针对以往医疗对话生成方法未能有效建模医学知识,导致生成的回复缺乏医学常识一贯性的问题,很多学者尝试引入医疗知识图谱,但集成医疗知识图谱时容易占用较多输入数据空间,这限制了模型输入可以保留对话上下文信息量的大小。本文提出知...针对以往医疗对话生成方法未能有效建模医学知识,导致生成的回复缺乏医学常识一贯性的问题,很多学者尝试引入医疗知识图谱,但集成医疗知识图谱时容易占用较多输入数据空间,这限制了模型输入可以保留对话上下文信息量的大小。本文提出知识嵌入的医疗对话生成模型(medical conversation generation model based on knowledge embedding,MCG-KE),该模型基于历史对话进行实体预测得到上下文知识嵌入实体,引入串行图编码方式和图注意力机制获得当前对话相关的医疗知识图谱子图编码,将上下文知识嵌入实体、医疗知识图谱子图编码和历史对话编码作为对话生成模型的输入,用于知识嵌入的医疗对话生成。实验结果表明,模型在高效计算的情况下,所生成的医疗对话在自动评价和人工评价等相关指标上的性能均有提升。展开更多
基金Supported by the National High-Tech Research and Development Plan of China under Grant No.2007AA04Z148 (国家高技术研究发 展计划(863))the National Natural Science Foundation of China under Grant No.60573126 (国家自然科学基金)the National Basic Research Program of China under Grant No.2002CB312005 (国家重点基础研究发展计划(973))
文摘针对以往医疗对话生成方法未能有效建模医学知识,导致生成的回复缺乏医学常识一贯性的问题,很多学者尝试引入医疗知识图谱,但集成医疗知识图谱时容易占用较多输入数据空间,这限制了模型输入可以保留对话上下文信息量的大小。本文提出知识嵌入的医疗对话生成模型(medical conversation generation model based on knowledge embedding,MCG-KE),该模型基于历史对话进行实体预测得到上下文知识嵌入实体,引入串行图编码方式和图注意力机制获得当前对话相关的医疗知识图谱子图编码,将上下文知识嵌入实体、医疗知识图谱子图编码和历史对话编码作为对话生成模型的输入,用于知识嵌入的医疗对话生成。实验结果表明,模型在高效计算的情况下,所生成的医疗对话在自动评价和人工评价等相关指标上的性能均有提升。