本公開涉及醫(yī)療設備及心理健康管理，尤其涉及一種基于大語言模型驅動的心理健康教練語音模型優(yōu)化方法。

背景技術：

1、隨著人工智能技術的不斷進步，智能語音助手在健康管理領域的應用越來越廣泛，雖然取得了一定的成果，但仍面臨諸多挑戰(zhàn)。傳統(tǒng)基于規(guī)則或模板的方法在處理復雜、多變的健康咨詢場景時顯得力不從心，而現(xiàn)有的基于自然語言處理(nlp)技術和對話生成模型的語音助手，雖然在問答流暢性和基礎知識覆蓋上有所進步，但在以下幾個方面存在明顯局限：

2、專業(yè)深度不足：多數(shù)現(xiàn)有系統(tǒng)依賴于通用的語言模型，缺乏針對心理健康領域的深度學習和專業(yè)知識融合，導致在提供具體健康建議時往往過于泛泛，無法給出精準、專業(yè)的解答。

3、個性化缺失：用戶的心理健康狀況、生活習慣、心理狀態(tài)等個體差異巨大，但現(xiàn)有語音助手往往采用“一刀切”的回答方式，缺乏根據(jù)用戶個人情況定制化的心理健康建議。

4、情感交互生硬：在健康咨詢中，用戶的情緒狀態(tài)對咨詢效果有著重要影響。然而，現(xiàn)有系統(tǒng)往往忽視了情感交流的重要性，回復缺乏溫度，難以建立用戶信任。

5、因此，亟需一種新型技術路線，融合心理健康知識和個性化特征，提升語音助手在心理健康管理中的綜合能力。

技術實現(xiàn)思路

1、為了解決現(xiàn)有技術的不足，本公開實施例提供了一種基于大語言模型驅動的心理健康教練語音模型優(yōu)化方法，該方法旨在通過融合健康知識圖譜、改進大語言模型、加強個性化與情感交互等技術手段，實現(xiàn)心理健康咨詢的專業(yè)化、個性化和情感化，以解決傳統(tǒng)方法專業(yè)深度不足、個性化缺失以及情感交互生硬等問題。

2、本公開實施例提供了一種基于大語言模型驅動的心理健康教練語音模型優(yōu)化方法，包括以下步驟：

3、從多種渠道采集健康知識數(shù)據(jù)和健康咨詢對話數(shù)據(jù)，并構建多源異構數(shù)據(jù)集合；

4、對所述多源異構數(shù)據(jù)集合中的數(shù)據(jù)進行預處理，所述預處理包括數(shù)據(jù)清洗、標注數(shù)據(jù)和統(tǒng)一數(shù)據(jù)格式；

5、基于預處理后的數(shù)據(jù)，構建健康知識圖譜和處理對話上下文；

6、設置改進的大語言模型；其中，所述改進的大語言模型包括嵌入層、多層遞歸結構、殘差連接和全連接層，它們按照數(shù)據(jù)流的順序依次排列，并通過特定的方式相互連接；

7、創(chuàng)建知識問答任務，將健康知識圖譜嵌入到所述改進的大語言模型進行健康知識融合訓練；

8、構建對話場景，將對話上下文與知識嵌入融合所述改進的大模型進行對話訓練；

9、確定評估指標，并根據(jù)評估指標的反饋結果，分析模型存在的不足和問題，并進行優(yōu)化。

10、一種可以的實現(xiàn)方式中，其中，所述改進的大語言模型中的嵌入層、多層遞歸結構、殘差連接和全連接層通過如下特定的方式相互連接：

11、所述嵌入層，用于將離散的類別型數(shù)據(jù)轉換為低維的連續(xù)向量表示，即嵌入表示，所述類別型數(shù)據(jù)包括單詞和類別標簽；

12、所述多層遞歸結構，用于對所述嵌入層輸出的嵌入表示進行遞歸計算操作，其由多層相同或相似的子層堆疊而成，每層都基于前一層的輸出進行遞歸計算，每層包含以下三個組件：自注意力處理、切比雪夫特征提取和歸一化操作；

13、所述殘差連接，用于將所述多層遞歸結構每層的輸入與該層的輸出進行相加，形成殘差連接；

14、所述全連接層，用于對所述多層遞歸結構的最后一層的輸出進行線性變換，輸出預測結果。

15、一種可以的實現(xiàn)方式中，其中，所述改進的大語言模型的網絡每一層的權重由切比雪夫多項式系數(shù)矩陣表示，通過訓練動態(tài)調整，且所述網絡的核心參數(shù)包括嵌入維度、注意力頭數(shù)、切比雪夫特征提取次數(shù)和切比雪夫多項式階數(shù)。

16、一種可以的實現(xiàn)方式中，其中，所述方法包括：

17、基于切比雪夫多項式tdegree(x)對輸入x進行展開或表示：

18、tdegree(x)＝cos(degree·arccos(x))

19、t0(x)＝1

20、t1(x)＝x

21、tdegree(x)＝2x·tdegree-1(x)-tdegree-2(x)

22、其中，輸入x為健康知識圖譜或對話上下文；切比雪夫多項式tdegree(x)是一個degree次多項式，tdegree-1(x)是階數(shù)為degree-1的切比雪夫多項式，tdegree-2(x)是階數(shù)為degree-2的切比雪夫多項式；arccos(x)是反余弦函數(shù)，degree是索引值，用于索引對應的切比雪夫多項式的階數(shù)，從而計算每個階數(shù)下的多項式值；

23、輸入x被投影到每個切比雪夫多項式階數(shù)的系數(shù)chebycoeffs上進行前向傳播計算：

24、

25、其中，cdegree為系數(shù)，tdegree(x)為切比雪夫多項式展開項，degree為切比雪夫多項式階數(shù)；ym表示是最終輸出的第m個特征值，通過對每個輸入特征在不同階數(shù)的切比雪夫多項式上的加權和，得到輸出的特定維度即輸出的第m個元素，m是輸出空間中特征的索引，表示當前計算的第m個輸出特征。

26、一種可以的實現(xiàn)方式中，其中，健康知識融合訓練過程中，包括：

27、通過所述嵌入層將健康知識圖譜中的實體和關系的離散數(shù)據(jù)轉換為低維的連續(xù)向量表示，其中，所述健康知識圖譜由三元組頭實體、關系和尾實體表示，所述向量表示包含了圖譜中實體和關系的語義信息；

28、所述嵌入層輸出的所述向量表示被送入所述多層遞歸結構中，進行深度的特征提取和序列建模；其中，在每一層中，自注意力處理機制能夠捕捉到圖譜中實體和關系之間的復雜依賴關系；切比雪夫特征提取則通過切比雪夫多項式對輸入向量進行非線性變換，進一步提取出圖譜中的特征信息；歸一化操作則確保模型在訓練過程中的穩(wěn)定性；

29、經過所述多層遞歸結構處理后的特征表示被送入所述全連接層，所述全連接層根據(jù)具體的任務，將特征表示映射到輸出空間，輸出預測結果；

30、并且，使用聯(lián)合損失函數(shù)來優(yōu)化模型，使改進的大語言模型能夠在生成回答時準確關聯(lián)和運用相關知識。

31、一種可以的實現(xiàn)方式中，其中，所述健康知識融合訓練采用的聯(lián)合損失函數(shù)，包括實體分類任務的損失、關系分類任務的損失和混合損失函數(shù)，以加強實體識別與關系推斷能力。

32、一種可以的實現(xiàn)方式中，其中，對話訓練過程中，包括：

33、通過所述嵌入層將文本中的單詞和短語的離散數(shù)據(jù)轉換為低維的連續(xù)向量表示，其中，所述向量表示包含了對話上下文中的語義信息；

34、所述嵌入層輸出的所述向量表示被送入所述多層遞歸結構中，進行深度的特征提取和序列建模；其中，在每一層中，自注意力處理機制能夠捕捉到對話上下文中的語義依賴關系；切比雪夫特征提取則通過切比雪夫多項式對輸入向量進行非線性變換，進一步提取出對話上下文中的關鍵信息；歸一化操作則確保模型在訓練過程中的穩(wěn)定性；

35、經過所述多層遞歸結構處理后的對話上下文特征表示被送入所述全連接層，所述全連接層根據(jù)具體的任務，將特征表示映射到輸出空間，輸出預測結果；

36、并且，使用聯(lián)合損失函數(shù)來優(yōu)化模型，以提升對話的流暢性和情感適宜性。

37、一種可以的實現(xiàn)方式中，其中，對話訓練過程中，還包括：

38、將對話上下文嵌入到高維向量空間，上下文中每個詞通過所述嵌入層和自注意力機制處理，上下文向量與知識嵌入融合后輸入解碼器，所解碼器根據(jù)上下文和目標回復的歷史生成部分，逐詞預測目標回復。

39、一種可以的實現(xiàn)方式中，所述對話訓練采用的聯(lián)合損失函數(shù)，包括對話生成損失、情感適宜性約束和流暢性約束，以提升對話的流暢性和情感適宜性。

40、一種可以的實現(xiàn)方式中，其中，所述確定評估指標，并根據(jù)評估指標的反饋結果，分析模型存在的不足和問題，并進行優(yōu)化，包括：

41、根據(jù)評估指標的反饋結果，對模型存在的不足和問題進行分析，并相應地增加相關數(shù)據(jù)的訓練量、調整訓練任務的設計或優(yōu)化模型的語言生成部分的參數(shù)。

42、相比于現(xiàn)有技術，本公開實施例具有以下有益效果：

43、1、提升健康知識專業(yè)性：通過融合健康知識圖譜與改進的大語言模型特征提取技術，本公開能夠更深入地理解和運用健康知識，為用戶提供專業(yè)、準確的心理健康建議。

44、2、增強對話個性化：本公開在對話生成過程中充分考慮了用戶的個性化特征，通過優(yōu)化模型參數(shù)和訓練任務設計，使得對話內容更加貼近用戶的實際需求，提高了對話的針對性和實用性。

45、3、提升情感適宜性：通過引入情感分類器和情感適宜性約束，本公開在對話生成過程中能夠更好地把握情感因素，使得對話更加自然、流暢，增強了用戶與語音助手之間的情感聯(lián)系。

46、4、綜合性能提升：經過評估和優(yōu)化，本公開的心理健康教練語音模型在心理健康知識準確性、回答相關性、建議有效性以及對話流暢與情感適宜性等方面均取得了顯著提升，為用戶提供了更加優(yōu)質、全面的健康管理服務。

47、綜上所述，本公開提出的基于大語言模型驅動的心理健康教練語音模型優(yōu)化方法，解決了傳統(tǒng)方法專業(yè)深度不足、個性化缺失以及情感交互生硬等問題，為智能語音助手在心理健康管理領域的應用開辟了新的道路。

相關知識

一種用于失語癥患者康復訓練專用的語音識別方法與流程
ChatGLM大模型驅動的AI健身教練革新體驗
掌握深度學習：PyTorch框架下的大型語言模型（LLM）訓練實踐
AI語音交互新維度：心辰Lingo端到端語音大模型的全面能力探索
全國首家！智能指數(shù)爆棚！基于大語言模型的智能醫(yī)生助理上線啦！
基于融合語音識別的失語癥患者輔助康復訓練方法及裝置
【神麻人智】使用術前神經心理學評估開發(fā)腦深部刺激術后語言流暢性的預測模型
大模型語音和 DHS智慧健康 監(jiān)測等尖端技術
首個知識與數(shù)據(jù)聯(lián)合驅動的多物種生命基礎大模型GeneCompass
階梯式兒童語言康復模式的構建與運用

網址: 基于大語言模型驅動的心理健康教練語音模型優(yōu)化方法與流程 http://www.gysdgmq.cn/newsview1369428.html