健康有益：AI技术破解健康管理难题

　　近日，健康有益发布了与京东、科大讯飞等多家企业的合作信息，将整合在健康管理、智能电商平台、人工智能等方面的资源和技术优势，合力打造多场景下的健康生活，推动精准健康产业的发展。

　　健康有益成立于2014年9月。创立三年来，利用人工智能与生命科学等技术，专注于探索和创新健康领域的研究实践、应用落地与解决方案，打造AI精准健康管理开放平台。希望人们科学管理生命，重健康而轻医疗，通过饮食、运动、生活方式及心理调节即能实现健康生活，降低疾病发生的可能性。

　　在探索过程中，健康有益团队发现健康管理领域面临很多难题，如健康信息的收集难度较大、个性化健康管理难实现等。针对这些行业难题，通过建立自然语言处理组、机器视觉组、强化深度学习组来综合解决，健康有益目前已经取得了一些成果。

　　自然语言处理：

　　自然语言处理领域主要包含开放域聊天对话技术、基于任务的单轮多轮对话技术、机器翻译技术和舆情监控技术等。健康有益研发人员在健康管理领域主要是利用基于任务的单轮、多轮对话技术，基于该技术实现用户的健康语音记录和健康咨询服务。

　　基于该技术，团队构建了基于健康管理任务驱动的对话框架，具体如下：

　　第一步语音识别，主要通过深度学习LSTM将声音转化成文字。

　　第二步自然语言理解，这个部分简单来讲就是将一段文字进行结构化表示，所谓结构化表示就是建立slot-value pair的过程。例如“我将在11点30分吃午饭”。这个句子中就包含了两个slot, 分别是时间和动作。时间对应的value是11点30分，动作对应的value是吃午饭。

　　第三步对话管理，这个部分主要实现的是意图识别，以及某个意图所对应的对话行为。状态跟踪就是意图的识别，slot里面的value有可能对应的是一个意图。比如“我想吃饭”，吃饭作为value,对应的意图有可能是希望查询周边的用餐信息，也有可能是希望直接推荐餐单进行订餐，对应value就会有多个意图。而每个意图又对应了产生的动作。查询周边的意图对应的动作就是推荐周边的餐馆信息，订餐意图对应的动作就是提供订餐功能。那么什么时候用户会选择查询，什么时候用户会选择订餐，如何确定，这就是对话策略。

　　第四步，确定好应对策略后，结合数据库中的知识，自动生成相应的对话，与用户进行交互，这就是自然语言生成。

　　第五步，语音合成，就是将生成的自然语言文字，转化成语音播放出来。

　　以上就是健康管理任务驱动的完整框架。

　　机器视觉：

　　机器视觉主要包含了图像、视频识别、三维重建、运动检测等相关技术。健康有益团队目前主要采用了图像识别技术和三维重建技术，图像识别技术主要用于食物识别。

　　食物识别主要采用CNN中的ResNet(残差网络)，主要分为卷积层，池化层，全连接层，分类层。卷积层主要实现的是特征提取，通过不同的卷积核来提取图片的不同纬度的特征。池化层主要解决的是特征向量过多导致过拟合的问题，所以要进行降维，降维的原则是将高频分量保留，低频分量删除。经过池化后的特征向量，再进行第二次，第三次，第N次的卷积和池化，最后得到的特征向量，经过全连接层和分类层，进行特征的识别。分类层主要是对图片进行分类的方法，目前主要包含softmax和SVM两种，用的最多的是softmax。

　　知识图谱：

　　知识图谱主要分为四步，分别是信息抽取，知识融合，知识加工，知识更新。

信息抽取：主要是根据健康领域专家提供的专业信息进行分析，抽取其中的实体信息、关系信息、属性信息。实体抽取，即从专业信息中集中自动识别出命名健康领域的专业实体;关系抽取，即为了得到语义信息，还需要从相关语料中提取出实体之间的关联关系，将实体通过关系联系起来;属性抽取，即属性抽取的目标是从不同信息源中采集特定实体的属性信息。

　　知识融合：数据层的融合包括实体的指称、属性关系以及所属类别等。主要的问题是如何避免实例以及关系的冲突问题造成不必要的冗余。

　　知识加工：首先对信息进行本体构建，也就是模型建立。利用这些本体，结合实体关系进行相关知识推理，以此发现新的信息关系，以扩展和修正知识图谱的结构和内容。

　　知识更新：人类所拥有的信息和知识量都是时间的单调递增函数，因此知识图谱的内容也需要与时俱进。其构建过程是一个不断迭代更新的过程。

　　当前人工智能在健康领域已经全线爆发，但医疗占据仍较大比例。健康有益作为首批将人工智能与健康管理进行结合的科技公司，探索创新人类个性化健康管理的新方式。未来健康有益还会与更多的行业巨头企业进行合作，通过技术与健康管理的深度融合，帮助人类更好地量化生命。