首页 > 资讯 > 基于大语言模型驱动的心理健康教练语音模型优化方法与流程

基于大语言模型驱动的心理健康教练语音模型优化方法与流程

泰然健康网
2025-06-05 23:35

本公开涉及医疗设备及心理健康管理，尤其涉及一种基于大语言模型驱动的心理健康教练语音模型优化方法。

背景技术：

1、随着人工智能技术的不断进步，智能语音助手在健康管理领域的应用越来越广泛，虽然取得了一定的成果，但仍面临诸多挑战。传统基于规则或模板的方法在处理复杂、多变的健康咨询场景时显得力不从心，而现有的基于自然语言处理(nlp)技术和对话生成模型的语音助手，虽然在问答流畅性和基础知识覆盖上有所进步，但在以下几个方面存在明显局限：

2、专业深度不足：多数现有系统依赖于通用的语言模型，缺乏针对心理健康领域的深度学习和专业知识融合，导致在提供具体健康建议时往往过于泛泛，无法给出精准、专业的解答。

3、个性化缺失：用户的心理健康状况、生活习惯、心理状态等个体差异巨大，但现有语音助手往往采用“一刀切”的回答方式，缺乏根据用户个人情况定制化的心理健康建议。

4、情感交互生硬：在健康咨询中，用户的情绪状态对咨询效果有着重要影响。然而，现有系统往往忽视了情感交流的重要性，回复缺乏温度，难以建立用户信任。

5、因此，亟需一种新型技术路线，融合心理健康知识和个性化特征，提升语音助手在心理健康管理中的综合能力。

技术实现思路

1、为了解决现有技术的不足，本公开实施例提供了一种基于大语言模型驱动的心理健康教练语音模型优化方法，该方法旨在通过融合健康知识图谱、改进大语言模型、加强个性化与情感交互等技术手段，实现心理健康咨询的专业化、个性化和情感化，以解决传统方法专业深度不足、个性化缺失以及情感交互生硬等问题。

2、本公开实施例提供了一种基于大语言模型驱动的心理健康教练语音模型优化方法，包括以下步骤：

3、从多种渠道采集健康知识数据和健康咨询对话数据，并构建多源异构数据集合；

4、对所述多源异构数据集合中的数据进行预处理，所述预处理包括数据清洗、标注数据和统一数据格式；

5、基于预处理后的数据，构建健康知识图谱和处理对话上下文；

6、设置改进的大语言模型；其中，所述改进的大语言模型包括嵌入层、多层递归结构、残差连接和全连接层，它们按照数据流的顺序依次排列，并通过特定的方式相互连接；

7、创建知识问答任务，将健康知识图谱嵌入到所述改进的大语言模型进行健康知识融合训练；

8、构建对话场景，将对话上下文与知识嵌入融合所述改进的大模型进行对话训练；

9、确定评估指标，并根据评估指标的反馈结果，分析模型存在的不足和问题，并进行优化。

10、一种可以的实现方式中，其中，所述改进的大语言模型中的嵌入层、多层递归结构、残差连接和全连接层通过如下特定的方式相互连接：

11、所述嵌入层，用于将离散的类别型数据转换为低维的连续向量表示，即嵌入表示，所述类别型数据包括单词和类别标签；

12、所述多层递归结构，用于对所述嵌入层输出的嵌入表示进行递归计算操作，其由多层相同或相似的子层堆叠而成，每层都基于前一层的输出进行递归计算，每层包含以下三个组件：自注意力处理、切比雪夫特征提取和归一化操作；

13、所述残差连接，用于将所述多层递归结构每层的输入与该层的输出进行相加，形成残差连接；

14、所述全连接层，用于对所述多层递归结构的最后一层的输出进行线性变换，输出预测结果。

15、一种可以的实现方式中，其中，所述改进的大语言模型的网络每一层的权重由切比雪夫多项式系数矩阵表示，通过训练动态调整，且所述网络的核心参数包括嵌入维度、注意力头数、切比雪夫特征提取次数和切比雪夫多项式阶数。

16、一种可以的实现方式中，其中，所述方法包括：

17、基于切比雪夫多项式tdegree(x)对输入x进行展开或表示：

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，输入x为健康知识图谱或对话上下文；切比雪夫多项式tdegree(x)是一个degree次多项式，tdegree-1(x)是阶数为degree-1的切比雪夫多项式，tdegree-2(x)是阶数为degree-2的切比雪夫多项式；arccos(x)是反余弦函数，degree是索引值，用于索引对应的切比雪夫多项式的阶数，从而计算每个阶数下的多项式值；

23、输入x被投影到每个切比雪夫多项式阶数的系数chebycoeffs上进行前向传播计算：

24、

25、其中，cdegree为系数，tdegree(x)为切比雪夫多项式展开项，degree为切比雪夫多项式阶数；ym表示是最终输出的第m个特征值，通过对每个输入特征在不同阶数的切比雪夫多项式上的加权和，得到输出的特定维度即输出的第m个元素，m是输出空间中特征的索引，表示当前计算的第m个输出特征。

26、一种可以的实现方式中，其中，健康知识融合训练过程中，包括：

27、通过所述嵌入层将健康知识图谱中的实体和关系的离散数据转换为低维的连续向量表示，其中，所述健康知识图谱由三元组头实体、关系和尾实体表示，所述向量表示包含了图谱中实体和关系的语义信息；

28、所述嵌入层输出的所述向量表示被送入所述多层递归结构中，进行深度的特征提取和序列建模；其中，在每一层中，自注意力处理机制能够捕捉到图谱中实体和关系之间的复杂依赖关系；切比雪夫特征提取则通过切比雪夫多项式对输入向量进行非线性变换，进一步提取出图谱中的特征信息；归一化操作则确保模型在训练过程中的稳定性；

29、经过所述多层递归结构处理后的特征表示被送入所述全连接层，所述全连接层根据具体的任务，将特征表示映射到输出空间，输出预测结果；

30、并且，使用联合损失函数来优化模型，使改进的大语言模型能够在生成回答时准确关联和运用相关知识。

31、一种可以的实现方式中，其中，所述健康知识融合训练采用的联合损失函数，包括实体分类任务的损失、关系分类任务的损失和混合损失函数，以加强实体识别与关系推断能力。

32、一种可以的实现方式中，其中，对话训练过程中，包括：

33、通过所述嵌入层将文本中的单词和短语的离散数据转换为低维的连续向量表示，其中，所述向量表示包含了对话上下文中的语义信息；

34、所述嵌入层输出的所述向量表示被送入所述多层递归结构中，进行深度的特征提取和序列建模；其中，在每一层中，自注意力处理机制能够捕捉到对话上下文中的语义依赖关系；切比雪夫特征提取则通过切比雪夫多项式对输入向量进行非线性变换，进一步提取出对话上下文中的关键信息；归一化操作则确保模型在训练过程中的稳定性；

35、经过所述多层递归结构处理后的对话上下文特征表示被送入所述全连接层，所述全连接层根据具体的任务，将特征表示映射到输出空间，输出预测结果；

36、并且，使用联合损失函数来优化模型，以提升对话的流畅性和情感适宜性。

37、一种可以的实现方式中，其中，对话训练过程中，还包括：

38、将对话上下文嵌入到高维向量空间，上下文中每个词通过所述嵌入层和自注意力机制处理，上下文向量与知识嵌入融合后输入解码器，所解码器根据上下文和目标回复的历史生成部分，逐词预测目标回复。

39、一种可以的实现方式中，所述对话训练采用的联合损失函数，包括对话生成损失、情感适宜性约束和流畅性约束，以提升对话的流畅性和情感适宜性。

40、一种可以的实现方式中，其中，所述确定评估指标，并根据评估指标的反馈结果，分析模型存在的不足和问题，并进行优化，包括：

41、根据评估指标的反馈结果，对模型存在的不足和问题进行分析，并相应地增加相关数据的训练量、调整训练任务的设计或优化模型的语言生成部分的参数。

42、相比于现有技术，本公开实施例具有以下有益效果：

43、1、提升健康知识专业性：通过融合健康知识图谱与改进的大语言模型特征提取技术，本公开能够更深入地理解和运用健康知识，为用户提供专业、准确的心理健康建议。

44、2、增强对话个性化：本公开在对话生成过程中充分考虑了用户的个性化特征，通过优化模型参数和训练任务设计，使得对话内容更加贴近用户的实际需求，提高了对话的针对性和实用性。

45、3、提升情感适宜性：通过引入情感分类器和情感适宜性约束，本公开在对话生成过程中能够更好地把握情感因素，使得对话更加自然、流畅，增强了用户与语音助手之间的情感联系。

46、4、综合性能提升：经过评估和优化，本公开的心理健康教练语音模型在心理健康知识准确性、回答相关性、建议有效性以及对话流畅与情感适宜性等方面均取得了显著提升，为用户提供了更加优质、全面的健康管理服务。