超越长上下文：语义比记号更重要
计算与语言
2025-10-31 v1 机器学习
摘要
电子健康记录(EHR)将临床文档作为base64编码的附件存储在FHIR DocumentReference资源中，这使得语义问答变得困难。传统的向量数据库方法常常忽略细微的临床关系。临床实体增强检索(CLEAR)方法由Lopez等人于2025年提出，通过基于实体的检索实现性能提升，F1分数达到0.90，而基于嵌入的检索仅为0.86，且使用了超过70%更少的记号。我们开发了临床笔记问答评估平台，用于验证CLEAR是否优于零样图大规模上下文推理和传统基于块的检索增强生成。该平台在12个临床笔记上进行测试，笔记长度 ranging from 10,000到65,000记号，代表真实世界的EHR内容。CLEAR以58.3%的获胜率，平均语义相似度为0.878，使用了78%更少的记号。最大的性能提升发生在长笔记上，超过65,000记号的文档获得75%的获胜率。这些发现确认了基于实体的检索在临床自然语言处理中提高了效率和准确性。该评估框架提供了一个可重用且透明的基准，用于评估在语义精度和计算效率至关重要的临床问答系统。
引用
@article{arxiv.2510.25816,
title = {Beyond Long Context: When Semantics Matter More than Tokens},
author = {Tarun Kumar Chawdhury and Jon D. Duke},
journal= {arXiv preprint arXiv:2510.25816},
year = {2025}
}
备注
12 pages, 5 figures