具体实施方式

为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施例对本申请进行详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述在一个可选的实施方式中实施例的目的，不是旨在于限制本申请。

本申请实施例提供的基于人工智能的诊所评分方法由电子设备执行，相应地，基于人工智能的诊所评分装置运行于电子设备中。所述电子设备可以包括手机、平板电脑、笔记本电脑、台式电脑、个人数字助理和穿戴式设备等。

本申请实施例可以基于人工智能技术对医学影像进行处理。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。

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。

实施例一

图1是本申请实施例一提供的基于人工智能的诊所评分方法的流程图。所述基于人工智能的诊所评分方法具体包括以下步骤，根据不同的需求，该流程图中步骤的顺序可以改变，某些可以省略。

S11，获取目标诊所的用户评论文本，并基于训练完成的自然语言处理模型对所述用户评论文本进行评价词抽取，得到评价词。

示例性的，可以确定目标网站，在目标网站中获取目标诊所对应的用户评价文本。例如，可以使用网络爬虫技术采集多个目标网站中目标诊所对应的用户评价文本。目标网站可以是医疗网站。从目标网站中采集目标诊所对应的用户评价文本，能够提高用户评价文本的采集效率。

评价词是用于表示用户评价的词，如好、不好、满意、不满意、不错、不喜欢、喜好、讨厌等。可以根据实际情况对评价词对应的内容进行设置，在此不做任何限定。

自然语言处理模型可以为BERT(Bidirectional Encoder Representations fromTransformers)模型，或者是BERT模型的改进模型RoBERTa(Robustlyoptimized BERTPretraining approach)模型。RoBERTa模型，通过改进训练任务和数据生成方式、训练更久、使用更大批次、使用更多数据等获得了更先进的效果。

在一个可选的实施方式中，基于训练完成的自然语言处理模型对所述用户评论文本进行评价词抽取之前，所述方法还包括以下步骤：

获取用户评论样本，所述用户评论样本中包括评论词和所述评论词对应的评论标注；基于所述用户评论样本训练自然语言处理模型，并判断所述自然语言处理模型的评论词抽取率是否满足预设期望值，所述自然语言处理模型用于抽取所述用户评论样本中的评论词；若所述自然语言处理模型的评论词抽取率不满足预设期望值，调整所述自然语言处理模型的模型参数；迭代使用所述用户评论样本训练所述自然语言处理模型，直至判断所述自然语言处理模型的评论词抽取率满足预设期望值时，停止对所述自然语言处理模型的训练，得到训练完成的自然语言处理模型。

示例性的，所述自然语言处理模型可以包括输入层、隐藏层和输出层。所述输入层用于输入待识别的评论文本，如用户评论样本；所述隐藏层用于对输入的评论文本进行文本识别，提取出评论文本中的评论词；所述输出层用于输出所述评论词。

在一个可选的实施方式中，所述基于训练完成的自然语言处理模型对所述用户评论文本进行评价词抽取，得到评价词包括：

基于自然语言处理模型的子词编码模块对所述用户评论文本进行编码，得到多个子词，并通过所述自然语言处理模型的表征模块，对每个子词进行表征，得到每个子词对应的表征向量；

根据所述表征向量确定每个子词的标记，并根据每个子词标记对所述多个子词进行对齐处理，得到表征序列；

对所述表征序列进行计算，得到每个子词的匹配度，并根据所述匹配度确定评价词。

输入用户评论文本至训练完成的自然语言处理模型的输入层，所述输入层将所述用户评论文本输入至子词编码模块进行编码，通过所述子词编码模块输出所述用户评论文本中的多个子词(subword)。子词编码模块输入所述多个子词至表征模块进行进一步编码，通过表征模块输出每个子词的表征向量，所述表征向量用于唯一表示所述子词，其中，所述表征模块采用字节对编码(Byte-Pair Encoding，BPE)技术进行编码。

所述表征模块首先根据词表将每个子词映射成一个768维的词向量；再根据每个子词在用户评论文本中的位置，将位置映射成一个768维的位置向量；最后将所述词向量和所述位置向量中的每个元素相加作为子词对应的表征向量。所述表征模块不仅能够高效捕捉更长距离的语义依赖关系，而且能够获取双向的上下文信息来生成语义信息更丰富的向量表示。

由于表征模块采用字节对编码(Byte-Pair Encoding，BPE)技术对每个字词进行编码，因此，为每个子词生成的表征向量不同，有些子词的表征向量的序列长度与该子词对应的序列长度相同，有些子词的表征向量的序列长度与该子词对应的序列长度要长，因而，基于多个子词的表征向量得到的编码序列的长度会比输入的文本序列的长度要长，通过计算每个子词的标记(token)，并根据所述每个子词的标记对所述多个子词的表征向量进行对齐处理，使得每个子词对应的对齐处理后的表征向量的的序列长度能够相同，从而使得基于多个子词的表征向量得到的编码序列的长度与所述用户评论文本的长度保持一致，从而便于后续使用全连接层计算每个子词的匹配度。

在一个可选的实施方式中，所述根据所述表征向量确定每个子词的标记，并根据所述每个子词的标记对所述多个子词进行对齐处理得到表征序列包括：

将第一个子词对应的表征向量确定为所述第一个子词的标记；

计算后一个子词对应的表征向量与前一个子词对应的表征向量之间的向量差值得到所述后一个子词的标记；

计算每个子词的标记的数量，并判断所述标记的数量是否预设阈值；

当所述标记的数量大于预设阈值时，对所述标记进行卷积运算得到目标标记；

当所述标记的数量等于预设阈值时，将所述标记确定为目标标记；

根据所述目标标记得到表征序列。

其中，所述第一个子词是指位于所述用户评论文本中的第一个位置的词。所述预设阈值可以设置为1，在此不对预设阈值做任何限制。

在一些实施例中，由于通过自然语言处理模型提取得到的表征向量的长度大于所述用户评论文本的长度，而通过所述每个子词对应的表征计算每个子词的标记，能够快速的确定出表征向量中哪些子词的表征大小，最后通过将所有标记的数量大于预设阈值的标记进行卷积运算，实现了对所述标记对应的子词的表征的简化，从而能够有效的保证根据每个子词对应的目标标记得到的表征序列的长度与所述用户评论文本的长度一致。

示例性的，可以基于自然语言处理模型的连接层计算表征序列，得到每个子词的匹配度。例如，全连接层可以将表征序列中包含上下文信息的子词表示转化为一个2维表示，并将子词组合成词组，从而得到每个词组是否为评价词的得分。所述得分用以表示词组为评价词的匹配度。匹配度越大，表明词组为评价词的可能性越大，匹配度越小，表明词组为评价词的可能性越小。

示例性的，可以基于匹配度对所述多个子词进行倒序排序，获取倒序排序后的多个子词中的前预设数量的子词，作为评价词。

S12，基于预设的评价权重值树，确定所述评价词对应的评分值，并根据所述评分值，计算所述目标诊所对应的第一评分值。

示例性的，获取多个评价词，确定每个评价词对应的评价等级，评价等级用于表示用户的满意程度。例如，评价等级越高，用户对应的满意程度越高，评价等级越低，用户对应的满意程度越低。可以根据评价词对应的感情色彩，确定评价词对应的评价等级。例如，评价词“最好”、“最棒”对应的评价等级高于评价词“最差”、“最坏”对应的评价等级。

根据所述多个评价词对应的评价等级，构建评价权重值树。评价权重值树包括根节点和多个叶子节点，每个节点包括节点对应的评价词和节点对应的节点值。评价等级高的评价词对应的节点距离所述评价权重值树的根节点较近，该节点对应的节点层级越高，该节点对应的节点值越大；评价等级低的评价词对应的节点距离所述评价权重值树的根节点较远，该节点对应的节点层级越低，该节点对应的节点值越小。

可以根据不同节点对应的节点层级，设置不同的权重值。示例性的，可以基于节点对应节点层级的权重值乘以该节点对应的节点值，确定所述评价词对应的评分值。

示例性的，若有多个评价词，基于预设的评价权重值树可确定多个评分值，可以基于多个评分值的平均值，计算所述目标诊所对应的第一评分值。

在一个可选的实施方式中，所述基于预设的评价权重值树，确定所述评价词对应的评分值包括：

根据所述评价词遍历评价权重值树，确定所述评价词对应的节点；

确定所述节点对应的节点层级及对应的节点值；

基于所述节点层级和所述节点值，确定所述评价词对应的评分值。

可以根据不同叶子节点对应的节点层级，设置不同的权重值。示例性的，可以基于叶子节点对应节点层级的权重值乘以该叶子节点对应的节点值，确定所述评价词对应的评分值。

S13，基于所述目标诊所的诊断数据，得到患者的诊断记录数据，并基于所述诊断记录数据，确定第二评分值，其中，所述诊断记录数据包括患者病症和所述患者病症对应的患者用药。

所述诊断数据包括患者的诊断记录数据，如患者病症及患者病症对应的患者用药，基于所述诊断数据，确定第二评分值。

在一个可选的实施方式中，所述基于所述诊断记录数据，确定第二评分值包括：

基于所述患者用药对应的药品信息，确定所述患者用药对应的用药特征信息；

基于余弦相似度算法，对所述用药特征信息与所述患者病症进行计算，得到所述用药特征信息与所述患者病症的匹配度；

根据所述患者病症，确定病症等级；

基于所述匹配度和所述病症等级，确定第二评分值。

用药特征信息用于表示患者用药对应的适用病症。示例性的，可以预先设置药品数据库，药品数据库中记录了药品和用药特征信息之间的映射关系。基于药品信息查询所述药品数据库可以确定该药品对应的用药特征信息。

基于余弦相似度算法，对所述用药特征信息与所述患者病症进行计算，得到所述用药特征信息与所述患者病症的匹配度，从而确定患者用药是否与患者病症相符，匹配度越高，患者用药与患者病症越相符；匹配度越低，患者用药与患者病症越不符，容易发生医疗事故。基于所述患者病症，计算患者对应的病症等级，病症等级用于表示疾病的严重程度，病症等级越高，该疾病越难治。

示例性的，所述基于余弦相似度算法，对所述用药特征信息与所述患者病症进行计算，得到所述用药特征信息与所述患者病症的匹配度包括：获取所述用药特征信息与所述患者病症两个文本的表示向量，计算两个表示向量的余弦相似度，基于所述相似度确定所述用药特征信息与所述患者病症的匹配度。余弦相似度越大，表示所述用药特征信息与所述患者病症越相似，其匹配度也越大。

可以根据匹配度与病症等级对应的权重值，计算第二评分值。例如，可以将匹配度乘以病症等级对应的权重值，得到第二评分值。其中，疾病等级对应的权重值可以根据实际情况进行设置。例如，疾病等级越高，对应的权重可以设置得越小。

示例性的，若存在多位患者对应的诊断数据，根据所述匹配度和所述病症等级，可以确定多个评分值，将所述多个评分值对应的平均值，确定为第二评分值。

S14，基于所述目标诊所的就医环境数据，确定所述就医环境数据对应的多个环境维度；并根据所述多个环境维度，确定第三评分值。

就医环境数据用于表示诊所环境的质量，可以包括诊所温度、诊所氧气含量、诊所二氧化碳含量和诊所湿度等。

在一个可选的实施方式中，所述根据所述多个环境维度，确定第三评分值包括：

确定所述就医环境数据对应的多个环境维度；

根据所述多个环境维度从所述就医环境数据中，确定每个环境维度对应的维度信息；

确定每个所述环境维度的度量单位，并基于所述度量单位，对每个所述环境维度对应的维度信息进行标准化处理，得到标准值；

确定每个环境维度所属的维度类型；

基于所述维度类型及所述标准值，生成所述就医环境数据的融合标准值；

根据所述融合标准值，生成所述就医环境数据对应的环境曲线；

计算所述环境曲线与预设曲线的相似度，并基于所述相似度确定第三评分值。

所述环境维度可以包括温度维度、氧气含量维度、二氧化碳含量维度、湿度维度等。从所述就医环境数据中确定每个环境维度对应的维度信息，如确定温度维度对应的温度测量数据、氧气含量维度对应的氧气测量数据、二氧化碳含量维度对应的二氧化碳测量数据、湿度维度对应的湿度测量数据。

基于每个环境维度对应的度量单位，对所述每个环境维度对应的维度信息进行标准化处理，将每个环境维度对应的维度信息同一格式的数据，得到标准值。

不同的维度类型可以设置不同的权重值，基于所述维度类型对应的权重值及所述标准值，生成所述就医环境数据的融合标准值。例如，存在多个维度类型，将每个维度类型对应的权重值乘以该维度类型对应的标准值，得到多个计算值，将所述多个计算值的平均值确定为所述就医环境数据的融合标准值。

示例性的，可以根据融合标准值和所述融合标准值对应的时间，生成所述就医环境数据对应的环境曲线。所述时间可以是日期、时辰等。

S15，基于所述第一评分值、所述第二评分值和所述第三评分值，计算所述目标诊所对应的融合评分值。

示例性的，可以计算所述第一评分值、所述第二评分值和所述第三评分值的平均值，将所述平均值确定为所述目标诊所对应的融合评分值。

在一个可选的实施方式中，所述基于所述第一评分值、所述第二评分值和所述第三评分值，计算所述目标诊所对应的融合评分值包括：

基于所述第一评分值、所述第二评分值和所述第三评分值，构建评分三角形；

计算所述评分三角形的重心，并基于所述重心，得到所述目标诊所对应的融合评分坐标；

基于所述融合评分坐标，确定所述目标诊所对应的融合评分值。

示例性的，可以预先设置第一评分值对应的第一权重值，第二评分值对应的第二权重值和第三评分值对应的第三权重值。利用每个评分值对应的权重，计算每个评分值对应的坐标，基于坐标构建评分三角形。例如，基于所述第一权重，确定所述第一评分值对应的坐标，如将第一评分值对应的数值确定为X，将第一评分值对应的数值乘以第一权重值得到的值，确定为Y，得到第一评分值对应的坐标。

示例性的，确定所述评分三角形的重心对应的重心坐标，将所述重心坐标确定为所述目标诊所对应的融合评分坐标。例如，可以将融合评分坐标在X轴上的值，确定为目标诊所对应的融合评分值；或者基于融合评分坐标X值和Y值，计算融合评分坐标与原点坐标的距离值，将所述距离值确定为目标诊所对应的融合评分值。

S16，基于所述融合评分值，确定所述目标诊所的评分。

示例性的，可以将融合评分值进行数值转换，将转换后的值确定为目标诊所的评分，所述数值转换包括百分制转换、五分制转换、等级制转换等。

本申请所述的基于人工智能的诊所评分方法，通过获取目标诊所的用户评论文本，并基于训练完成的自然语言处理模型对所述用户评论文本进行评价词抽取，得到评价词，使用自然语言处理模型对用户评论文本进行评价词抽取，可以提高确定评价词的效率和准确率；然后基于预设的评价权重值树，得到每个所述评价词对应的评分值，并根据所述评分值，计算所述目标诊所对应的第一评分值，通过遍历评价权重树，可以提高确定评分值的准确率和效率，从而使得确定的第一评分值更准确；基于所述目标诊所的诊断数据，得到患者的诊断记录数据，并基于所述诊断记录数据，确定第二评分值，其中，所述诊断记录数据包括患者病症和所述患者病症对应的患者用药，获取所述目标诊所的就医环境数据，并基于所述就医环境数据，确定第三评分值；接着基于所述第一评分值、所述第二评分值和所述第三评分值，计算所述目标诊所对应的融合评分值，并基于所述融合评分值，确定所述目标诊所的评分，通过三个维度的评分值，得到融合评分值可以包括更丰富的诊所信息，从而使得确定的评分更准确更符合实际情况，提高了评分的有效性。

实施例二

图2是本申请实施例二提供的基于人工智能的诊所评分装置的结构图。

在一些实施例中，所述基于人工智能的诊所评分装置20可以包括多个由计算机程序段所组成的功能模块。所述基于人工智能的诊所评分装置20中的各个程序段的计算机程序可以存储于电子设备的存储器中，并由至少一个处理器所执行，以执行(详见图1描述)基于人工智能的诊所评分方法的功能。

本实施例中，所述基于人工智能的诊所评分装置20根据其所执行的功能，可以被划分为多个功能模块。所述功能模块可以包括：诊所评价处理模块201、第一评分计算模块202、第二评分计算模块203、第三评分计算模块204、融合评分计算模块205及诊所评分计算模块206。本申请所称的模块是指一种能够被至少一个处理器所执行并且能够完成固定功能的一系列计算机程序段，其存储在存储器中。在本实施例中，关于各模块的功能将在后续的实施例中详述。

诊所评价处理模块201，用于获取目标诊所的用户评论文本，并基于训练完成的自然语言处理模型对所述用户评论文本进行评价词抽取，得到评价词。

示例性的，可以确定目标网站，在目标网站中获取目标诊所对应的用户评价文本。例如，可以使用网络爬虫技术采集多个目标网站中目标诊所对应的用户评价文本。目标网站可以是医疗网站。从目标网站中采集目标诊所对应的用户评价文本，能够提高用户评价文本的采集效率。

评价词是用于表示用户评价的词，如好、不好、满意、不满意、不错、不喜欢、喜好、讨厌等。可以根据实际情况对评价词对应的内容进行设置，在此不做任何限定。

自然语言处理模型可以为BERT(Bidirectional Encoder Representations fromTransformers)模型，或者是BERT模型的改进模型RoBERTa(Robustlyoptimized BERTPretraining approach)模型。RoBERTa模型，通过改进训练任务和数据生成方式、训练更久、使用更大批次、使用更多数据等获得了更先进的效果。

在一个可选的实施方式中，基于训练完成的自然语言处理模型对所述用户评论文本进行评价词抽取之前，所述方法还包括以下步骤：

获取用户评论样本，所述用户评论样本中包括评论词和所述评论词对应的评论标注；基于所述用户评论样本训练自然语言处理模型，并判断所述自然语言处理模型的评论词抽取率是否满足预设期望值，所述自然语言处理模型用于抽取所述用户评论样本中的评论词；若所述自然语言处理模型的评论词抽取率不满足预设期望值，调整所述自然语言处理模型的模型参数；迭代使用所述用户评论样本训练所述自然语言处理模型，直至判断所述自然语言处理模型的评论词抽取率满足预设期望值时，停止对所述自然语言处理模型的训练，得到训练完成的自然语言处理模型。

示例性的，所述自然语言处理模型可以包括输入层、隐藏层和输出层。所述输入层用于输入待识别的评论文本，如用户评论样本；所述隐藏层用于对输入的评论文本进行文本识别，提取出评论文本中的评论词；所述输出层用于输出所述评论词。

在一个可选的实施方式中，诊所评价处理模块201基于训练完成的自然语言处理模型对所述用户评论文本进行评价词抽取，得到评价词包括：

基于自然语言处理模型的子词编码模块对所述用户评论文本进行编码，得到多个子词，并通过所述自然语言处理模型的表征模块，对每个子词进行表征，得到每个子词对应的表征向量；

根据所述表征向量确定每个子词的标记，并根据每个子词标记对所述多个子词进行对齐处理，得到表征序列；

对所述表征序列进行计算，得到每个子词的匹配度，并根据所述匹配度确定评价词。

输入用户评论文本至训练完成的自然语言处理模型的输入层，所述输入层将所述用户评论文本输入至子词编码模块进行编码，通过所述子词编码模块输出所述用户评论文本中的多个子词(subword)。子词编码模块输入所述多个子词至表征模块进行进一步编码，通过表征模块输出每个子词的表征向量，所述表征向量用于唯一表示所述子词，其中，所述表征模块采用字节对编码(Byte-Pair Encoding，BPE)技术进行编码。

所述表征模块首先根据词表将每个子词映射成一个768维的词向量；再根据每个子词在用户评论文本中的位置，将位置映射成一个768维的位置向量；最后将所述词向量和所述位置向量中的每个元素相加作为子词对应的表征向量。所述表征模块不仅能够高效捕捉更长距离的语义依赖关系，而且能够获取双向的上下文信息来生成语义信息更丰富的向量表示。

由于表征模块采用字节对编码(Byte-Pair Encoding，BPE)技术对每个字词进行编码，因此，为每个子词生成的表征向量不同，有些子词的表征向量的序列长度与该子词对应的序列长度相同，有些子词的表征向量的序列长度与该子词对应的序列长度要长，因而，基于多个子词的表征向量得到的编码序列的长度会比输入的文本序列的长度要长，通过计算每个子词的标记(token)，并根据所述每个子词的标记对所述多个子词的表征向量进行对齐处理，使得每个子词对应的对齐处理后的表征向量的的序列长度能够相同，从而使得基于多个子词的表征向量得到的编码序列的长度与所述用户评论文本的长度保持一致，从而便于后续使用全连接层计算每个子词的匹配度。

在一个可选的实施方式中，诊所评价处理模块201根据所述表征向量确定每个子词的标记，并根据所述每个子词的标记对所述多个子词进行对齐处理得到表征序列包括：

将第一个子词对应的表征向量确定为所述第一个子词的标记；

计算后一个子词对应的表征向量与前一个子词对应的表征向量之间的向量差值得到所述后一个子词的标记；

计算每个子词的标记的数量，并判断所述标记的数量是否预设阈值；

当所述标记的数量大于预设阈值时，对所述标记进行卷积运算得到目标标记；

当所述标记的数量等于预设阈值时，将所述标记确定为目标标记；

根据所述目标标记得到表征序列。

其中，所述第一个子词是指位于所述用户评论文本中的第一个位置的词。

所述预设阈值可以设置为1，在此不对预设阈值做任何限制。

在一些实施例中，由于通过自然语言处理模型提取得到的表征向量的长度大于所述用户评论文本的长度，而通过所述每个子词对应的表征计算每个子词的标记，能够快速的确定出表征向量中哪些子词的表征大小，最后通过将所有标记的数量大于预设阈值的标记进行卷积运算，实现了对所述标记对应的子词的表征的简化，从而能够有效的保证根据每个子词对应的目标标记得到的表征序列的长度与所述用户评论文本的长度一致。

示例性的，可以基于自然语言处理模型的连接层计算表征序列，得到每个子词的匹配度。例如，全连接层可以将表征序列中包含上下文信息的子词表示转化为一个2维表示，并将子词组合成词组，从而得到每个词组是否为评价词的得分。所述得分用以表示词组为评价词的匹配度。匹配度越大，表明词组为评价词的可能性越大，匹配度越小，表明词组为评价词的可能性越小。

示例性的，可以基于匹配度对所述多个子词进行倒序排序，获取倒序排序后的多个子词中的前预设数量的子词，作为评价词。

第一评分计算模块202，用于基于预设的评价权重值树，确定所述评价词对应的评分值，并根据所述评分值，计算所述目标诊所对应的第一评分值。

示例性的，获取多个评价词，确定每个评价词对应的评价等级，评价等级用于表示用户的满意程度。例如，评价等级越高，用户对应的满意程度越高，评价等级越低，用户对应的满意程度越低。可以根据评价词对应的感情色彩，确定评价词对应的评价等级。例如，评价词“最好”、“最棒”对应的评价等级高于评价词“最差”、“最坏”对应的评价等级。

根据所述多个评价词对应的评价等级，构建评价权重值树。评价权重值树包括根节点和多个叶子节点，每个节点包括节点对应的评价词和节点对应的节点值。评价等级高的评价词对应的节点距离所述评价权重值树的根节点较近，该节点对应的节点层级越高，该节点对应的节点值越大；评价等级低的评价词对应的节点距离所述评价权重值树的根节点较远，该节点对应的节点层级越低，该节点对应的节点值越小。

可以根据不同节点对应的节点层级，设置不同的权重值。示例性的，可以基于节点对应节点层级的权重值乘以该节点对应的节点值，确定所述评价词对应的评分值。

示例性的，若有多个评价词，基于预设的评价权重值树可确定多个评分值，可以基于多个评分值的平均值，计算所述目标诊所对应的第一评分值。

在一个可选的实施方式中，第一评分计算模块202基于预设的评价权重值树，确定所述评价词对应的评分值包括：

根据所述评价词遍历评价权重值树，确定所述评价词对应的节点；

确定所述节点对应的节点层级及对应的节点值；

基于所述节点层级和所述节点值，确定所述评价词对应的评分值。

第二评分计算模块203，用于基于所述目标诊所的诊断数据，得到患者的诊断记录数据，并基于所述诊断记录数据，确定第二评分值，其中，所述诊断记录数据包括患者病症和所述患者病症对应的患者用药。

所述诊断数据包括患者的诊断记录数据，如患者病症及患者病症对应的患者用药，基于所述诊断数据，确定第二评分值。

在一个可选的实施方式中，第二评分计算模块203基于所述诊断记录数据，确定第二评分值包括：

基于所述患者用药对应的药品信息，确定所述患者用药对应的用药特征信息；

基于余弦相似度算法，对所述用药特征信息与所述患者病症进行计算，得到所述用药特征信息与所述患者病症的匹配度；

根据所述患者病症，确定病症等级；

基于所述匹配度和所述病症等级，确定第二评分值。

用药特征信息用于表示患者用药对应的适用病症。示例性的，可以预先设置药品数据库，药品数据库中记录了药品和用药特征信息之间的映射关系。基于药品信息查询所述药品数据库可以确定该药品对应的用药特征信息。

基于余弦相似度算法，对所述用药特征信息与所述患者病症进行计算，得到所述用药特征信息与所述患者病症的匹配度，从而确定患者用药是否与患者病症相符，匹配度越高，患者用药与患者病症越相符；匹配度越低，患者用药与患者病症越不符，容易发生医疗事故。

示例性的，所述基于余弦相似度算法，对所述用药特征信息与所述患者病症进行计算，得到所述用药特征信息与所述患者病症的匹配度包括：获取所述用药特征信息与所述患者病症两个文本的表示向量，计算两个表示向量的余弦相似度，基于所述相似度确定所述用药特征信息与所述患者病症的匹配度。余弦相似度越大，表示所述用药特征信息与所述患者病症越相似，其匹配度也越大。

基于所述患者病症，计算患者对应的病症等级，病症等级用于表示疾病的严重程度，病症等级越高，该疾病越难治。

可以根据匹配度与病症等级对应的权重值，计算第二评分值。例如，可以将匹配度乘以病症等级对应的权重值，得到第二评分值。其中，疾病等级对应的权重值可以根据实际情况进行设置。例如，疾病等级越高，对应的权重可以设置得越小。

示例性的，若存在多位患者对应的诊断数据，根据所述匹配度和所述病症等级，可以确定多个评分值，将所述多个评分值对应的平均值，确定为第二评分值。

第三评分计算模块204，用于基于所述目标诊所的就医环境数据，确定所述就医环境数据对应的多个环境维度；并根据所述多个环境维度，确定第三评分值。

就医环境数据用于表示诊所环境的质量，可以包括诊所温度、诊所氧气含量、诊所二氧化碳含量和诊所湿度等。

在一个可选的实施方式中，第三评分计算模块204根据所述多个环境维度，确定第三评分值包括：

确定所述就医环境数据对应的多个环境维度；

根据所述多个环境维度从所述就医环境数据中，确定每个环境维度对应的维度信息；

确定每个所述环境维度的度量单位，并基于所述度量单位，对每个所述环境维度对应的维度信息进行标准化处理，得到标准值；

确定每个环境维度所属的维度类型；

基于所述维度类型及所述标准值，生成所述就医环境数据的融合标准值；

根据所述融合标准值，生成所述就医环境数据对应的环境曲线；

计算所述环境曲线与预设曲线的相似度，并基于所述相似度确定第三评分值。

所述环境维度可以包括温度维度、氧气含量维度、二氧化碳含量维度、湿度维度等。从所述就医环境数据中确定每个环境维度对应的维度信息，如确定温度维度对应的温度测量数据、氧气含量维度对应的氧气测量数据、二氧化碳含量维度对应的二氧化碳测量数据、湿度维度对应的湿度测量数据。

基于每个环境维度对应的度量单位，对所述每个环境维度对应的维度信息进行标准化处理，将每个环境维度对应的维度信息同一格式的数据，得到标准值。

不同的维度类型可以设置不同的权重值，基于所述维度类型对应的权重值及所述标准值，生成所述就医环境数据的融合标准值。例如，存在多个维度类型，将每个维度类型对应的权重值乘以该维度类型对应的标准值，得到多个计算值，将所述多个计算值的平均值确定为所述就医环境数据的融合标准值。

示例性的，可以根据融合标准值和所述融合标准值对应的时间，生成所述就医环境数据对应的环境曲线。所述时间可以是日期、时辰等。

融合评分计算模块205，用于基于所述第一评分值、所述第二评分值和所述第三评分值，计算所述目标诊所对应的融合评分值。

示例性的，可以计算所述第一评分值、所述第二评分值和所述第三评分值的平均值，将所述平均值确定为所述目标诊所对应的融合评分值。

在一个可选的实施方式中，融合评分计算模块205基于所述第一评分值、所述第二评分值和所述第三评分值，计算所述目标诊所对应的融合评分值包括：

基于所述第一评分值、所述第二评分值和所述第三评分值，构建评分三角形；计算所述评分三角形的重心，并基于所述重心，得到所述目标诊所对应的融合评分坐标；基于所述融合评分坐标，确定所述目标诊所对应的融合评分值。

示例性的，可以预先设置第一评分值对应的第一权重值，第二评分值对应的第二权重值和第三评分值对应的第三权重值。利用每个评分值对应的权重，计算每个评分值对应的坐标，基于坐标构建评分三角形。例如，基于所述第一权重，确定所述第一评分值对应的坐标，如将第一评分值对应的数值确定为X，将第一评分值对应的数值乘以第一权重值得到的值，确定为Y，得到第一评分值对应的坐标。

示例性的，确定所述评分三角形的重心对应的重心坐标，将所述重心坐标确定为所述目标诊所对应的融合评分坐标。例如，可以将融合评分坐标在X轴上的值，确定为目标诊所对应的融合评分值；或者基于融合评分坐标X值和Y值，计算融合评分坐标与原点坐标的距离值，将所述距离值确定为目标诊所对应的融合评分值。

诊所评分计算模块206，用于基于所述融合评分值，确定所述目标诊所的评分。

示例性的，可以将融合评分值进行数值转换，将转换后的值确定为目标诊所的评分，所述数值转换包括百分制转换、五分制转换、等级制转换等。

本申请所述的基于人工智能的诊所评分装置，通过获取目标诊所的用户评论文本，并基于训练完成的自然语言处理模型对所述用户评论文本进行评价词抽取，得到评价词，使用自然语言处理模型对用户评论文本进行评价词抽取，可以提高确定评价词的效率和准确率；然后基于预设的评价权重值树，得到每个所述评价词对应的评分值，并根据所述评分值，计算所述目标诊所对应的第一评分值，通过遍历评价权重树，可以提高确定评分值的准确率和效率，从而使得确定的第一评分值更准确；基于所述目标诊所的诊断数据，得到患者的诊断记录数据，并基于所述诊断记录数据，确定第二评分值，其中，所述诊断记录数据包括患者病症和所述患者病症对应的患者用药，获取所述目标诊所的就医环境数据，并基于所述就医环境数据，确定第三评分值；接着基于所述第一评分值、所述第二评分值和所述第三评分值，计算所述目标诊所对应的融合评分值，并基于所述融合评分值，确定所述目标诊所的评分，通过三个维度的评分值，得到融合评分值可以包括更丰富的诊所信息，从而使得确定的评分更准确更符合实际情况，提高了评分的有效性。

实施例三

本实施例提供一种计算机可读存储介质，该计算机可读存储介质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基于人工智能的诊所评分方法实施例中的步骤，例如图1所示的S11-S16：

S11，获取目标诊所的用户评论文本，并基于训练完成的自然语言处理模型对所述用户评论文本进行评价词抽取，得到评价词；

S12，基于预设的评价权重值树，确定所述评价词对应的评分值，并根据所述评分值，计算所述目标诊所对应的第一评分值；

S13，基于所述目标诊所的诊断数据，得到患者的诊断记录数据，并基于所述诊断记录数据，确定第二评分值，其中，所述诊断记录数据包括患者病症和所述患者病症对应的患者用药；

S14，基于所述目标诊所的就医环境数据，确定所述就医环境数据对应的多个环境维度；并根据所述多个环境维度，确定第三评分值；

S15，基于所述第一评分值、所述第二评分值和所述第三评分值，计算所述目标诊所对应的融合评分值；

S16，基于所述融合评分值，确定所述目标诊所的评分。

或者，该计算机程序被处理器执行时实现上述装置实施例中各模块/单元的功能，例如图2中的模块201-206：

诊所评价处理模块201，用于获取目标诊所的用户评论文本，并基于训练完成的自然语言处理模型对所述用户评论文本进行评价词抽取，得到评价词；

所述第一评分计算模块202，用于基于预设的评价权重值树，确定所述评价词对应的评分值，并根据所述评分值，计算所述目标诊所对应的第一评分值；

所述第二评分计算模块203，用于基于所述目标诊所的诊断数据，得到患者的诊断记录数据，并基于所述诊断记录数据，确定第二评分值，其中，所述诊断记录数据包括患者病症和所述患者病症对应的患者用药；

所述第三评分计算模块204，用于基于所述目标诊所的就医环境数据，确定所述就医环境数据对应的多个环境维度；并根据所述多个环境维度，确定第三评分值；

所述融合评分计算模块205，用于基于所述第一评分值、所述第二评分值和所述第三评分值，计算所述目标诊所对应的融合评分值；

所述诊所评分计算模块206，用于基于所述融合评分值，确定所述目标诊所的评分。

实施例四

参阅图3所示，为本申请实施例三提供的电子设备的结构示意图。在本申请较佳实施例中，所述电子设备3包括存储器31、至少一个处理器32、至少一条收发器33及通信总线34。

本领域技术人员应该了解，图3示出的电子设备的结构并不构成本申请实施例的限定，既可以是总线型结构，也可以是星形结构，所述电子设备3还可以包括比图示更多或更少的其他硬件或者软件，或者不同的部件布置。

在一些实施例中，所述电子设备3是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路、可编程门阵列、数字处理器及嵌入式设备等。所述电子设备3还可包括客户设备，所述客户设备包括但不限于任何一种可与客户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、数码相机等。

需要说明的是，所述电子设备3仅为举例，其他现有的或今后可能出现的电子产品如可适应于本申请，也应包含在本申请的保护范围以内，并以引用方式包含于此。

在一些实施例中，所述存储器31中存储有计算机程序，所述计算机程序被所述至少一个处理器32执行时实现如所述的基于人工智能的诊所评分方法中的全部或者部分步骤。所述存储器31包括只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read-Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子擦除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

进一步地，所述计算机可读存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

在一些实施例中，所述至少一个处理器32是所述电子设备3的控制核心(ControlUnit)，利用各种接口和线路连接整个电子设备3的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块，以及调用存储在所述存储器31内的数据，以执行电子设备3的各种功能和处理数据。例如，所述至少一个处理器32执行所述存储器中存储的计算机程序时实现本申请实施例中所述的基于人工智能的诊所评分方法的全部或者部分步骤；或者实现基于人工智能的诊所评分装置的全部或者部分功能。所述至少一个处理器32可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。

在一些实施例中，所述至少一条通信总线34被设置为实现所述存储器31以及所述至少一个处理器32等之间的连接通信。

尽管未示出，所述电子设备3还可以包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理装置与所述至少一个处理器32逻辑相连，从而通过电源管理装置实现管理充电、放电、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备3还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，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，电子设备，或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的部分。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或，单数不排除复数。说明书中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。