已完成模型训练的情感分类模型对所述评价文本信息进行情感分类处理，得到所述评价文本信息的分类标签结果之前，所述方法还包括：
18.对所述评价文本信息进行词向量转换，并对词向量转换后的所述评价文本信息进行归一化处理，以使将完成归一化处理的所述评价文本信息作为所述情感分类模型的输入参数。
19.优选的，所述基于已完成模型训练的情感分类模型对所述评价文本信息进行情感分类处理，得到所述评价文本信息的分类标签结果之前，所述方法还包括：
20.若完成词向量转换的所述评价文本信息的向量大小与所述情感分类模型的输入参数所对应的向量大小不同，则基于文本情感分类训练样本集中作为输入参数的最大输入样本数据判断所述评价文本信息的词向量是否为填充状态；
21.若所述词向量为填充状态，则获取与所述目标医疗项目匹配的填充参数，并基于所述填充参数对所述词向量进行填充；
22.若所述词向量为非填充状态，则确定所述评价文本信息中具有共有特征的文本内容进行删除，并基于删除后的所述评价文本信息重新进行词向量转换。
23.优选的，所述基于医疗项目操作关联数据库查找与所述分类标签结果、所述目标医疗项目匹配的关联医疗项目之前，所述方法还包括：
24.获取与不同分类标签结果所对应的全部医疗项目；
25.基于医疗知识图谱中对各医疗项目按照医疗功能进行划分，并将划分为相同医疗功能的各医疗项目中，医疗操作内容不同的医疗项目确定为具有关联关系的医疗项目；
26.基于具有关联关系的医疗项目建立所述医疗项目操作关联数据库。
27.优选的，所述输出所述关联医疗项目之后，所述方法还包括：
28.若检测到所述关联医疗项目的选取指令后，将所述评价文本信息填充至所述关联医疗项目的业务操作信息中，以指示结合所述评价文本信息执行所述关联医疗项目。
29.依据本技术另一个方面，提供了一种基于情感分类模型的信息推送装置，包括：
30.第一获取模块，用于获取对目标医疗项目的评价文本信息；
31.分类模块，用于基于已完成模型训练的情感分类模型对所述评价文本信息进行情感分类处理，得到所述评价文本信息的分类标签结果；其中，所述情感分类模型为基于失活机制构建的，并基于正则化失活损失函数完成模型训练的；
32.查找模块，用于基于医疗项目操作关联数据库查找与所述分类标签结果、所述目标医疗项目匹配的关联医疗项目；其中，所述关联医疗项目为与所述目标医疗项目的医疗功能相同且医疗操作内容不同的项目内容；
33.推送模块，用于响应于所述评价文本信息对应的医疗项目选取指令，输出所述关联医疗项目，以进行情感分类推送。
34.优选的，所述分类模块之前，所述装置还包括：
35.构建模块，用于获取文本情感分类训练样本集，并基于双输入、双输出通道构建包
含失活机制的情感分类模型；
36.训练模块，用于在基于所述文本情感分类训练样本集对所述情感分类模型进行模型训练过程中，基于散度损失确定所述情感分类模型的正则化失活损失函数，以在所述情感分类模型的损失收敛处完成模型训练。
37.优选的，所述训练模块包括：
38.获取单元，用于获取基于文本情感分类训练样本数据对所述情感分类模型进行训练得到的双输出的预测分类标签结果、以及所述文本情感分类训练样本集中的真实分类标签结果；
39.计算单元，用于基于所述预测分类标签结果、所述真实分类标签结果计算交叉熵损失，并基于散度损失函数计算所述预测分类标签结果、所述真实分类标签结果之间的散度损失；
40.构建单元，用于基于所述散度损失、以及所述交叉熵损失构建正则化失活损失函数。
41.优选的，所述分类模块之前，所述装置还包括：
42.转换模块，用于对所述评价文本信息进行词向量转换，并对词向量转换后的所述评价文本信息进行归一化处理，以使将完成归一化处理的所述评价文本信息作为所述情感分类模型的输入参数。
43.优选的，所述分类模块之前，所述装置还包括：
44.判断模块，用于若完成词向量转换的所述评价文本信息的向量大小与所述情感分类模型的输入参数所对应的向量大小不同，则基于文本情感分类训练样本集中作为输入参数的最大输入样本数据判断所述评价文本信息的词向量是否为填充状态；
45.填充模块，用于若所述词向量为填充状态，则获取与所述目标医疗项目匹配的填充参数，并基于所述填充参数对所述词向量进行填充；
46.删除模块，用于若所述词向量为非填充状态，则确定所述评价文本信息中具有共有特征的文本内容进行删除，并基于删除后的所述评价文本信息重新进行词向量转换。
47.优选的，所述查找模块之前，所述装置还包括：
48.第二获取模块，用于获取与不同分类标签结果所对应的全部医疗项目；
49.划分模块，用于基于医疗知识图谱中对各医疗项目按照医疗功能进行划分，并将划分为相同医疗功能的各医疗项目中，医疗操作内容不同的医疗项目确定为具有关联关系的医疗项目；
50.建立模块，用于基于具有关联关系的医疗项目建立所述医疗项目操作关联数据库。
51.优选的，所述推送模块之后，所述装置还包括：
52.执行模块，用于若检测到所述关联医疗项目的选取指令后，将所述评价文本信息填充至所述关联医疗项目的业务操作信息中，以指示结合所述评价文本信息执行所述关联医疗项目。
53.根据本技术的又一方面，提供了一种介质，所述介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述基于情感分类模型的信息推送方法对应的操作。
54.根据本技术的再一方面，提供了一种设备，包括：处理器、存储器、通信接口和通信
总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
55.所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述基于情感分类模型的信息推送方法对应的操作。
56.借由上述技术方案，本技术实施例提供的技术方案至少具有下列优点：
57.本技术提供了一种基于情感分类模型的信息推送方法、装置、设备及介质，首先获取对目标医疗项目的评价文本信息；基于已完成模型训练的情感分类模型对所述评价文本信息进行情感分类处理，得到所述评价文本信息的分类标签结果，所述情感分类模型为基于失活机制构建的，并基于正则化失活损失函数完成模型训练的；基于医疗项目操作关联数据库查找与所述分类标签结果、所述目标医疗项目匹配的关联医疗项目，所述目标医疗项目为与所述关联医疗项目的医疗功能相同且医疗操作内容不同的项目内容；响应于所述评价文本信息对应的医疗项目选取指令，输出所述关联医疗项目，以进行情感分类推送。与现有技术相比，本技术实施例通过情感分类模型对目标医疗项目的评价文本信息进行情感分类处理，并根据分类标签结果匹配与目标医疗项目关联的医疗项目，在用户再次选取与评价文本信息对应的医疗项目时，进行推送。以用户评价文本信息为考量依据进行推送，真正满足了用户医疗信息的推送需求，确保推送的信息均为有效信息，从而提高了信息推送的接收有效性。
58.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
59.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
60.图1示出了本技术实施例提供的一种基于情感分类模型的信息推送方法流程图；
61.图2示出了本技术实施例提供的另一种基于情感分类模型的信息推送方法流程图；
62.图3示出了本技术实施例提供的情感分类模型训练流程图；
63.图4示出了本技术实施例提供的一种基于情感分类模型的信息推送装置组成框图；
64.图5示出了本技术实施例提供的一种设备的结构示意图。
具体实施方式
65.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
66.本技术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。
67.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。
68.基于此，在一个实施例中，如图1所示，提供了一种基于情感分类模型的信息推送方法，以该方法应用于服务器等计算机设备为例进行说明，其中，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，如智能医疗系统、数字医疗平台等。上述方法包括以下步骤：
69.101、获取对目标医疗项目的评价文本信息。
70.本技术实施例可以应用于具有评价功能以及信息推送功能的电子平台，如美食点评网、带有评价功能的智能医疗系统等。本技术实施例中，以智能医疗系统为例，可以理解的是，本技术实施例可以作为医生为患者诊断时的辅助手段，也可以作为评价平台，以供患者对就诊医疗项目以及医生等作出评价。作为当前执行主体，医疗系统在对用户进行医疗相关数据录入、以及进行相关医疗操作时，可以基于用户的客户端为用户提供针对医疗项目的评价服务，以对各个医生、医疗项目的执行进行评价。其中，主要的是针对医疗项目执行的情感内容进行评价，以从情感上关怀用户，以再次进行相关医疗项目操作时，为用户推荐情感上更容易接受的项目。例如，做胃镜的用户，评价的文本信息为“胃镜太过痛苦”，那么可以进一步基于用户的评价进行医疗功能相同但医疗操作内容不同的关联项目的推荐。
71.需要说明的是，本技术实施例中文本信息可以基于智能医疗系统的用户客户端获取到，用户在执行完对应的医疗项目后，可以对执行的目标医疗项目进行评价，并上传至智能医疗系统中，以作为信息推送的依据。
72.102、基于已完成模型训练的情感分类模型对评价文本信息进行情感分类处理，得到评价文本信息的分类标签结果。
73.其中，情感分类模型为基于失活机制构建的，并基于正则化失活损失函数完成模型训练的。本技术实施例中，基于失活机制构建的情感分类模型为基于神经网络与失活机制结合构建的，同时，建立正则化失活机制损失函数，以便对文本信息进行情感分类处理，得到分类标签结果。其中，分类标签结果用于表征用户进行不同医疗项目所产生的不同情感，由于是情感分类，因此得到的分类标签结果包括但不限于满意、一般、痛苦等标签内容，因此，可以确定出目标医疗项目执行过程中用户的体验是否满意。
74.103、基于医疗项目操作关联数据库查找与分类标签结果、目标医疗项目匹配的关联医疗项目，关联医疗项目为与目标医疗项目的医疗功能相同且医疗操作内容不同的项目内容。
75.本技术实施例中，为了提高用户的就医体验，基于预设的医疗项目操作关联数据库查找与分类标签结果、医疗项目匹配的关联医疗项目。其中，预设医疗项目操作关联数据库中预先建立不同分类标签结果与不同医疗项目之间的关联联系，例如，成人抽血项目中，
若痛苦，则可以关联儿童抽血项目；肠镜项目中，若痛苦，则可以关联ct扫描等。可以理解的是，若不痛苦、或者满意等情感，则可以关联本身的医疗项目。
76.需要说明的是，关联医疗项目与目标医疗项目的医疗功能相同但操作内容不同，即具有关联性的医疗项目可以执行相同功能的医疗操作，但是操作的内容可能不相同，例如，执行ct扫描是查看病灶，与增强ct扫描功能相同，但是医疗操作内容不同。
77.104、响应于评价文本信息对应的医疗项目选取指令，输出关联医疗项目，以进行情感分类推送。
78.本技术实施例中，当用户通过智能医疗系统再次进行就诊时，系统基于此用户之前的就诊信息，可以确定需要执行哪些医疗项目，若还需要执行原有的医疗项目，或者不同的医疗项目，则可以直接获取分类标签结果对应得到的关联医疗项目，进行输出。
79.需要说明的是，在选取医疗项目时，选取输出的关联医疗项目可以为当前用户的，也可以为其他用户的，例如，用户a感觉胃镜痛苦，则用户a需要再次进行胃镜检查时，可以向其直接推荐睡眠胃镜检查，或者，用户b感觉任一项的医疗检测均痛苦，则在选取医疗项目时，可以直接推荐数据关联的不痛苦的其他医疗项目。
80.为了进一步说明以及限定，本技术实施例提供了另一种基于情感分类模型的信息推送方法，如图2所示，该方法包括：
81.201、获取文本情感分类训练样本集，并基于双输入、双输出通道构建包含失活机制的情感分类模型。
82.202、获取基于文本情感分类训练样本数据对情感分类模型进行训练得到的双输出的预测分类标签结果、以及文本情感分类训练样本集中的真实分类标签结果。
83.203、基于预测分类标签结果、真实分类标签结果计算交叉熵损失，并基于散度损失函数计算预测分类标签结果、真实分类标签结果之间的散度损失。
84.204、基于散度损失、以及交叉熵损失构建正则化失活损失函数。
85.具体的，基于双输入、双输出通道构建的的包含有失活机制的情感分类模型，如图3所示。经过预处理的训练样本x
i
两次输入到失活机制的语言模型p中，因为失活机制模型在训练的过程中会随机扔掉部分神经网络的神经元，因此相同的输入经过模型得到的结果却不同，分别表示为t
ia
和t
ib
，而y
i
则表示样本x
i
的真实标签。
86.其中，文本情感分类训练样本集可以为选取人工标注的热门医疗项目的文本评论作为训练语料，具体可表示为：g＝{(x1,y1),...,(x
i
,y
i
),...,(x
n
,y
n
)},其中，(x
i
，y
i
)分别表示数据集g中第i条文本数据和其对应的正负面类别标签，n表示数据集总数量，对于任一条文本数据，y
i
∈{0,1}，0表示正面标签，1表示负面标签。
87.需要说明的是，正则化失活机制损失函数的计算过程如下：
88.(1)交叉熵损失。在传统基于神经网络的文本分类训练的过程中，对于样本(x
i
，y
i
)，通常使用交叉熵损失函数(cross entropy loss function,ce)，可表示为：
89.l
i
＝ce(y
i
|t
i
)
90.其中，ce(y
i
|t
i
)表示模型的交叉熵损失，y
i
表示样本x
i
的真实标签，t
i
表示样本x
i
的预测标签。但与传统的模型不同，本发明每个文本要两次输入到模型中，因此对于样本(x
i
，y
i
)，两次输入到模型的交叉熵损失可表示为：
[0091][0092]
(2)kl散度损失。本技术实施例在通常的交叉熵损失的基础上，将样本x
i
的两个失活机制预测结果做正则化，并使用kl散度(kullback leibler divergence,kl)损失函数度量两个预测结果的距离，则kl散度损失可表示为：
[0093][0094]
其中，kl(t
ia
||t
ib
)表示预测向量t
ia
到另一个预测向量t
ib
的kl散度损失，而kl(t
ib
||t
ia
)则表示预测向量t
ib
到t
ia
的kl散度损失。
[0095]
(3)模型损失。最终对于样本(x
i
，y
i
)，本技术实施例提出的正则化失活机制的损失函数loss
i
表示为：
[0096][0097]
基于上述的损失函数loss
i
和预处理数据集d，训练模型p，更新模型p的参数直到模型的损失收敛为止，完成模型训练过程。
[0098]
为了准确进行模型训练，本技术实施例中，进一步优选的，基于已完成模型训练的情感分类模型对评价文本信息进行情感分类处理，得到评价文本信息的分类标签结果之前，本实施例方法还包括：对评价文本信息进行词向量转换，并对词向量转换后的评价文本信息进行归一化处理，以使将完成归一化处理的评价文本信息作为情感分类模型的输入参数。
[0099]
具体的，由于文本数据中蕴含着大量的无用字符，如标点符号等，优选的，在对评价文本信息进行情感分类处理之前对文本数据进行预处理，主要包括分词、去停用词、去标点符号等操作，最终第i条文本数据，可表示为x
i
＝[w
i1
,w
i2
,...,w
il
]，其中，w表示为预处理后的词或者词语(token)，l表示预处理后的文本长度，则数据集经过预处理后可表示为d。
[0100]
由于不同用户的评级文本信息存在差异，本技术实施例中，优选的，基于已完成模型训练的情感分类模型对评价文本信息进行情感分类处理，得到评价文本信息的分类标签结果之前，本实施例方法还包括：若完成词向量转换的评价文本信息的向量大小与情感分类模型的输入参数所对应的向量大小不同，则基于文本情感分类训练样本集中作为输入参数的最大输入样本数据判断评价文本信息的词向量是否为填充状态；若词向量为填充状态，则获取与目标医疗项目匹配的填充参数，并基于填充参数对词向量进行填充；若词向量为非填充状态，则确定评价文本信息中具有共有特征的文本内容进行删除，并基于删除后的评价文本信息重新进行词向量转换。
[0101]
其中，情感分类模型的输入参数用于限定评价文本信息的字数，内容等。填充状态说明当前评价文本信息的词向量的大小小于限定标准，需要对其进行不影响语义的填充，例如，填充符号等。填充参数用于限定评价文本信息的词向量的大小，如字数，行数，列数等。
[0102]
具体的，当评价文本信息转换后的向量大小与情感分类模型的输入参数所对应的向量大小不同，以样本中作为输入参数的最大输入样本数据为标准，判断当前词向量是否需要进行填充。若为填充状态，则说明当前词向量小于标准大小，此时基于填充参数，对当前词向量进行填充；若为非填充状态，则说明词向量大于标准大小，此时需要将评价文本信
息中共有特征的文本语句(如我，今天，a医院等)进行删除，并重新进行词向量转换。
[0103]
为了向用户更精准的推荐关联医疗项目，本技术实施例中，进一步优选的，基于医疗项目操作关联数据库查找与分类标签结果、目标医疗项目匹配的关联医疗项目之前，本实施例方法还包括：获取与不同分类标签结果所对应的全部医疗项目；基于医疗知识图谱中对各医疗项目按照医疗功能进行划分，并将划分为相同医疗功能的各医疗项目中，医疗操作内容不同的医疗项目确定为具有关联关系的医疗项目；基于具有关联关系的医疗项目建立医疗项目操作关联数据库。
[0104]
具体的，首先获取医疗系统中的与不同分类标签结果相对应的全部医疗项目，基于医疗知识图谱，对其进行医疗功能的划分，并将具有相同医疗功能不同医疗操作内容的医疗项目进行关联，并建立医疗项目操作关联数据库，以作为向用户推送的查找依据。
[0105]
本技术实施例中，进一步的，输出关联医疗项目之后，本实施例方法还包括：若检测到关联医疗项目的选取指令后，将评价文本信息填充至关联医疗项目的业务操作信息中，以指示结合评价文本信息执行关联医疗项目。
[0106]
具体的，当检测到推送的关联医疗项目被用户选取后，可以将评价文本信息填充至关联医疗项目的业务操作信息中，用于指示结合评价文本信息执行关联医疗项目。例如，患者a对于医疗项目b的评价为痛苦，则医生在执行医疗项目b时，可以在不影响医疗效果的前提下，在操作手法上稍加改进，以减轻患者的痛苦。
[0107]
本技术提供了一种基于情感分类模型的信息推送方法，首先获取对目标医疗项目的评价文本信息；基于已完成模型训练的情感分类模型对所述评价文本信息进行情感分类处理，得到所述评价文本信息的分类标签结果，所述情感分类模型为基于失活机制构建的，并基于正则化失活损失函数完成模型训练的；基于医疗项目操作关联数据库查找与所述分类标签结果、所述目标医疗项目匹配的关联医疗项目，所述目标医疗项目为与所述关联医疗项目的医疗功能相同且医疗操作内容不同的项目内容；响应于所述评价文本信息对应的医疗项目选取指令，输出所述关联医疗项目，以进行情感分类推送。与现有技术相比，本技术实施例通过情感分类模型对目标医疗项目的评价文本信息进行情感分类处理，并根据分类标签结果匹配与目标医疗项目关联的医疗项目，在用户再次选取与评价文本信息对应的医疗项目时，进行推送。以用户评价文本信息为考量依据进行推送，真正满足了用户医疗信息的推送需求，确保推送的信息均为有效信息，从而提高了信息推送的接收有效性。
[0108]
进一步的，作为对上述图1所示方法的实现，本技术实施例提供了一种基于情感分类模型的信息推送装置，如图4所示，该装置包括：
[0109]
第一获取模块31，分类模块32，查找模块33，推送模块34。
[0110]
第一获取模块31，用于获取对目标医疗项目的评价文本信息；
[0111]
分类模块32，用于基于已完成模型训练的情感分类模型对所述评价文本信息进行情感分类处理，得到所述评价文本信息的分类标签结果，所述情感分类模型为基于失活机制构建的，并基于正则化失活损失函数完成模型训练的；
[0112]
查找模块33，用于基于医疗项目操作关联数据库查找与所述分类标签结果、所述目标医疗项目匹配的关联医疗项目，所述目标医疗项目为与所述关联医疗项目的医疗功能相同且医疗操作内容不同的项目内容；
[0113]
推送模块34，用于响应于所述评价文本信息对应的医疗项目选取指令，输出所述
关联医疗项目，以进行情感分类推送。
[0114]
在具体的应用场景中，所述分类模块之前，所述装置还包括：
[0115]
构建模块，用于获取文本情感分类训练样本集，并基于双输入、双输出通道构建包含失活机制的情感分类模型；
[0116]
训练模块，用于在基于所述文本情感分类训练样本集对所述情感分类模型进行模型训练过程中，基于散度损失确定所述情感分类模型的正则化失活损失函数，以在所述情感分类模型的损失收敛处完成模型训练。
[0117]
在具体的应用场景中，所述训练模块包括：
[0118]
获取单元，用于获取基于文本情感分类训练样本数据对所述情感分类模型进行训练得到的双输出的预测分类标签结果、以及所述文本情感分类训练样本集中的真实分类标签结果；
[0119]
计算单元，用于基于所述预测分类标签结果、所述真实分类标签结果计算交叉熵损失，并基于散度损失函数计算所述预测分类标签结果、所述真实分类标签结果之间的散度损失；
[0120]
构建单元，用于基于所述散度损失、以及所述交叉熵损失构建正则化失活损失函数。
[0121]
在具体的应用场景中，所述分类模块之前，所述装置还包括：
[0122]
转换模块，用于对所述评价文本信息进行词向量转换，并对词向量转换后的所述评价文本信息进行归一化处理，以使将完成归一化处理的所述评价文本信息作为所述情感分类模型的输入参数。
[0123]
在具体的应用场景中，所述分类模块之前，所述装置还包括：
[0124]
判断模块，用于若完成词向量转换的所述评价文本信息的向量大小与所述情感分类模型的输入参数所对应的向量大小不同，则基于文本情感分类训练样本集中作为输入参数的最大输入样本数据判断所述评价文本信息的词向量是否为填充状态；
[0125]
填充模块，用于若所述词向量为填充状态，则获取与所述目标医疗项目匹配的填充参数，并基于所述填充参数对所述词向量进行填充；
[0126]
删除模块，用于若所述词向量为非填充状态，则确定所述评价文本信息中具有共有特征的文本内容进行删除，并基于删除后的所述评价文本信息重新进行词向量转换。
[0127]
在具体的应用场景中，所述查找模块之前，所述装置还包括：
[0128]
第二获取模块，用于获取与不同分类标签结果所对应的全部医疗项目；
[0129]
划分模块，用于基于医疗知识图谱中对各医疗项目按照医疗功能进行划分，并将划分为相同医疗功能的各医疗项目中，医疗操作内容不同的医疗项目确定为具有关联关系的医疗项目；
[0130]
建立模块，用于基于具有关联关系的医疗项目建立所述医疗项目操作关联数据库。
[0131]
在具体的应用场景中，所述推送模块之后，所述装置还包括：
[0132]
执行模块，用于若检测到所述关联医疗项目的选取指令后，将所述评价文本信息填充至所述关联医疗项目的业务操作信息中，以指示结合所述评价文本信息执行所述关联医疗项目。
[0133]
本技术提供了一种基于情感分类模型的信息推送装置，首先获取对目标医疗项目的评价文本信息；基于已完成模型训练的情感分类模型对所述评价文本信息进行情感分类处理，得到所述评价文本信息的分类标签结果，所述情感分类模型为基于失活机制构建的，并基于正则化失活损失函数完成模型训练的；基于医疗项目操作关联数据库查找与所述分类标签结果、所述目标医疗项目匹配的关联医疗项目，所述目标医疗项目为与所述关联医疗项目的医疗功能相同且医疗操作内容不同的项目内容；响应于所述评价文本信息对应的医疗项目选取指令，输出所述关联医疗项目，以进行情感分类推送。与现有技术相比，本技术实施例通过情感分类模型对目标医疗项目的评价文本信息进行情感分类处理，并根据分类标签结果匹配与目标医疗项目关联的医疗项目，在用户再次选取与评价文本信息对应的医疗项目时，进行推送。以用户评价文本信息为考量依据进行推送，真正满足了用户医疗信息的推送需求，确保推送的信息均为有效信息，从而提高了信息推送的接收有效性。
[0134]
根据本技术一个实施例提供了一种介质，所述介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的基于情感分类模型的信息推送方法。
[0135]
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，也可以存储在易失性存储介质中，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)执行本技术各个实施场景所述的方法。
[0136]
图5示出了根据本技术一个实施例提供的一种设备的结构示意图，本技术具体实施例并不对计算机设备的具体实现做限定。
[0137]
如图5所示，该设备可以包括：处理器(processor)402、通信接口(communications interface)404、存储器(memory)406、以及通信总线408。
[0138]
其中：处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
[0139]
通信接口404，用于与其它设备比如客户端或其它服务器等的网元通信。
[0140]
处理器402，用于执行程序410，具体可以执行上述基于情感分类模型的信息推送方法实施例中的相关步骤。
[0141]
具体地，程序410可以包括程序代码，该程序代码包括计算机操作指令。
[0142]
处理器402可能是中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本技术实施例的一个或多个集成电路。计算机设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个cpu；也可以是不同类型的处理器，如一个或多个cpu以及一个或多个asic。
[0143]
存储器406，用于存放程序410。存储器406可能包含高速ram存储器，也可能还包括非易失性存储器(non
‑
volatile memory)，例如至少一个磁盘存储器。
[0144]
程序410具体可以用于使得处理器402执行以下操作：
[0145]
获取对目标医疗项目的评价文本信息；
[0146]
基于已完成模型训练的情感分类模型对所述评价文本信息进行情感分类处理，得到所述评价文本信息的分类标签结果，所述情感分类模型为基于失活机制构建的，并基于正则化失活损失函数完成模型训练的；
[0147]
基于医疗项目操作关联数据库查找与所述分类标签结果、所述目标医疗项目匹配
的关联医疗项目，所述目标医疗项目为与所述关联医疗项目的医疗功能相同且医疗操作内容不同的项目内容；
[0148]
响应于所述评价文本信息对应的医疗项目选取指令，输出所述关联医疗项目，以进行情感分类推送。
[0149]
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述基于多模态混合模型的业务数据处理的实体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，以及与信息处理实体设备中其它硬件和软件之间通信。
[0150]
显然，本领域的技术人员应该明白，上述的本技术的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本技术不限制于任何特定的硬件和软件结合。
[0151]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本技术的保护范围之内。