基于自然语言处理(NLP)的医学知识挖掘探索与实践

目的通过对医学健康知识的挖掘,为人工智能等的健康科普知识支撑提供实践经验。方法采用基于自然语言处理(NLP)技术对徐汇区疾病预防控制中心2010年1月—2021年1月积累的科普文章进行结构拆分、阅读理解、实体识别等,处理流程包括文档预处理、特征提取、段落筛选、阅读理解、答案排序、审核和发布。结果通过直接文档结构拆分,得到5395条问答;通过阅读理解,得到857条问答;通过抽取数字问答,得到1668条,初步形成问答形式的医学健康知识库。结论自然语言处理(NLP)技术为人工智能技术需要的大量语料素材提供了有效制作方法。

智能分类算法在游戏故障告警中的应用

在游戏运维领域,为了充分挖掘游戏用户在反馈故障时的意图,运用自然语言处理的手段对记录故障事件的文本进行分类,可以减少告警的误判发布更具价值的告警.本文提出一种面向突发告警事件的智能分类算法,首先分析用户反馈文本数据的各项特征,然后对数据利用半自动构建的语义映射工具进行概率计算,从而形成有效的告警类别.将此方法应用到企业级业务故障定位中,能更有针对性地发布告警,收敛无关告警,支撑运维人员更快速准确地定位到故障原因.实验结果表明,基于语义映射的智能分类算法能够有效地提高告警的针对性,比简单的文本分类算法具有更好的结果.

人工智能在智能客服领域的应用

围绕客服行业与人工智能技术如何有效结合从而解决成本、效能、质量等多重压力,分析互联网客服、热线客服、线下客服等领域的人工智能应用,深入阐述其中的智能虚拟客服机器人、智能语音导航、智能语音外呼、声纹认证、智能实体机器人等人工智能技术。

VCA:人工智能落地的重要方向

随着中国人口红利的消失,人员密集型行业客服面临着至少4大挑战:建设成本高;沟通渠道复杂多样(微信、APP等新兴渠道);客服人员流动性大,专业知识难以积累;效率低,体验差。以人工智能为基础的VCA将网厅、短厅、IM、微博、APP、微信等渠道整合在一起,提供拟人化的智能服务,通过包括文本、语音、图片、视频等多媒体形式,以高智商、高情商的人机智能交互,让客户服务变得高效、便捷,同时降低成本。VCA以独有的商业价值从传统对客服要求高的行业逐渐普及至各个行业,让智能机器人在客服领域率先落地。从运营商、金融到电子商务、电子政务、智能终端……VCA已经逐步走上了全电子渠道整合、多媒体支持、基于智能化服务、融合现有人工呼叫中心并整合了客服与营销双重功能的客户关系管理新台阶。

基于HMM的远动联调语音多层次背景噪音滤除模型

构建基于HMM的远动联调语音多层次背景噪音滤除模型,多层次滤除远动联调语音背景噪音,确保远动联调工作顺利完成。在远动联调语音识别阶段,输入提取到远动联调语音信号MFCC特征,使用改进Viterbi递推解码算法,获取远动联调语音MFCC特征与参数库中HMM参数相对应的概率密度,将概率密度最大值在远动联调语音字库中对应的字当作有效远动联调语音识别结果,完成背景噪音与无效语音数据初步滤除;在此基础上,使用平移不变小波去噪方法深度滤除有效远动联调语音背景噪音,完成远动联调语音多层次背景噪音滤除。实验结果表明:该方法应用后,背景噪音滤除较为彻底,保证远动联调语音语义准确性较高。

基于多视角对抗学习的开放域对话生成模型

近年来,随着智能家居的普及,对话系统在生活中发挥着越来越重要的作用,基于神经网络构建的生成式对话系统由于其灵活性高受到了许多研究者的关注。以提高生成模型对话的流畅性、上下文相关性为目的,提出基于多视角对抗学习的开放域对话生成模型。其中,模型生成器是基于检索到的相似对话进行改写得到生成的对话;模型的判别器是由两个二分类器共同组成的,该二元判别器分别从句子、对话两个层面多视角地对生成句子进行判别。在中文对话语料上进行实验,该模型在人工评价和自动评测上的得分都高于目前常用的对话生成模型。实验结果表明,利用二元判别器多视角训练可以同时提高生成回复的流畅度和上下文相关性。

基于变分循环自动编码器的协同推荐方法

基于概率矩阵分解的协同过滤是推荐系统中应用最广泛的方法。它通过学习用户-商品评分矩阵的两个低维近似矩阵来做推荐。但是在评分矩阵极其稀疏的情况下,概率矩阵分解的推荐准确性就会下降。为了缓解这个问题,提出一种基于变分循环自动编码器的概率矩阵分解方法,该方法综合考虑商品描述文本和评分矩阵,先将商品的描述文本编码成一个特征向量,然后将该特征向量融合到概率矩阵分解模型中来缓解稀疏问题。该方法在编码商品特征向量时,考虑了商品内容的上下文信息和语义信息,并且该特征向量服从高斯分布。在两个真实数据集上的验证结果表明:我们的模型与其他模型相比较,在评分矩阵极其稀疏的情况下,能更有效地预测用户感兴趣的商品列表,提高推荐准确性。

医学领域中基于注意力机制的查询扩展

临床决策支持系统中,通常使用电子病历中的病人描述作为查询检索,进而辅助医生做决策分析.我们提出了一个基于注意力机制的网络扩展查询方法以提高检索效果.由于医学文本注释的难度和成本很高,并受到了迁移学习理念的启发,我们选择了非医学领域数据集学习句子与实体的关系,迁移到医学领域数据集,模型用LSTM获得句子表征并用注意力机制来获得实体表示.我们提出的方法可以动态选择相关实体作为查询扩展,同时我们不仅考虑单个实体作为扩展的影响,也考虑了实体组合作为扩展的影响,解决了选择固定数目实体的问题.我们在TREC Clinical Decision Support Track三个标准数据集上进行实验,实验表明本文提出的方法在实验结果上有显著的提升.

基于Bi-LSTM和CNN并包含注意力机制的社区问答问句分类方法

问句分类的目标是将用户提出的自然语言问句分到预先设定的类别.在社区问答中,如何准确高效的对问句进行分类是一项重要任务.本文提出了一种基于深度神经网络的问句分类方法,该方法首先将问句用词向量进行表示,然后用融合双向长短时记忆网络(Bi-LSTM)和卷积神经网络(CNN)结构并包含注意力机制的深度学习模型提取问句特征进行分类.该方法的特色在于利用Bi-LSTM和CNN在句子级文本表示的优点,充分捕捉问句特征,并结合问句的对应答案来表示问句,丰富了问句信息.实验表明,该问句分类方法准确率较高,在多个数据集上取得不错结果.

基于Bots的人机交互界面范式

以聊天机器人为代表的Bots带动了以用户为中心的全新交互体验.基于多通道自然语言交互的Bots不再依赖于桌面的图形环境,源于桌面隐喻的传统WIMP(windows,icon,menu,pointor)范式也不再适用于基于Bots的人机交互,因此需要建立一种新的支持移动交互的界面范式来规范界面的描述.为此,本文对化身隐喻(avatar metaphor)进行扩展,提出了基于化身交互隐喻的ASLI(avatar,scenario,language,instrument)界面范式,并给出了基于ASLI范式的界面实例和交互框架,为基于Bots的人机交互系统提供了界面设计的指导.最后,讨论了未来ASLI范式的平台化发展趋势和衍生的生态系统.