面向中醫(yī)領(lǐng)域的智能聊天機(jī)器人系統(tǒng)設(shè)計(jì)

曹彬 王峰 李詩語

摘要：通過互聯(lián)網(wǎng)搜集整理系統(tǒng)搭建智能聊天機(jī)器人所需要的中醫(yī)問診對話數(shù)據(jù)，設(shè)計(jì)中醫(yī)智能問答系統(tǒng)的知識庫，設(shè)計(jì)基于卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)問題分類模型來優(yōu)化系統(tǒng)檢索時(shí)間，研究使用基于詞向量的問句相似度來匹配相似語句，從而到相應(yīng)的知識庫中檢索匹配度高的問句并提取相應(yīng)的答案回答，最終系統(tǒng)將最優(yōu)最穩(wěn)定的答復(fù)語句反饋給用戶。

關(guān)鍵詞： 中醫(yī)智能分；聊天機(jī)器人；智能問答

中圖分類號：TN962 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2019）12-0174-02

1 引言

在全球的科技迅猛發(fā)展的當(dāng)下社會(huì)，不得不說互聯(lián)網(wǎng)已經(jīng)成了人們生活中的不可缺少的最重要的工具之一，人們已經(jīng)離不開互聯(lián)網(wǎng)帶來的便利，通過互聯(lián)網(wǎng)絡(luò)人們可以獲取到日常生活乃至學(xué)習(xí)所需要的各種知識，并且人們還會(huì)通過互聯(lián)網(wǎng)來互相聯(lián)系交流信息，甚至還會(huì)通過互聯(lián)網(wǎng)舉辦線上的商務(wù)活動(dòng)等等?；ヂ?lián)網(wǎng)上聚集了大量的數(shù)據(jù)，隨著大數(shù)據(jù)時(shí)代的來臨，相關(guān)技術(shù)也逐漸可以處理并應(yīng)用這些技術(shù)，自然語言處理技術(shù)也自然應(yīng)用起來，面對這種技術(shù)蓬勃發(fā)展的盛況，我國的中醫(yī)文化寶藏可有了更進(jìn)一步發(fā)展的趨勢[1]。

本系統(tǒng)所介紹的面向中醫(yī)領(lǐng)域的聊天機(jī)器人，就是在利用當(dāng)下互聯(lián)網(wǎng)上豐富的中醫(yī)問答數(shù)據(jù)來組建相應(yīng)的知識庫所做的聊天機(jī)器人。該設(shè)計(jì)旨在完成一個(gè)能和用戶進(jìn)行良好交互的中醫(yī)問答對話系統(tǒng)；根據(jù)用戶所說的問句來進(jìn)行問題分類，然后到相應(yīng)的知識庫中檢索出對應(yīng)的或類似的答案，以此回答對方，本應(yīng)用的設(shè)計(jì)對中醫(yī)的應(yīng)用發(fā)展具有很大的意義。

2 相關(guān)技術(shù)

2.1 自然語言處理

2.1.1 中文分詞

中文分詞是將一個(gè)漢語句子序列基于漢語語言規(guī)則分割成單獨(dú)的詞，有時(shí)也稱為標(biāo)注。不同于英文等單詞間存在自然分界符的語言，中文只有單字、句子、段落能夠通過明顯的標(biāo)識來劃分，單詞間沒有諸如空格等分界標(biāo)識將詞分隔開來。雖然英文分詞也會(huì)有存在特殊標(biāo)識符以及未登錄詞數(shù)量龐大等問題，但是這種問題處理起來的復(fù)雜度遠(yuǎn)遠(yuǎn)低于中文分詞需要處理的問題的復(fù)雜度。中文分詞中，詞匯不僅存在一次多義的情況，而且同一個(gè)詞在不同的語境下所表達(dá)的意義也不盡相同，中文分詞是理解漢語自然語言語義的第一步，是所有漢語自然語言處理技術(shù)的基礎(chǔ)。

2.1.2 詞向量

對于計(jì)算機(jī)來說，理解自然語言是極其困難的，所以首先必須對文本進(jìn)行向量化，即將文本映射到文本向量空間中，目前主要有兩種方式來表示，一種是最簡單的獨(dú)熱編碼，它是將單詞用固定長度的向量表示，向量的長度為文本進(jìn)行分詞處理后詞組的個(gè)數(shù)，該向量的每一位都對應(yīng)文本中的某個(gè)單詞，如果某個(gè)單詞存在，則向量對應(yīng)位置的數(shù)值為1，反之如果不存在則為0，采用這種表達(dá)方式的向量維度會(huì)很高，需要占用大量內(nèi)存，并且這種表述忽略了文本的語序含義。第二種文本向量表示方式是詞向量，我們可以將詞向量看成是單詞的一種分散式表示，通過這種方法將單詞映射到詞向量空間，一般訓(xùn)練出來的詞向量的維度設(shè)置在50～300維之間，詞向量能有效地解決獨(dú)熱編碼表示文本信息所帶來的高維災(zāi)難問題，這種分布式表示通過歐氏距離或求余弦等方式能有效地判斷單詞之間的語義相似程度[2]。

2.2 神經(jīng)網(wǎng)絡(luò)模型

2.2.1 神經(jīng)網(wǎng)絡(luò)概述

設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)的靈感就是來源于人腦的神經(jīng)信息處理系統(tǒng)，神經(jīng)網(wǎng)絡(luò)就是由很多的神經(jīng)元組合而成的。而人的大腦中包含很多類似的神經(jīng)元，人就是通過這些神經(jīng)元互相連接相互影響來處理大量日常的數(shù)據(jù)，這些神經(jīng)元的組合連接使人類有了學(xué)習(xí)記憶的能力。最早科學(xué)家首先提出單層感知器模型，但這種模型在當(dāng)時(shí)被證明僅限用于解決線性劃分問題，使得在當(dāng)時(shí)對人工神經(jīng)網(wǎng)絡(luò)研究停滯不前，處于低潮時(shí)期。直到多層感知器的提出才使得神經(jīng)網(wǎng)絡(luò)的發(fā)展有了嶄新的開始。神經(jīng)網(wǎng)絡(luò)是一種數(shù)學(xué)模型，具有并行處理、自動(dòng)學(xué)習(xí)、很強(qiáng)的信息綜合能力強(qiáng)等優(yōu)點(diǎn)，這些優(yōu)點(diǎn)使得神經(jīng)網(wǎng)絡(luò)的應(yīng)用也十分的廣泛，自動(dòng)控制、圖像處理、模式識別、地理、醫(yī)療、衛(wèi)生保健、農(nóng)業(yè)等各個(gè)領(lǐng)域都有應(yīng)用到神經(jīng)網(wǎng)絡(luò)。

2.2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一個(gè)前饋神經(jīng)網(wǎng)絡(luò)，它最重要的創(chuàng)新是采用卷積核來計(jì)算，使用卷積核將二維離散卷積運(yùn)算和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合形成一種新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)中的上下層的神經(jīng)元不再是全連接的連接方式，這種局部連接方法不僅僅能夠降低模型的復(fù)雜度，同時(shí)還可以緩解深度神經(jīng)網(wǎng)絡(luò)層數(shù)過多導(dǎo)致的過擬合問題。它還具有很強(qiáng)的特性學(xué)習(xí)能力，利用逐層的迭代、逐層抽象的特點(diǎn)挖掘數(shù)據(jù)局部特征，同時(shí)具有提取全局特征和上下文信息的能力，在圖像分類的各個(gè)領(lǐng)域取得了很好的成果。與傳統(tǒng)的基于手工特征提取方法相比，CNN能利用大規(guī)模訓(xùn)練數(shù)據(jù)自動(dòng)學(xué)習(xí)特征。

3 系統(tǒng)整體設(shè)計(jì)

本文設(shè)計(jì)的面向中醫(yī)的聊天機(jī)器人系統(tǒng)，通過搜集網(wǎng)上的中醫(yī)問診對話數(shù)據(jù)作為系統(tǒng)模型的訓(xùn)練，并建立相應(yīng)的知識庫，用戶分類后的問題將進(jìn)入相應(yīng)的問題知識庫中檢索匹配語義最相近的問句，并提取出答案回復(fù)。

系統(tǒng)整體設(shè)計(jì)中的三個(gè)知識庫分別對應(yīng)嘔吐，感冒和針眼三種病例，故而此處的分類任務(wù)是四分類任務(wù)，接下來將對系統(tǒng)設(shè)計(jì)的流程分別介紹，系統(tǒng)的建立首先是知識庫的創(chuàng)建，即數(shù)據(jù)集的收集整理并建立知識庫。

3.1 知識庫建立

本設(shè)計(jì)主要爬取的是家庭醫(yī)生在線上的中醫(yī)問答數(shù)據(jù)，由于官網(wǎng)的數(shù)據(jù)量有限，并且數(shù)據(jù)需要進(jìn)行清洗刪減，所以最終嘔吐對話整理出2萬對問答數(shù)據(jù)，而感冒和針眼則只是分別整理出5000對問答數(shù)據(jù)，如圖3 為整理后的嘔吐數(shù)據(jù)集的部分截圖。

整理后的數(shù)據(jù)集將會(huì)存儲(chǔ)在數(shù)據(jù)庫中保存，用于后續(xù)的模型訓(xùn)練和對話回復(fù)的語句答案提取。由于知識庫的而建立，病例數(shù)據(jù)集可以很方便地通過不斷向相應(yīng)知識庫添加病例問答數(shù)據(jù)來擴(kuò)大病例的不同詢問，這樣能給用戶提供更好的問診回復(fù)體驗(yàn)。

3.2 系統(tǒng)結(jié)構(gòu)

聊天機(jī)器人隨著數(shù)據(jù)庫數(shù)據(jù)集的增加，進(jìn)行文本匹配檢索的時(shí)間將會(huì)越來越長，故上文對病例分別建立知識庫，為達(dá)到能將問題更加準(zhǔn)確的分類的目的，設(shè)計(jì)訓(xùn)練一種分類模型用于問題分類，機(jī)器學(xué)習(xí)中傳統(tǒng)的多分類模型有樸素貝葉斯和支持向量機(jī)模型在處理類似的問題時(shí)有較好的效果，但是這類模型的特征一般是采用獨(dú)熱編碼的形式來表示文本信息，而文本數(shù)據(jù)經(jīng)過處理分詞之后，句子被切成不同的詞和詞組，這種表示只是統(tǒng)計(jì)了詞的詞頻特征，沒有很好的獲取文本語義特征。所以此處使用中文維基百科語料訓(xùn)練的詞向量來訓(xùn)練的一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的模型用于問題分類[3]。搭建的分類模型計(jì)算流程如下圖4所示。

圖4 分類模型計(jì)算流圖

分類模型的主要結(jié)構(gòu)是通過輸入層到卷積層，然后將卷積層的輸出結(jié)果輸出，通過全連接進(jìn)行分類輸出結(jié)果，輸出層的激活函數(shù)使用Softmax函數(shù)進(jìn)行多分類。

輸入層的大小是經(jīng)過數(shù)據(jù)集中問句字段的分詞統(tǒng)計(jì)后得出為M*N的矩陣，M為分詞后的字段個(gè)數(shù)，N為詞向量的維度，其中M代表字段分詞后的詞組數(shù)量。因?yàn)槲谋镜脑~組數(shù)量是不定的，在這里我們對輸入文本做預(yù)處理，將其加工成定長，主要方法是通過統(tǒng)計(jì)文本長度分布取一個(gè)能覆蓋大部分文本的長度。經(jīng)過統(tǒng)計(jì)后，此處的M值設(shè)置為35，N的值為200，所以此處的輸入是35*200維度的靜態(tài)矩陣，輸入層通過F*N的卷積核的卷積層，F(xiàn)表示卷積長度，也就是每次處理文本中單詞的數(shù)量，我們可以選取使用不同的F值分別進(jìn)行卷積來提取更多的特征。當(dāng)F的值為2時(shí)，可以理解為bigram特征。所以經(jīng)過卷積層后就提取到了原文本的n-gram相關(guān)特征?？梢钥闯雒看尉矸e的時(shí)候都是整行的進(jìn)行。經(jīng)過卷積層后就得到了表示文本的特征向量，然后再經(jīng)過一個(gè)全連接層，并使用Softmax激活函數(shù)就得到了代表屬于不同類別的概率向量，也就完成了分類的工作[8]。

3.3 問句匹配

在問題分類后，系統(tǒng)選擇合適的病例知識庫，通過計(jì)算輸入問句詞向量與每個(gè)病例問句部分的詞向量的向量空間距離來計(jì)算問句之間的相似度。本文采用的詞向量使用Word2Vec訓(xùn)練，在計(jì)算問句相似度前，需要對分別每條語句進(jìn)行分詞處理，分出的詞組都有對應(yīng)的詞向量，系統(tǒng)將語句的所有詞向量進(jìn)行相加取平均值作為這個(gè)語句的向量表示，此處稱其為句向量[8]。然后對知識庫中的詢問部分的字段做同樣的處理，從而得到相應(yīng)的句向量表示，使用余弦相似度計(jì)算兩者之間的度量值，選擇最相似的問句，在知識庫中提取出該語句回答部分的字段回復(fù)到設(shè)計(jì)的客戶端界面顯示給用戶。

4 結(jié)論

全文首先結(jié)合現(xiàn)狀寫了智能聊天機(jī)器人的研究意義和發(fā)展?fàn)顩r；然后介紹了設(shè)計(jì)智能聊天機(jī)器人運(yùn)用的相關(guān)技術(shù)，包括自然語言處理原理、神經(jīng)網(wǎng)絡(luò)技術(shù)；然后介紹了面向中醫(yī)領(lǐng)域的聊天機(jī)器人的具體實(shí)現(xiàn)過程。通過實(shí)驗(yàn)數(shù)據(jù)結(jié)果顯示，本文設(shè)計(jì)的問題分類模型提高了分類準(zhǔn)確度，通過詞向量計(jì)算的問句匹配更能檢索到語義更相近的語句，應(yīng)用這些設(shè)計(jì)來完成的智能聊天機(jī)器人可以有效地回復(fù)用戶的問句。

參考文獻(xiàn)：

[1] 鄭曉霞，呂游，鄧紅，等. 基于眾包的聊天機(jī)器人的研究[J]. 信息技術(shù)，2017（04）：102-103+109.

[2] 劉超，馬東宇. 智能問答的聊天機(jī)器人系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 信息技術(shù)，2017（05）：176-177+180.

[3] 薛煒明，侯霞，李寧. 一種基于word2vec的文本分類方法[J]. 北京信息科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，33（01）：71-75.

[4] 汪靜，羅浪，王德強(qiáng). 基于Word2Vec的中文短文本分類問題研究[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2018，27（05）：209-215.

[5] 張志偉. 基于深度學(xué)習(xí)算法的文本情感分析[D].中國民航大學(xué)，2018.

[6] 邢世樣. 基于深度學(xué)習(xí)的智能問答系統(tǒng)研究[D].北京郵電大學(xué)，2017.

[7] 楊付全. 基于概念擴(kuò)展的中文問答系統(tǒng)模型研究[D].華中科技大學(xué)，2009.

[8] Yijun Gu， Rong Wang， Jianhua Wang. Word-Text Matrix Feature Selection in Chinese Text Classfication Based on LSI[P]，2009.

[9] ZHANG Yangsen，ZHENG Jia，JIANG Yuru，HUANG Gaijuan，CHEN Ruoyu. A Text Sentiment Classification Modeling Method Based on Coordinated CNN-LSTM-Attention Model[J]. Chinese Journal of Electronics，2019，28（01）：120-126.

【通聯(lián)編輯：代影】