技术特征：
1.一种用于从患者描述中识别医学症状的人工智能系统，包括：患者交互界面，其被配置为接收包括至少一个词段的患者描述；以及处理器，其被配置为：确定一个词段内各个词的词向量和与相应的词向量相关的权重；基于所述词向量和相关的所述权重，确定加权词向量；使用所述加权词向量构建词段表示；以及基于所述词段表示，确定医学症状。2.根据权利要求1所述的人工智能系统，其特征在于，使用词嵌入确定所述词向量。3.根据权利要求1所述的人工智能系统，其特征在于，为了确定所述权重，所述处理器还被配置为：确定所述词段内各个所述词的词表示；以及确定各个所述词表示的注意力为与相应的词向量相关的所述权重。4.根据权利要求3所述的人工智能系统，其特征在于，为了确定所述词表示，所述处理器还被配置为将双向学习模型应用于相应的所述词向量。5.根据权利要求4所述的人工智能系统，其特征在于，所述双向学习模型是bi
‑
lstm网络。6.根据权利要求1所述的人工智能系统，其特征在于，所述加权词向量是每个所述词向量通过相关的权重加权后的总和。7.根据权利要求1所述的人工智能系统，其特征在于，所述处理器还被配置为应用分类学习模型将所述词段表示分类在与医学症状相关的类别中。8.根据权利要求7所述的人工智能系统，其特征在于，所述分类学习模型是前馈神经网络。9.根据权利要求8所述的人工智能系统，其特征在于，所述分类学习模型是softmax网络。10.根据权利要求1所述的人工智能系统，其特征在于，为构建所述词段表示，所述处理器进一步被配置为将所述词段内的至少一个词的词表示和所述加权词向量进行组合。11.一种用于从患者描述中识别医学症状的人工智能方法，包括：通过患者交互界面，接收包括至少一个词段的患者描述；通过处理器，确定一个词段内各个词的词向量和与相应的词向量相关的权重；通过所述处理器，基于所述词向量和相关的所述权重，确定加权词向量；通过所述处理器，使用所述加权词向量构建词段表示；以及通过所述处理器，基于所述词段表示，确定医学症状。12.根据权利要求11所述的人工智能方法，其特征在于，使用词嵌入确定所述词向量。13.根据权利要求11所述的人工智能方法，其特征在于，确定所述权重还包括：确定所述词段内各个所述词的词表示；以及确定所述各个所述词表示的注意力为与相应的词向量相关的所述权重。14.根据权利要求13所述的人工智能方法，其特征在于，确定所述词表示还包括将双向学习模型应用于相应的所述词向量。15.根据权利要求14所述的人工智能方法，其特征在于，所述双向学习模型是bi
‑
lstm
网络。16.根据权利要求11所述的人工智能方法，其特征在于，所述加权词向量是每个所述词向量通过相关的权重加权后的总和。17.根据权利要求11所述的人工智能方法，其特征在于，所述处理器还被配置为应用前馈神经网络以将所述词段表示分类在与医学症状相关的类别中。18.根据权利要求11所述的人工智能方法，其特征在于，构建所述词段表示还包括将所述词段内的至少一个词的词表示和所述加权词向量进行组合。19.一种非暂时性计算机可读介质，具有存储在其上的指令，当由处理器执行所述指令时，使得所述处理器执行用于从患者描述中识别医学症状的人工智能方法，所述人工智能方法包括：接收包括至少一个词段的患者描述；确定一个词段内各个词的词向量和与相应的词向量相关的权重；基于所述词向量和相关的所述权重，确定加权词向量；使用所述加权词向量构建词段表示；以及基于所述词段表示，确定医学症状。20.根据权利要求19所述的非暂时性计算机可读介质，其特征在于，确定所述权重还包括：将双向学习模型应用于相应的所述词向量，以确定所述词段内相应的词的词表示；以及确定各个所述词表示的注意力为与相应的词向量相关的所述权重。