面向低资源医疗对话生成的图演化元学习
计算与语言
2020-12-23 v1 人工智能
摘要
具备良好结构化医学知识的人类医生仅通过与患者就症状进行数次对话即可诊断疾病。相比之下，现有的知识 grounded 对话系统往往需要大量对话实例来学习，因为它们未能捕捉不同疾病之间的关联，并忽视了它们之间共享的诊断经验。为解决此问题，我们提出一种更自然且实用的范式，即低资源医疗对话生成，它可以用少量自适应数据将诊断经验从源疾病迁移到目标疾病。该方法利用常识知识图谱刻画先验的疾病-症状关系。此外，我们开发了图演化元学习(GEML)框架，该框架学习演化常识图谱以推理新疾病中的疾病-症状关联，有效缓解了对大量对话的需求。更重要的是，通过动态演化疾病-症状图，GEML 也很好地应对了真实世界挑战：每种疾病的疾病-症状关联可能随更多诊断案例而变化或演化。在 CMDD 数据集和我们新收集的 Chunyu 数据集上的大量实验结果证明了我们的方法优于最先进的(state-of-the-art)方法。此外，我们的 GEML 能以在线方式生成丰富的对话敏感知识图谱，可惠及其他基于知识图谱的任务。
引用
@article{arxiv.2012.11988,
title = {Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation},
author = {Shuai Lin and Pan Zhou and Xiaodan Liang and Jianheng Tang and Ruihui Zhao and Ziliang Chen and Liang Lin},
journal= {arXiv preprint arXiv:2012.11988},
year = {2020}
}
备注
Accepted by AAAI 2021