生理标签预测方法、模型训练方法、装置、设备及介质与流程

1.本技术涉及人工智能技术领域，特别涉及一种生理标签预测方法、模型训练方法、装置、设备及介质。


背景技术：

2.随着计算机技术的发展，生理标签预测的应用场景不断扩大，需要根据生理症状准确预测对应的生理标签。
3.在相关技术中，若用户输入目标对象的主诉生理症状有限，需要通过填写与主诉生理症状对应的问卷模板补充目标对象的多个生理症状。进一步的，利用神经网络模型对用户输入的主诉生理症状和多个生理症状进行预测，得到对应的生理标签。上述预测过程通过大量样本数据对神经网络模型进行训练，可以提高生理标签的预测准确程度。
4.然而，通过问卷模板获取多个生理症状需要用户逐次填写问卷中的全部问题，如何提高获取多个生理症状的效率，是亟待解决的问题。


技术实现要素：

5.本技术提供了一种生理标签预测方法、模型训练方法、装置、设备及介质，所述技术方案如下：
6.根据本技术的一方面，提供了一种生理标签预测方法，所述方法包括：
7.获取输入的第一生理症状，所述第一生理症状用于描述目标对象的生理异常状态；
8.确定与所述第一生理症状关联的第二生理症状，所述第二生理症状包括与所述第一生理症状具有关联关系的至少一个生理症状；
9.对所述第一生理症状和所述第二生理症状进行预测处理，得到目标生理标签以及所述目标生理标签的预测概率，所述目标生理标签用于描述所述目标对象的生理异常类型；
10.在所述目标生理标签的预测概率大于目标阈值的情况下，输出所述目标生理标签；
11.在所述目标生理标签的预测概率未大于所述目标阈值的情况下，根据所述目标生理标签确定症状补充引导语句，所述症状补充引导语句用于引导对所述第一生理症状进行补充。
12.在本技术的一个可选设计中，所述确定与所述第一生理症状关联的第二生理症状，所述方法包括：基于症状关联信息确定与所述第一生理症状关联的第二生理症状；
13.其中，所述症状关联信息用于指示不同生理症状之间的相关程度。
14.在本技术的一个可选设计中，所述症状关联信息包括不同生理症状之间的关联关系；
15.所述基于症状关联信息确定与所述第一生理症状关联的第二生理症状，包括：
16.基于不同生理症状之间的关联关系，确定与所述第一生理症状关联的第二生理症状。
17.在本技术的一个可选设计中，所述根据所述目标生理标签确定症状补充引导语句，包括：根据与所述目标生理标签对应的第三生理症状，生成所述症状补充引导语句。
18.在本技术的一个可选设计中，所述症状补充引导语句包括引导问句和引导答案选项，所述引导答案选项用于提供第一生理症状的补充内容，所述引导问句用于提示对所述引导答案选项进行选择，所述引导问句是预定义的；
19.所述根据与所述目标生理标签对应的第三生理症状，生成所述症状补充引导语句，包括：根据所述第三生理症状确定所述引导答案选项。
20.在本技术的一个可选设计中，所述第三生理症状包括共有生理症状和独有生理症状，所述共有生理症状对应所述目标生理标签中的超过a个生理标签，所述独有生理症状对应所述目标生理标签中的不超过a个生理标签；其中，a为不超过目标生理标签数量的正整数；
21.所述根据所述第三生理症状确定所述引导答案选项，包括：
22.根据所述独有生理症状确定所述引导答案选项。
23.在本技术的一个可选设计中，所述方法还包括：
24.根据提示信息对所述第一生理症状和所述第二生理症状进行重新构建，得到重构信息；
25.其中，所述提示信息包括槽位和提示内容，所述槽位用于提供所述目标生理标签的填充位置，所述提示内容用于提示对所述槽位进行填充；
26.所述对所述第一生理症状和所述第二生理症状进行预测处理，得到目标生理标签以及所述目标生理标签的预测概率，包括：
27.对所述重构信息进行预测处理，得到目标生理标签以及所述目标生理标签的预测概率，所述目标生理标签用于对所述槽位进行填充。
28.在本技术的一个可选设计中，所述根据提示信息对所述第一生理症状和所述第二生理症状进行重新构建，得到重构信息，包括：
29.将所述提示信息与所述第一生理症状和所述第二生理症状进行叠加，拼接得到所述重构信息；
30.或，将所述第一生理症状和所述第二生理症状进行编码，得到第二特征表示；
31.根据所述第二特征表示和所述提示信息，计算得到所述重构信息。
32.在本技术的一个可选设计中，所述对所述第一生理症状和所述第二生理症状进行预测处理，得到目标生理标签以及所述目标生理标签的预测概率，包括：
33.对所述第一生理症状和所述第二生理症状进行编码处理，得到第二特征表示；
34.对所述第二特征表示进行分类预测，得到所述目标生理标签以及所述目标生理标签的预测概率。
35.根据本技术的另一方面，提供了一种生理标签预测模型的训练方法，所述方法包括：
36.获取样本生理症状和样本生理标签，所述样本生理症状用于描述样本对象的生理异常状态，所述样本生理标签用于描述所述样本对象的生理异常类型；
37.确定与所述样本生理症状关联的补充生理症状，所述补充生理症状包括与所述样本生理症状具有关联关系的至少一个生理症状；
38.调用初始生理标签预测模型对所述样本生理症状和所述补充生理症状进行预测处理，得到预测生理标签以及所述预测生理标签的预测概率；
39.基于所述预测生理标签和所述样本生理标签之间的预测误差，对初始生理标签预测模型进行后向传播训练，得到所述生理标签预测模型。
40.根据本技术的另一方面，提供了一种生理标签预测装置，所述装置包括：
41.获取模块，用于获取输入的第一生理症状，所述第一生理症状用于描述目标对象的生理异常状态；
42.确定模块，用于确定与所述第一生理症状关联的第二生理症状，所述第二生理症状包括与所述第一生理症状具有关联关系的至少一个生理症状；
43.预测模块，用于对所述第一生理症状和所述第二生理症状进行预测处理，得到目标生理标签以及所述目标生理标签的预测概率，所述目标生理标签用于描述所述目标对象的生理异常类型；
44.输出模块，用于在所述目标生理标签的预测概率大于目标阈值的情况下，输出所述目标生理标签；
45.所述输出模块，还用于在所述目标生理标签的预测概率未大于所述目标阈值的情况下，根据所述目标生理标签确定症状补充引导语句，所述症状补充引导语句用于引导对所述第一生理症状进行补充。
46.在本技术的一个可选设计中，所述确定模块，还用于：
47.基于症状关联信息确定与所述第一生理症状关联的第二生理症状；
48.其中，所述症状关联信息用于指示不同生理症状之间的相关程度。
49.在本技术的一个可选设计中，所述症状关联信息包括属于同一生理标签的不同生理症状和所述生理标签之间的关联关系；
50.所述确定模块，还用于：
51.对所述第一生理症状进行预测处理，得到辅助生理标签；
52.基于属于所述辅助生理标签的不同生理症状和所述辅助生理标签之间的关联关系，确定与所述第一生理症状关联的第二生理症状。
53.在本技术的一个可选设计中，所述确定模块，还用于：
54.对所述第一生理症状进行编码处理，得到所述第一生理症状的第一特征表示；
55.对所述第一特征表示进行分类预测，得到所述辅助生理标签。
56.在本技术的一个可选设计中，所述症状关联信息包括不同生理症状之间的关联关系；
57.所述确定模块，还用于：
58.基于不同生理症状之间的关联关系，确定与所述第一生理症状关联的第二生理症状。
59.在本技术的一个可选设计中，所述输出模块，还用于：根据与所述目标生理标签对应的第三生理症状，生成所述症状补充引导语句。
60.在本技术的一个可选设计中，所述症状补充引导语句包括引导问句和引导答案选
项，所述引导答案选项用于提供第一生理症状的补充内容，所述引导问句用于提示对所述引导答案选项进行选择，所述引导问句是预定义的；
61.所述输出模块，还用于：根据所述第三生理症状确定所述引导答案选项。
62.在本技术的一个可选设计中，所述第三生理症状包括共有生理症状和独有生理症状，所述共有生理症状对应所述目标生理标签中的超过a个生理标签，所述独有生理症状对应所述目标生理标签中的不超过a个生理标签；其中，a为不超过目标生理标签数量的正整数；
63.所述输出模块，还用于：根据所述独有生理症状确定所述引导答案选项。
64.在本技术的一个可选设计中，所述装置还包括：
65.构建模块，用于根据提示信息对所述第一生理症状和所述第二生理症状进行重新构建，得到重构信息；其中，所述提示信息包括槽位和提示内容，所述槽位用于提供所述目标生理标签的填充位置，所述提示内容用于提示对所述槽位进行填充；
66.所述预测模块，还用于：对所述重构信息进行预测处理，得到目标生理标签以及所述目标生理标签的预测概率，所述目标生理标签用于对所述槽位进行填充。
67.在本技术的一个可选设计中，所述构建模块，还用于：
68.将所述提示信息与所述第一生理症状和所述第二生理症状进行叠加，拼接得到所述重构信息；
69.或，将所述第一生理症状和所述第二生理症状进行编码，得到第二特征表示；
70.根据所述第二特征表示和所述提示信息，计算得到所述重构信息。
71.在本技术的一个可选设计中，所述预测模块，还用于：
72.对所述第一生理症状和所述第二生理症状进行编码处理，得到第二特征表示；
73.对所述第二特征表示进行分类预测，得到所述目标生理标签以及所述目标生理标签的预测概率。
74.根据本技术的另一方面，提供了一种生理标签预测模型的训练装置，所述装置包括：
75.获取模块，用于获取样本生理症状和样本生理标签，所述样本生理症状用于描述样本对象的生理异常状态，所述样本生理标签用于描述所述样本对象的生理异常类型；
76.确定模块，用于确定与所述样本生理症状关联的补充生理症状，所述补充生理症状包括与所述样本生理症状具有关联关系的至少一个生理症状；
77.预测模块，用于调用初始生理标签预测模型对所述样本生理症状和所述补充生理症状进行预测处理，得到预测生理标签以及所述预测生理标签的预测概率；
78.训练模块，用于基于所述预测生理标签和所述样本生理标签之间的预测误差，对初始生理标签预测模型进行后向传播训练，得到所述生理标签预测模型。
79.根据本技术的另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上方面所述的生理标签预测方法和/或生理标签预测模型的训练方法。
80.根据本技术的另一方面，提供了一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段
程序、所述代码集或指令集由处理器加载并执行以实现如上方面所述的生理标签预测方法和/或生理标签预测模型的训练方法。
81.根据本技术的另一方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机指令，所述计算机指令存储在计算机可读存储介质中，处理器从所述计算机可读存储介质读取并执行所述计算机指令，以实现如上方面所述的生理标签预测方法和/或生理标签预测模型的训练方法。
82.本技术提供的技术方案带来的有益效果至少包括：
83.在输入的目标对象的第一生理症状不足的情况下，通过确定与第一生理症状关联的第二生理症状，拓展了进行生理标签预测时的预测依据，拓展了预测得到的目标生理标签的描述范围；通过症状补充引导语句将补充生理症状与目标生理标签联系起来，利用目标生理标签有针对性的引导用户输入生理症状，实现了对第一生理症状进行补充，提高了获取有效的第一生理症状的效率；在保证生理标签预测准确度的情况下，提升了生理标签预测的人机互动效率。
附图说明
84.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
85.图1是本技术一个示例性实施例提供的计算机系统的框图；
86.图2是本技术一个示例性实施例提供的使用生理标签预测模型的示意图；
87.图3是本技术一个示例性实施例提供的使用生理标签预测模型的示意图；
88.图4是本技术一个示例性实施例提供的生理标签预测方法的流程图；
89.图5是本技术一个示例性实施例提供的生理标签预测方法的流程图；
90.图6是本技术一个示例性实施例提供的生理标签预测方法的流程图；
91.图7是本技术一个示例性实施例提供的生理标签预测方法的流程图；
92.图8是本技术一个示例性实施例提供的生理标签预测方法的流程图；
93.图9是本技术一个示例性实施例提供的生理标签预测方法的流程图；
94.图10是本技术一个示例性实施例提供的生理标签预测的界面图；
95.图11是本技术一个示例性实施例提供的生理标签预测的界面图；
96.图12是本技术一个示例性实施例提供的生理标签预测方法的流程图；
97.图13是本技术一个示例性实施例提供的生理标签预测方法的流程图；
98.图14是本技术一个示例性实施例提供的生理标签预测方法的流程图；
99.图15是本技术一个示例性实施例提供的训练生理标签预测模型的示意图；
100.图16是本技术一个示例性实施例提供的生理标签预测模型的训练方法的流程图；
101.图17是本技术一个示例性实施例提供的训练辅助预测网络的示意图；
102.图18是本技术一个示例性实施例提供的生理标签预测装置的框图；
103.图19是本技术一个示例性实施例提供的生理标签预测模型的训练装置的框图；
104.图20是本技术一个示例性实施例提供的服务器的结构框图。
105.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
具体实施方式
106.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
107.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本技术相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本技术的一些方面相一致的装置和方法的例子。
108.在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
109.需要说明的是，本技术所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如，本技术中涉及到的第一生理症状、第一生理标签等都是在充分授权的情况下获取的。应当理解，尽管在本公开可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一参数也可以被称为第二参数，类似地，第二参数也可以被称为第一参数。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
110.图1示出了本技术一个示例性实施例提供的计算机系统的框图。该计算机系统可以实现成为生理标签预测模型的训练方法和/或生理标签预测方法的系统架构。该计算机系统可以包括：终端100和服务器200。
111.终端100可以是诸如手机、平板电脑、车载终端(车机)、可穿戴设备、pc(personal computer，个人计算机)等电子设备。终端100中可以安装运行目标应用程序的客户端，该目标应用程序可以是游戏应用程序，也可以是提供有生理标签预测模型的训练和/或生理标签预测功能的其他应用程序，本技术对此不作限定。另外，本技术对该目标应用程序的形式不作限定，包括但不限于安装在终端100中的应用程序(application，app)、小程序等，还可以是网页形式。
112.服务器200可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。服务器200可以是上述目标应用程序的后台服务器，用于为目标应用程序的客户端提供后台服务。
113.本技术实施例提供的生理标签预测模型的训练方法和/或生理标签预测方法，各步骤的执行主体可以是计算机设备，所述计算机设备是指具备数据计算、处理和存储能力的电子设备。以图1所示的方案实施环境为例，可以由终端100执行生理标签预测模型的训练方法和/或生理标签预测方法(如终端100中安装运行的目标应用程序的客户端执行该生
理标签预测模型的训练方法和/或生理标签预测方法)，也可以由服务器200执行该生理标签预测模型的训练方法和/或生理标签预测方法，或者由终端100和服务器200交互配合执行，本技术对此不作限定。
114.此外，本技术技术方案可以和区块链技术相结合。例如，本技术所公开的生理标签预测模型的训练方法和/或生理标签预测方法，其中涉及的一些数据(诸如生理症状、生理标签等数据)可以保存于区块链上。终端100和服务器200之间可以通过网络进行通信，如有线或无线网络。
115.接下来，对本技术中的生理标签预测模型进行介绍：
116.图2示出了本技术一个示例性实施例提供的使用生理标签预测模型的示意图。
117.获取第一生理症状352，调用辅助预测网络310a对第一生理症状352进行预测处理；辅助预测网络310a包括第一编码器310b和第一分类器310c；具体的，调用第一编码器310b对第一生理症状352进行编码处理，得到第一生理症状352对应的第一特征表示352c；调用第一分类器310c对第一特征表示352c进行分类预测，得到辅助生理标签354a；
118.基于症状关联信息342确定与第一生理症状352关联的第二生理症状354；根据提示信息344对第一生理症状352和第二生理症状354进行重新构建，得到重构信息354b；
119.调用生理标签预测模型330a对第一生理症状352和第二生理症状354进行预测处理；生理标签预测模型330a包括第二编码器330b和第二分类器330c；具体的，调用第二编码器330b对重构信息354b进行编码处理，得到重构信息354b对应的第二特征表示354c；调用第二分类器330c对第二特征表示354c进行分类预测，得到目标生理标签356a以及目标生理标签的预测概率356b。
120.在目标生理标签的预测概率356b大于目标阈值的情况下，输出第一生理症状352、第二生理症状354和目标生理标签356a；在目标生理标签的预测概率356b未大于目标阈值的情况下，根据目标生理标签356a确定症状补充引导语句346，其中，症状补充引导语句346包括引导问句346a和引导答案选项346b。
121.图3示出了本技术一个示例性实施例提供的使用生理标签预测模型的示意图。
122.获取的第一生理症状352包括生理症状a和生理症状b；
123.调用辅助预测网络310a对第一生理症状352进行预测处理，得到辅助生理标签354a；辅助生理标签354a包括生理标签a、生理标签b和生理标签c；
124.症状关联信息342包括第一信息、第二信息和第三信息；
125.其中，第一信息用于描述属于生理标签a的不同生理症状和生理标签a之间的关联关系；第二信息用于描述属于生理标签b的不同生理症状和生理标签b之间的关联关系；第三信息用于描述属于生理标签c的不同生理症状和生理标签c之间的关联关系。
126.基于第一信息、第二信息和第三信息确定与第一生理症状352关联的第二生理症状354；第二生理症状354包括生理症状c、生理症状d和生理症状e；需要说明的是，第二生理症状354通常与第一生理症状352不同，但不排除存在相同的情况。
127.调用生理标签预测模型330a对第一生理症状352和第二生理症状354进行预测处理，得到目标生理标签356a和目标生理标签的预测概率356b；
128.目标生理标签356a包括生理标签d、生理标签e、生理标签f和生理标签g；目标生理标签的预测概率356b包括概率d、概率e、概率f和概率g。
129.需要说明的是，在本技术中对目标生理标签356a和辅助生理标签354a之间的关系不作出任何限制性规定，即目标生理标签356a和辅助生理标签354a可以是完全相同的，也可以是不同的。
130.示例性的，生理标签d对应的生理症状包括生理症状a至生理症状e；
131.生理标签e对应的生理症状包括生理症状a至生理症状e、生理症状x；
132.生理标签f对应的生理症状包括生理症状a至生理症状e、生理症状y；
133.生理标签g对应的生理症状包括生理症状a至生理症状e、生理症状z；
134.其中，生理症状a至生理症状e包括：生理症状a、生理症状b、生理症状c、生理症状d和生理症状e；生理症状a至生理症状e对应目标生理标签356a中的多个生理标签，生理症状a至生理症状e为共有生理症状。
135.生理症状x、生理症状y和生理症状z对应目标生理标签356a中的一个生理标签，生理症状x、生理症状y和生理症状z为独有生理症状。
136.在目标生理标签的预测概率356b未大于目标阈值的情况下，根据目标生理标签356a确定症状补充引导语句346；其中，症状补充引导语句346包括引导问句346a和引导答案选项346b。示例性的，引导问句346a为预定义的，比如：引导问句346a包括：请选择有出现下列哪个生理症状？或，请选择没有出现下列哪个生理症状？
137.引导答案选项346b包括独有生理症状，即包括生理症状x、生理症状y和生理症状z。
138.示例性的，根据引导问句346a的指引，对引导答案选项346b中的一项、多项执行选中或对引导答案选项346b中的全部选项不执行选中，实现对第一生理症状352的补充。
139.需要说明的是，本实施例通过确定与第一生理症状352关联的第二生理症状354；将生理标签预测模型330a进行预测处理时的依据进行了拓展；即：由第一生理症状352包括的生理症状a和生理症状b；拓展到第一生理症状352和第二生理症状354包括的生理症状a至生理症状e。拓展了生理标签预测模型330a预测得到的目标生理标签356a的描述范围。
140.通过利用目标生理标签356a对应的生理症状中的独有生理症状构建引导答案选项346b，提高了获取有效的第一生理症状352的效率，实现了对第一生理症状352进行补充；即可以有针对性的引导用户补充有助于进行生理标签预测的生理症状。在保证生理标签预测准确度的情况下，提升了生理标签预测的人机互动效率。
141.接下来，将通过以下实施例对生理标签预测方法进行介绍。
142.图4示出了本技术一个示例性实施例提供的生理标签预测方法的流程图。该方法可以由计算机设备执行。该方法包括：
143.步骤510：获取输入的第一生理症状；
144.第一生理症状用于描述目标对象的生理异常状态；示例性的，第一生理症状包括第一样本对象处于生理异常状态的一个或多个异常表征；进一步的，可以通过持续时间、激烈程度和表征性质中的至少之一，从多个维度对生理异常状态进行描述；
145.本领域技术人员可以理解，在本技术中的一种实现方式中，第一生理症状和其他数据的获取经过了有权对象的单独同意，遵守相关国家和地区的相关法律法规和标准。
146.步骤520：确定与第一生理症状关联的第二生理症状；
147.第二生理症状包括与第一生理症状具有关联关系的至少一个生理症状。
148.可选的，第二生理症状属于候选生理症状中的至少之一，候选生理症状是已知的至少一个生理症状；示例性的，已知的至少一个生理症状是通过生理症状库获得的。
149.示例性的，第一生理症状和第二生理症状之间具有关联关系；可以通过统计处理的方式确定第二生理症状，也可以通过神经网络模型预测确定第二生理症状；本技术对第二生理症状的确定方式不作出任何限制性规定。
150.步骤530：对第一生理症状和第二生理症状进行预测处理，得到目标生理标签以及目标生理标签的预测概率；
151.示例性的，目标生理标签用于描述目标对象的生理异常类型；比如，目标生理标签用于描述目标对象的疾病。在一种实现方式中，目标生理标签描述了目标对象的生理异常部位和生理异常原因；示例性的，不同生理标签之间可以不存在语义关联，也可以存在语义关联；即生理标签可以是离散化的，也可以是文本化的。
152.示例性的，目标生理标签的预测概率用于描述目标生理标签的置信度；比如：目标生理标签的预测概率的取值范围为0至1的任意数值。
153.示例性的，对第一生理症状和第二生理症状进行预测处理，得到目标生理标签以及目标生理标签的预测概率，可以是通过调用生理标签预测模型预测得到的，也可以是通过统计处理计算得到的；
154.一个示例中，计算机设备调用生理标签预测模型，生理标签预测模型包括人工神经网络(artificial neural network，ann)；
155.步骤540：在目标生理标签的预测概率大于目标阈值的情况下，输出目标生理标签；
156.示例性的，目标生理标签的预测概率大于目标阈值用于指示目标生理标签满足置信度条件，将目标生理标签作为对第一生理症状的生理标签预测结果。
157.示例性的，目标阈值可以是预定义的，也可以是根据输入的第一生理症状确定的，本实施例对目标阈值的确定方式不作出任何限制性规定；在一种实现方式中，目标阈值为0.8。
158.步骤550：在目标生理标签的预测概率未大于目标阈值的情况下，根据目标生理标签确定症状补充引导语句；
159.示例性的，目标生理标签的预测概率未大于目标阈值用于指示目标生理标签不满足置信度条件，即目标生理标签不作为对第一生理症状的生理标签预测结果。
160.在目标生理标签的预测概率未大于目标阈值的情况下，需要对第一生理症状进行补充。症状补充引导语句用于引导对第一生理症状进行补充。
161.示例性的，症状补充引导语句可以根据目标生理标签直接提供对第一生理症状进行补充的生理症状选项，也可以根据目标生理标签中描述的目标对象的生理异常部位和生理异常原因间接提供对第一生理症状进行补充的补充提示。
162.综上所述，本实施例提供的方法，在输入的目标对象的第一生理症状不足的情况下，通过确定与第一生理症状关联的第二生理症状，拓展了进行生理标签预测时的预测依据，拓展了预测得到的目标生理标签的描述范围；通过症状补充引导语句将补充生理症状与目标生理标签联系起来，利用目标生理标签有针对性的引导用户输入生理症状，实现了对第一生理症状进行补充，提高了获取有效的第一生理症状的效率；在保证生理标签预测
准确度的情况下，提升了生理标签预测的人机互动效率。
163.图5示出了本技术一个示例性实施例提供的生理标签预测方法的流程图。该方法可以由计算机设备执行。即在一种可选设计中，在图4示出的实施例中，步骤520可以实现为步骤522：
164.步骤522：基于症状关联信息确定与第一生理症状关联的第二生理症状；
165.在本实施例中，第二生理症状通常不包括第一生理症状，但也不排除包括第一生理症状的情况；
166.示例性的，症状关联信息用于指示不同生理症状之间的相关程度。比如，第一生理症状包括生理症状a；在症状关联信息指示生理症状a和生理症状b之间具有关联关系的情况下，确定第二生理症状包括生理症状b；在症状关联信息指示生理症状a和生理症状c之间不具有关联关系的情况下，确定第二生理症状不包括生理症状c；
167.需要说明的是，症状关联信息可以包括不同生理症状和生理标签之间的关联关系，不同生理症状属于同一生理标签；也可以包括不同生理症状之间的关联关系；即症状关联信息可以利用生理标签间接指示不同生理症状之间的相关程度，也可以直接指示不同生理症状之间的相关程度。示例性的，症状关联信息可以通过相关系数、相关性标签、相关性文字中的至少之一指示不同生理症状之间的相关程度。
168.以相关系数为例，相关系数包括点互信息(pointwise mutual information，pmi)；进一步的，以症状关联信息利用生理标签间接指示不同生理症状之间的相关程度为例，点互信息为：
[0169][0170]
其中，pmi
(a,b)
表示点互信息，pa表示生理标签的出现概率，pb表示第一候选生理症状的出现概率，p
(a,b)
表示生理标签和第一候选生理症状同时出现的概率，log表示对数运算；其中，第一候选生理症状是属于同一生理标签的不同生理症状中的任意一个生理症状。本领域技术人员可以理解，在症状关联信息直接指示不同生理症状之间的相关程度的情况下，点互信息用于描述第一生理症状与候选生理症状之间的关联关系，候选生理症状是不同生理症状中的至少一个生理症状。
[0171]
以相关性标签为例，相关性标签包括第一标签、第二标签和第三标签，上述三个标签表示的关联关系依次递减；相关性标签可以直接指示不同生理症状之间的相关程度，也可以间接指示不同生理症状之间的相关程度。
[0172]
以相关性文字为例，通过一段或多段文字描述关联关系，相关性文字包括如下至少之一：显著相关、相关、不相关、显著不相关；相关性文字可以直接指示不同生理症状之间的相关程度，也可以间接指示不同生理症状之间的相关程度。
[0173]
在一种可选的实现方式中，将症状关联信息满足相关性条件的候选生理症状，确定为与第一生理症状关联的第二生理症状；示例性的，候选生理症状是不同生理症状中的至少一个生理症状。
[0174]
综上所述，本实施例提供的方法，在输入的目标对象的第一生理症状不足的情况下，通过基于症状关联信息确定与第一生理症状关联的第二生理症状，拓展了进行生理标签预测时的预测依据，拓展了预测得到的目标生理标签的描述范围；在保证生理标签预测
准确度的情况下，提升了生理标签预测的人机互动效率。
[0175]
对于步骤522，至少存在如下两种实现方式：
[0176]
实现方式一：对应有症状关联信息可以利用生理标签间接指示不同生理症状之间的相关程度；
[0177]
图6示出了本技术一个示例性实施例提供的生理标签预测方法的流程图。该方法可以由计算机设备执行。即在一种可选设计中，在图5示出的实施例中，步骤522可以实现为步骤522a和步骤522b：
[0178]
步骤522a：对第一生理症状进行预测处理，得到辅助生理标签；
[0179]
示例性的，对第一生理症状进行预测处理，得到辅助生理标签，可以是通过调用辅助预测网络预测得到的，也可以是通过统计处理计算得到的；
[0180]
一个示例中，计算机设备调用辅助预测网络，辅助预测网络包括人工神经网络(artificial neural network，ann)；辅助预测网络用于对第一生理症状进行预测，得到辅助生理标签；
[0181]
需要说明的是，在本技术的一个可选设计中，辅助预测网络和生理标签预测模型具有相同的网络架构；本领域技术人员可以理解，辅助预测网络和生理标签预测模型不是同时进行训练的，训练后得到的辅助生理标签和生理标签预测模型通常具有不同的网络参数，但也不排除可以具有相同的网络参数的情况。
[0182]
辅助生理标签是对第一生理症状的预测结果。
[0183]
可选的，在一种可选实施方式中，调用辅助预测网络对第一生理症状进行预测处理，得到辅助生理标签；
[0184]
进一步可选的，步骤522a可以实现为如下两个子步骤：
[0185]
子步骤1：对第一生理症状进行编码处理，得到第一生理症状的第一特征表示；
[0186]
示例性的，第一生理症状的第一特征表示可以实现为特征值、特征向量、特征矩阵中的至少之一；本实施例对此不作出任何限制；
[0187]
相似的，对第一生理症状进行编码处理，得到第一生理症状的第一特征表示，可以是通过调用辅助预测网络预测得到的，也可以是通过统计处理计算得到的；
[0188]
可选的，辅助预测网络包括第一编码器和第一分类器；示例性的，第一编码器用于将自然语言编码为特征表示；即，将第一生理症状编码为样本特征表示；第一编码器包括但不限于如下网络结构中的至少之一：卷积神经网络(convolutional neural network，cnn)、嵌入语言模型结构(embeddings from language model，elmo)、双向和自回归翻译模型结构(bidirectional and auto-regressive transformers，bart)、生成式的预训练模型结构(generative pre-training model，gpt)、来自知识集成的增强表示结构(enhanced representation from knowledge integration，ernie)、前馈神经网络(feedforward neural networks，fnn)、长短期记忆网络(long short-term neural network，lstm)。
[0189]
子步骤2：对第一特征表示进行分类预测，得到辅助生理标签；
[0190]
相似的，对第一特征表示进行分类预测，得到辅助生理标签，可以是通过调用辅助预测网络预测得到的，也可以是通过统计处理计算得到的；
[0191]
可选的，辅助预测网络包括第一编码器和第一分类器；
[0192]
示例性的，第一分类器用于将特征表示进行分类；即，将第一特征表示分类得到辅
助生理标签；第一分类器包括但不限于如下网络结构中的至少之一：支持向量机(support vector machines，svm)、归一化指数分类器(softmax分类器)。
[0193]
步骤522b：基于属于辅助生理标签的不同生理症状和辅助生理标签之间的关联关系，确定与第一生理症状关联的第二生理症状；
[0194]
示例性的，症状关联信息可以利用生理标签间接指示不同生理症状之间的相关程度，即症状关联信息包括属于同一生理标签的不同生理症状和生理标签之间的关联关系；症状关联信息通过指示辅助生理标和辅助生理标签之间的关联关系，确定第二生理症状。
[0195]
综上所述，本实施例提供的方法，在输入的目标对象的第一生理症状不足的情况下，通过预测辅助生理标签，进而基于症状关联信息确定与第一生理症状关联的第二生理症状，保证了第二生理症状与第一生理症状之间具有关联关系；拓展了进行生理标签预测时的预测依据，拓展了预测得到的目标生理标签的描述范围；在保证生理标签预测准确度的情况下，提升了生理标签预测的人机互动效率。
[0196]
实现方式二：对应有症状关联信息可以直接指示不同生理症状之间的相关程度；
[0197]
图7示出了本技术一个示例性实施例提供的生理标签预测方法的流程图。该方法可以由计算机设备执行。即在一种可选设计中，在图5示出的实施例中，步骤522可以实现为步骤522c：
[0198]
步骤522c：基于不同生理症状之间的关联关系，确定与第一生理症状关联的第二生理症状；
[0199]
示例性的，症状关联信息可以直接指示不同生理症状之间的相关程度，即症状关联信息包括不同生理症状之间的关联关系。本实施例与上文中关联信息利用生理标签间接指示不同生理症状之间的相关程度不同；在本实施例中，不需要调用辅助预测网络对第一生理症状进行预测。
[0200]
关于症状关联信息的构建，在一个可选实现方式中，将生理数据经过统计处理，以构建症状关联信息；示例性的，生理数据通常是包括生理症状和生理标签的数据。
[0201]
生理数据通常为多个，可以通过对生理数据进行统计处理得到生理症状和对应的生理标签的出现概率，通过上述出现概率构建症状关联信息。可选的，生理数据还包括：历史生理症状、生理检验结果、生理敏感类型中的至少之一。
[0202]
可选的，生理数据包括生理知识；生理知识包括属于同一生理标签对应的全部生理症状，但未示出生理症状的出现概率。进一步可选的，通过生理数据对症状关联信息进行校验，以更新症状关联信息；通过对症状关联信息进行校验，进一步保证症状关联信息正确指示了不同生理症状之间的相关程度。
[0203]
示例性的，通过生理知识对症状关联信息进行校验；充分考虑了在生理数据中容易出现疏于记录生理标签对应的典型生理症状的情况；保证了症状关联信息正确指示了不同生理症状之间的相关程度。
[0204]
在另一个可选实现方式中，症状关联信息是通过神经网络模型预测得到的；示例性的，将生理数据中的生理症状输入神经网络模型，得到症状关联信息；或，将生理数据中的生理症状和生理标签输入神经网络模型，得到症状关联信息。
[0205]
本领域技术人员可以理解，上述症状关联信息的构建方式适用于症状关联信息包括属于同一生理标签的不同生理症状和生理标签之间的关联关系的情况，也适用于症状关
联信息包括不同生理症状之间的关联关系的情况。
[0206]
综上所述，本实施例提供的方法，在输入的目标对象的第一生理症状不足的情况下，通过症状关联信息包括的不同生理症状之间的关联关系，确定与第一生理症状关联的第二生理症状，保证了第二生理症状与第一生理症状之间具有关联关系；拓展了进行生理标签预测时的预测依据，拓展了预测得到的目标生理标签的描述范围；在保证生理标签预测准确度的情况下，提升了生理标签预测的人机互动效率。
[0207]
图8示出了本技术一个示例性实施例提供的生理标签预测方法的流程图。该方法可以由计算机设备执行。即在一种可选设计中，在图4示出的实施例中，步骤550可以实现为步骤552：
[0208]
步骤552：在目标生理标签的预测概率未大于目标阈值的情况下，根据与目标生理标签对应的第三生理症状，生成症状补充引导语句；
[0209]
示例性的，症状补充引导语句根据目标生理标签直接提供对第一生理症状进行补充的生理症状选项。具体的，根据第三生理症状，生成症状补充引导语句；由于第三生理症状是目标生理标签对应的生理症状，在症状补充引导语句和目标生理标签之间建立了联系；
[0210]
需要说明的是，可以通过统计处理确定目标生理标签对应的第三生理症状，也可以通过神经网络模型预测确定目标生理标签对应的第三生理症状。
[0211]
可选的，如图9所示，本实施例中的步骤552可以实现为步骤552a：
[0212]
步骤552a：在目标生理标签的预测概率未大于目标阈值的情况下，根据第三生理症状确定引导答案选项；
[0213]
示例性的，症状补充引导语句包括引导问句和引导答案选项，引导答案选项用于提供第一生理症状的补充内容，引导问句用于提示对引导答案选项进行选择；引导问句是预定义的。
[0214]
在本实施例中，第三生理症状对应目标生理标签，第三生理症状包括一个或多个生理症状；引导答案选项包括第三生理症状中的全部症状或部分症状；比如，引导问句包括请选择有出现下列哪个生理症状？或，请选择没有出现下列哪个生理症状？
[0215]
示例性的，根据引导问句的指引，对引导答案选项中的一项、多项执行选中或对引导答案选项中的全部选项不执行选中，实现对第一生理症状352的补充。
[0216]
在一种可选实施方式中，引导问句是根据生理标签的预测概率确定的。
[0217]
示例性的，在目标生理标签的预测概率中包括的预测概率之间的差值最大值大于差值门限的情况下，引导问句用于提示在引导答案选项选择未出现的生理症状，如：引导问句包括请选择没有出现下列哪个生理症状？示例性的，在目标生理标签的预测概率中包括的预测概率之间的差值最大值不大于差值门限的情况下，引导问句用于提示在引导答案选项选择已出现的生理症状，如：引导问句包括请选择有出现下列哪个生理症状？
[0218]
需要说明的是，在预测概率之间的差值最大值不大于差值门限的情况下，通过选择已出现的生理症状，对第一生理症状进行补充，提高目标生理标签中的至少一个生理标签的预测概率，提高了获取有效的第一生理症状的效率；
[0219]
在预测概率之间的差值最大值大于差值门限的情况下，通过选择未出现的生理症状，对第一生理症状进行补充，通过补充后的第一生理症状进行生理标签预测，保证了生理
标签预测准确度。
[0220]
示例性的，图10示出了本技术一个示例性实施例提供的生理标签预测的界面图；在生理标签预测的界面图中，将目标生理标签704确定为第一生理症状702的生理标签预测结果，输出并显示目标生理标签704；在一种可选设计中，界面图中还显示有第一生理症状702；
[0221]
示例性的，图11示出了本技术一个示例性实施例提供的生理标签预测的界面图；在生理标签预测的界面图中，根据目标生理标签对应的第三生理症状确定引导答案选项714b；引导问句714a包括：请选择有出现下列哪个生理症状？在一种可选设计中，界面图中还显示有第一生理症状712。
[0222]
综上所述，本实施例提供的方法，在输入的目标对象的第一生理症状不足的情况下，通过目标生理标签对应的第三生理症状，将症状补充引导语句与目标生理标签联系起来，利用第三生理症状确定症状补充引导语句，有针对性的引导用户输入生理症状，实现了对第一生理症状进行补充，提高了获取有效的第一生理症状的效率；在保证生理标签预测准确度的情况下，提升了生理标签预测的人机互动效率。
[0223]
图12示出了本技术一个示例性实施例提供的生理标签预测方法的流程图。该方法可以由计算机设备执行。即在一种可选设计中，在图9示出的实施例中，步骤552a可以实现为步骤552b：
[0224]
步骤552b：在目标生理标签的预测概率未大于目标阈值的情况下，根据独有生理症状确定引导答案选项；
[0225]
示例性的，与目标生理标签对应的第三生理症状包括共有生理症状和独有生理症状，共有生理症状对应目标生理标签中的超过a个生理标签，独有生理症状对应目标生理标签中的不超过a个生理标签；a为不超过目标生理标签数量的正整数。
[0226]
在一个示例中，目标生理标签包括生理标签a、生理标签b、生理标签c和生理标签d；
[0227]
生理标签a对应有生理症状a、生理症状b、生理症状m和生理症状x；
[0228]
生理标签b对应有生理症状a、生理症状b、生理症状m和生理症状y；
[0229]
生理标签c对应有生理症状a、生理症状b、生理症状x和生理症状y；
[0230]
生理标签d对应有生理症状a、生理症状b、生理症状m和生理症状z。
[0231]
可以理解，生理症状a和生理症状b均对应目标生理标签中的4个生理标签；生理症状m对应目标生理标签中的3个生理标签；生理症状x和生理症状y均对应目标生理标签中的2个生理标签；生理症状z对应目标生理标签中的1个生理标签。
[0232]
示例性的，共有生理症状对应目标生理标签中的超过2个生理标签，独有生理症状对应目标生理标签中的不超过2个生理标签；即，共有生理症状包括：生理症状a、生理症状b和生理症状m；独有生理症状包括：生理症状x、生理症状y和生理症状z；根据独有生理症状确定引导答案选项。
[0233]
综上所述，本实施例提供的方法，在输入的目标对象的第一生理症状不足的情况下，通过利用目标生理标签对应的第三生理症状中的独有生理症状构建引导答案选项，提高了获取有效的第一生理症状的效率，将症状补充引导语句与目标生理标签联系起来，实现了对第一生理症状进行补充；可以有针对性的引导用户补充有助于进行生理标签预测的
生理症状。在保证生理标签预测准确度的情况下，提升了生理标签预测的人机互动效率。
[0234]
接下来，将通过一个实施例对重构信息进行介绍：图13示出了本技术一个示例性实施例提供的生理标签预测方法的流程图。该方法可以由计算机设备执行。即在一种可选设计中，在图4示出的实施例的基础上，还包括步骤525；步骤530可以实现为步骤532：
[0235]
步骤525：根据提示信息对第一生理症状和第二生理症状进行重新构建，得到重构信息；
[0236]
示例性的，提示信息包括槽位和提示内容，槽位用于提供目标生理标签的填充位置，提示内容用于提示对槽位进行填充；需要说明的是，提示信息的表现形式可以是文字信息，也可以经过编码的提示特征表示，如特征值、特征向量和特征矩阵中的至少之一；示例性的，提示信息是根据生理知识构建的，具体的，可以是根据生理知识预构建的一个或多个提示信息，也可以是通过人工神经网络编码预测的提示信息；
[0237]
以提示信息是文字信息为例，提示信息至少包括如下至少之一：
[0238]
·
f(x)＝涉及典型生理症状为[mask]；
[0239]
·
f(x)＝有可能是[mask]；
[0240]
·
f(x)＝出现[mask]，否认[mask]；
[0241]
·
f(x)＝否认患有[mask]，可能有[mask]；
[0242]
其中，f(x)表示提示信息，[mask]表示槽位；f(x)中出槽位之外的文字信息为提示内容。
[0243]
在一个可选设计中，步骤525至少可以实现为如下两个子步骤中的任意一个：
[0244]
子步骤1：将提示信息与第一生理症状和第二生理症状进行叠加，拼接得到重构信息；
[0245]
示例性的，在提示信息的实现方式为文字信息的情况下，将提示信息与第一生理症状和第二生理症状进行叠加，拼接得到重构信息；
[0246]
比如：第一生理症状和第二生理症状为：左耳间接性疼痛、无听力下降；提示信息为：f(x)＝出现[mask]，否认[mask]；将提示信息叠加至第一生理症状和第二生理症状之后，得到的重构信息；重构信息为：左耳间接性疼痛、无听力下降，出现[mask]，否认[mask]；
[0247]
子步骤2：将第一生理症状和第二生理症状进行编码，得到第二特征表示；根据第二特征表示和提示信息，计算得到重构信息；
[0248]
示例性的，在提示信息的实现方式为提示特征表示的情况下，首先将第一生理症状和第二生理症状进行编码，得到对应的第二特征表示；重构信息是一种经过编码的重构特征表示；重构特征表示是根据关联特征表示与提示信息计算得到的；
[0249]
示例性的，计算的方法可以是卷积运算过其他矩阵、向量或数值运算，也可以是直接叠加得到的；对此不做出任何限制性规定。
[0250]
步骤532：调用生理标签预测模型对重构信息进行预测处理，得到目标生理标签以及目标生理标签的预测概率；
[0251]
在本实施例中，生理标签预测模型用于根据重构信息进行生理标签预测，得到目标生理标签；其中，目标生理标签用于对槽位进行填充。
[0252]
综上所述，本实施例提供的方法，通过提示信息对第一生理症状和第二生理症状进行重新构建，实现了生理标签预测模型的训练过程向生理标签预测模型的训练过程进行
适配，降低了生理标签预测模型进行生理标签预测的复杂程度，提高了生理标签预测模型使用第一生理症状和第二生理症状进行预测的使用效率，保证了生理标签预测的准确度。
[0253]
接下来，将通过一个实施例对生理标签预测模型进行介绍：
[0254]
图14示出了本技术一个示例性实施例提供的生理标签预测方法的流程图。该方法可以由计算机设备执行。即在一种可选设计中，在图4示出的实施例中，步骤530实现为步骤534和步骤536：
[0255]
步骤534：对第一生理症状和第二生理症状进行编码处理，得到第二特征表示；
[0256]
相似的，对第一生理症状和第二生理症状进行编码处理，可以是通过调用生理标签预测模型预测得到的，也可以是通过统计处理计算得到的；
[0257]
可选的，生理标签预测模型包括第二编码器和第二分类器；
[0258]
在本实施例中，以调用生理标签预测模型进行预测处理，得到目标生理标签以及目标生理标签的预测概率为例进行说明；生理标签预测模型包括第二编码器和第二分类器；示例性的，第一生理症状和第二生理症状的第二特征表示可以实现为特征值、特征向量、特征矩阵中的至少之一；本实施例对此不作出任何限制；
[0259]
示例性的，第二编码器用于将自然语言编码为特征表示；即，将第一生理症状和第二生理症状编码为第二特征表示；第二编码器包括但不限于如下网络结构中的至少之一：cnn、elmo、bart、gpt、ernie。
[0260]
步骤536：对第二特征表示进行分类预测，得到目标生理标签以及目标生理标签的预测概率；
[0261]
相似的，对第二特征表示进行分类预测，可以是通过调用生理标签预测模型预测得到的，也可以是通过统计处理计算得到的；
[0262]
可选的，生理标签预测模型包括第二编码器和第二分类器；示例性的，第二分类器用于将特征表示进行分类；即，将第二特征表示分类得到目标生理标签以及目标生理标签的预测概率；第二分类器包括但不限于如下网络结构中的至少之一：svm、softmax分类器。
[0263]
需要说明的是，在调用辅助预测网络的情况下，生理标签预测模型中的第二编码器和第二分类器与辅助预测网络无关，即生理标签预测模型与辅助预测网络可以具有相同的网络结构；即均包括一个编码器和一个分类器，但是生理标签预测模型与辅助预测网络的训练不是同时执行的。
[0264]
综上所述，本实施例提供的方法，通过将生理标签预测模型实现为第二编码器和第二分类器，保证了生理标签预测模型对第一生理症状和第二生理症状进行预测时的准确程度；通过确定与第一生理症状关联的第二生理症状，拓展了进行生理标签预测时的预测依据，保证了生理标签预测的准确度。
[0265]
接下来，将通过以下实施例对生理标签预测模型的训练方法进行介绍。
[0266]
图15示出了本技术一个示例性实施例提供的训练生理标签预测模型的示意图。
[0267]
获取样本生理症状332和样本生理标签332a；调用辅助预测网络310a对样本生理症状332进行预测处理，得到辅助样本生理标签334a；
[0268]
基于属于辅助样本生理标签310a的不同生理症状和辅助生理标签334a之间的关联关系，即基于症状关联信息342，确定与所述样本生理症状332关联的补充生理症状334；
[0269]
根据提示信息344对样本生理症状332和补充生理症状334进行重新构建，得到重
构样本信息334b；
[0270]
调用初始生理标签预测模型330对重构样本信息334b进行预测处理，得到预测生理标签336a和预测生理标签的预测概率336b；基于预测生理标签336a和样本生理标签332a之间的预测误差338，对初始生理标签预测模型330进行后向传播训练，得到生理标签预测模型330a。
[0271]
图16示出了本技术一个示例性实施例提供的生理标签预测模型的训练方法的流程图。该方法可以由计算机设备执行。该方法包括：
[0272]
步骤610：获取样本生理症状和样本生理标签；
[0273]
样本生理症状用于描述样本对象的生理异常状态；示例性的，样本生理症状包括样本对象处于生理异常状态的一个或多个异常表征；进一步的，可以通过持续时间、激烈程度和表征性质中的至少之一，从多个维度对生理异常状态进行描述；比如：
[0274]
·
持续时间；用于描述生理症状在时间维度的特征，如：持续三天、两天内间歇性出现、一周内偶发出现。
[0275]
·
激烈程度；用于描述生理异常状态的异常程度；如：轻微不适、剧痛。
[0276]
·
表征性质；用于描述生理异常状态的性质；如：刺痛、撕裂痛、胀痛。
[0277]
样本生理标签用于描述样本对象的生理异常类型；比如，目标生理标签用于描述目标对象的疾病。
[0278]
步骤620：确定与样本生理症状关联的补充生理症状；
[0279]
补充生理症状包括候选生理症状中与样本生理症状具有关联关系的至少一个生理症状。
[0280]
示例性的，样本生理症状和补充生理症状之间具有关联关系；可以通过统计处理的方式确定补充生理症状，也可以通过神经网络模型预测确定补充生理症状；
[0281]
步骤630：调用初始生理标签预测模型对样本生理症状和补充生理症状进行预测处理，得到预测生理标签以及预测生理标签的预测概率；
[0282]
示例性的，预测生理标签是初始生理标签预测模型对样本生理症状和补充生理症状进行预测的预测结果，预测生理标签用于预测样本对象的生理异常类型；比如，预测生理标签用于描述样本对象的疾病。
[0283]
示例性的，预测生理标签的预测概率用于描述预测生理标签的置信度；比如：预测生理标签的预测概率的取值范围为0至1的任意数值。
[0284]
步骤640：基于预测生理标签和样本生理标签之间的预测误差，对初始生理标签预测模型进行后向传播训练，得到生理标签预测模型；
[0285]
示例性的，预测误差包括但不限于如下至少之一：交叉熵损失函数(cross-entropy loss)、0-1损失函数(zero
‑‑
one loss)、戴斯损失函数(dice loss)。
[0286]
可选的，基于预测生理标签、预测生理标签的预测概率和样本生理标签确定预测误差。
[0287]
示例性的，预测误差包括交叉熵损失误差，损失误差用于描述预测生理标签和样本生理标签之间的区别；具体的，预测误差为：
[0288]
[0289]
其中，loss表示预测误差，y
ik
表示样本生理标签，样本生理标签用于表示第i个样本生理症状对应第k个样本生理标签；p
ik
表示预测生理标签的预测概率，预测生理标签的预测概率表示第i个样本生理症状对应第k个样本生理标签的预测概率；log表示对数运算，i表示第i个样本生理症状，n表示样本生理症状的数量；k表示第k个样本生理标签，m表示样本生理标签的数量。
[0290]
对初始生理标签预测模型进行后向误差传播训练的目的是最小化第一预测生理标签和第一生理标签之间的第一预测误差。示例性的，本实施例训练得到的生理标签预测模型可以应用在上文中的生理标签预测方法的任一实施例中。
[0291]
综上所述，本实施例提供的方法，在输入的样本对象的样本生理症状不足的情况下，通过确定与样本生理症状关联的补充生理症状，拓展了进行生理标签预测时的预测依据，拓展了预测得到的预测生理标签的描述范围；提高了训练初始生理标签预测模型的过程中使用的生理症状的信息量，拓展了描述样本对象的生理症状的维度，有效保证了初始生理标签预测模型的训练效果。
[0292]
图17示出了本技术一个示例性实施例提供的训练辅助预测网络的示意图。
[0293]
获取样本生理症状312和样本生理标签312a；调用初始辅助预测网络310对样本生理症状312进行预测处理，得到预测生理标签314a；基于预测生理标签314a和样本生理标签312a之间的预测误差316，对初始辅助预测网络310进行后向传播训练，得到辅助预测网络310a。
[0294]
需要说明的是，本实施例训练得到的辅助预测网络可以在生理标签预测方法的实施例中，调用辅助预测网络的情况下，应用在上文中的生理标签预测方法的任一实施例中。
[0295]
需要进一步说明的是，本实施例中获取的样本生理症状312和样本生理标签312a；和图15示出的实施例中获取的样本生理症状332和样本生理标签332a可以是相同的，也可以是不同的；本领域技术人员可以理解，辅助预测网络的训练与生理标签预测模型的训练相互独立；以获取相同的样本生理症状和样本生理标签的情况为例：
[0296]
辅助预测网络直接通过样本生理症状预测得到预测生理标签；
[0297]
生理标签预测模型通过重构样本信息预测得到预测生理标签，重构样本信息是根据样本生理症状、补充生理症状和提示信息构建的；
[0298]
即使在获取的样本生理症状和样本生理标签相同的情况下；辅助预测网络和生理标签预测模型进行预测的输入不同；获取的样本生理症状和样本生理标签通常具有不同的网络参数。
[0299]
本领域普通技术人员可以理解，上述实施例可以独立实施，也可以将上述实施例进行自由组合，组合出新的实施例实现本技术的生理标签预测模型的训练方法和/或生理标签预测方法。
[0300]
图18示出了本技术一个示例性实施例提供的生理标签预测装置的框图。该装置包括：
[0301]
获取模块810，用于获取输入的第一生理症状，所述第一生理症状用于描述目标对象的生理异常状态；
[0302]
确定模块820，用于确定与所述第一生理症状关联的第二生理症状，所述第二生理症状包括与所述第一生理症状具有关联关系的至少一个生理症状；
[0303]
预测模块830，用于对所述第一生理症状和所述第二生理症状进行预测处理，得到目标生理标签以及所述目标生理标签的预测概率，所述目标生理标签用于描述所述目标对象的生理异常类型；
[0304]
输出模块840，用于在所述目标生理标签的预测概率大于目标阈值的情况下，输出所述目标生理标签；
[0305]
所述输出模块840，还用于在所述目标生理标签的预测概率未大于所述目标阈值的情况下，根据所述目标生理标签确定症状补充引导语句，所述症状补充引导语句用于引导对所述第一生理症状进行补充。
[0306]
在本技术的一个可选设计中，所述确定模块820，还用于：
[0307]
基于症状关联信息确定与所述第一生理症状关联的第二生理症状；
[0308]
其中，所述症状关联信息用于指示不同生理症状之间的相关程度。
[0309]
在本技术的一个可选设计中，所述症状关联信息包括属于同一生理标签的不同生理症状和所述生理标签之间的关联关系；
[0310]
所述确定模块820，还用于：
[0311]
对所述第一生理症状进行预测处理，得到辅助生理标签；
[0312]
基于属于所述辅助生理标签的不同生理症状和所述辅助生理标签之间的关联关系，确定与所述第一生理症状关联的第二生理症状。
[0313]
在本技术的一个可选设计中，所述确定模块820，还用于：
[0314]
对所述第一生理症状进行编码处理，得到所述第一生理症状的第一特征表示；
[0315]
对所述第一特征表示进行分类预测，得到所述辅助生理标签。
[0316]
在本技术的一个可选设计中，所述症状关联信息包括不同生理症状之间的关联关系；
[0317]
所述确定模块820，还用于：
[0318]
基于不同生理症状之间的关联关系，确定与所述第一生理症状关联的第二生理症状。
[0319]
在本技术的一个可选设计中，所述输出模块840，还用于：根据与所述目标生理标签对应的第三生理症状，生成所述症状补充引导语句。
[0320]
在本技术的一个可选设计中，所述症状补充引导语句包括引导问句和引导答案选项，所述引导答案选项用于提供第一生理症状的补充内容，所述引导问句用于提示对所述引导答案选项进行选择，所述引导问句是预定义的；
[0321]
所述输出模块840，还用于：根据所述第三生理症状确定所述引导答案选项。
[0322]
在本技术的一个可选设计中，所述第三生理症状包括共有生理症状和独有生理症状，所述共有生理症状对应所述目标生理标签中的超过a个生理标签，所述独有生理症状对应所述目标生理标签中的不超过a个生理标签；其中，a为不超过目标生理标签数量的正整数；
[0323]
所述输出模块840，还用于：根据所述独有生理症状确定所述引导答案选项。
[0324]
在本技术的一个可选设计中，所述装置还包括：
[0325]
构建模块850，用于根据提示信息对所述第一生理症状和所述第二生理症状进行重新构建，得到重构信息；其中，所述提示信息包括槽位和提示内容，所述槽位用于提供所
unit，cpu)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器901可以在集成有图像处理器(graphics processing unit，gpu)，gpu用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器901还可以包括人工智能(artificial intelligence，ai)处理器，该ai处理器用于处理有关机器学习的计算操作。
[0344]
存储器902可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器902还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器902中的非暂态的计算机可读存储介质用于存储至少一个指令，该至少一个指令用于被处理器901所执行以实现本技术中方法实施例提供的生理标签预测方法和/或生理标签预测模型的训练方法。
[0345]
在一些实施例中，服务器900还可选包括有：输入接口903和输出接口904。处理器901、存储器902和输入接口903、输出接口904之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与输入接口903、输出接口904相连。输入接口903、输出接口904可被用于将输入/输出(input/output，i/o)相关的至少一个外围设备连接到处理器901和存储器902。在一些实施例中，处理器901、存储器902和输入接口903、输出接口904被集成在同一芯片或电路板上；在一些其他实施例中，处理器901、存储器902和输入接口903、输出接口904中的任意一个或两个可以在单独的芯片或电路板上实现，本技术实施例对此不加以限定。
[0346]
本领域技术人员可以理解，上述示出的结构并不构成对服务器900的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。
[0347]
在示例性实施例中，还提供了一种芯片，所述芯片包括可编程逻辑电路和/或程序指令，当所述芯片在计算机设备上运行时，用于实现上述方面所述的生理标签预测方法和/或生理标签预测模型的训练方法。
[0348]
在示例性实施例中，还提供了一种计算机程序产品，该计算机程序产品包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器从计算机可读存储介质读取并执行该计算机指令，以实现上述各方法实施例提供的生理标签预测方法和/或生理标签预测模型的训练方法。
[0349]
在示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述各方法实施例提供的生理标签预测方法和/或生理标签预测模型的训练方法。
[0350]
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。本领域技术人员应该可以意识到，在上述一个或多个示例中，本技术实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
[0351]
以上所述仅为本技术的可选实施例，并不用以限制本技术，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，均应包含在本技术的保护范围之内。