基于知识抽取的复杂医疗问答可解释多步推理

医疗问答辅助旨在为用户提供医疗健康信息，广泛出现在Web和移动互联网中。此类问题通常要求辅助系统具备扎实的医疗背景知识以及基于知识进行推理的能力。近期提出了一项涉及复杂医疗推理的挑战——HeadQA数据集，其包含面向公众医疗专业考试的授权多选题。与大多数聚焦于语言理解的其他问答任务不同，HeadQA要求更深层次的推理，不仅涉及知识抽取，还包括基于医疗知识的复杂推理。这些问题对当前问答系统最具挑战性，且现有最优方法的性能仅略优于随机猜测。为解决这一挑战性任务，我们提出了一种结合知识抽取的多步推理框架（MurKe）。该框架首先从大规模语料中抽取医疗知识作为支撑文档。为寻找推理链并选择正确答案，MurKe在选取支撑文档、利用支撑文档重构查询表示以及使用蕴含模型获取各选项的蕴含分数之间进行迭代。重构模块利用已选文档补充缺失证据，从而保持可解释性。此外，我们致力于充分利用现成的预训练模型。在可训练参数较少的情况下，预训练模型能以有限的训练样本轻松适配医疗任务。根据实验结果和消融研究，我们的系统在HeadQA数据集上优于多个强基线。