En general, los pacientes que no se encuentran bien no saben con qué departamento ambulatorio deben registrarse y solo pueden recibir asesoramiento después de ser diagnosticados por un médico de familia. Esto puede causar una pérdida de tiempo y recursos médicos. En este documento, proponemos un modelo de memoria a corto y largo plazo bidireccional basado en atención (Att-BiLSTM) para robots de servicio, que tiene la capacidad de clasificar categorías ambulatorias según el contenido textual. Con el sistema de clasificación de texto ambulatorio, los usuarios pueden hablar sobre su situación a un robot de servicio y el robot puede decirles en qué clínica deben registrarse. En la implementación del método propuesto, se recopilaron textos de diálogo de usuarios en el Hospital E de Taiwán como el conjunto de datos de entrenamiento. A través del procesamiento de lenguaje natural (NLP), se extrajo, ordenó y convirtió la información en el texto de diálogo para entrenar el modelo de aprendizaje profundo de memoria a corto y largo plazo (LSTM). Los resultados experimentales verifican la capacidad del robot para responder preguntas de manera autónoma a través del conocimiento casual adquirido.