通过知识精炼与动态提示调整提升医学对话生成
计算与语言
2025-06-13 v1
摘要
医学对话系统 (MDS) 已成为实现与患者多轮、情境感知对话的关键线上平台。然而，现有的 MDS 常常难以 (1) 识别相关医学知识，以及 (2) 生成个性化且医学上准确的响应。为此，我们提出了 MedRef，一种新型 MDS，集成知识精炼与动态提示调整。首先，我们采用知识精炼机制过滤不相关的医学数据，提高对响应中关键医学实体的预测。此外，我们设计了包含历史细节和证据细节的综合提示结构。为实现对多样化患者情况的实时适应性，我们实现了两个关键模块：Triplet Filter 和 Demo Selector，为系统提示提供适当的知识和示例。大量实验表明，MedRef 在 MedDG 和 KaMed 数据集上均在生成质量和医学实体准确性方面超越了最先进的基线方法，凸显了其在实际医疗应用中的有效性和可靠性。
引用
@article{arxiv.2506.10877,
title = {Enhancing Medical Dialogue Generation through Knowledge Refinement and Dynamic Prompt Adjustment},
author = {Hongda Sun and Jiaren Peng and Wenzhong Yang and Liang He and Bo Du and Rui Yan},
journal= {arXiv preprint arXiv:2506.10877},
year = {2025}
}
备注
ACL 2025 Findings