MedFilter：通过融合话语结构与本体知识改进医患对话中任务相关话语的抽取
计算与语言
2022-06-23 v3 机器学习
摘要
从对话数据中进行信息抽取尤其具有挑战性，因为以任务为中心的对话特性使得人类能够有效传达隐含信息，但对机器而言却十分困难。这些挑战可能因说话者在对话中的角色不同而存在于不同话语之间，尤其是当相关专业知识在角色间非对称分布时。此外，随着对话推进，早期对话中隐含传达的信息建立起更多共享语境，挑战也可能随之加剧。在本文中，我们提出一种新颖的建模方法 MedFilter，该方法针对上述洞察以提升识别和分类任务相关话语的性能，并由此对下游信息抽取任务产生积极影响。我们在一个包含近 7000 段医患对话的语料库上评估该方法，其中 MedFilter 用于识别讨论中与医学相关的贡献（在 PR 曲线下面积方面比 SOTA 基线提升 10%）。识别任务相关话语有益于下游医学处理，在症状、药物和主诉的抽取上分别实现了 15%、105% 和 23% 的提升。
引用
@article{arxiv.2010.02246,
title = {MedFilter: Improving Extraction of Task-relevant Utterances from Doctor-Patient Conversations through Integration of Discourse Structure and Ontological Knowledge},
author = {Sopan Khosla and Shikhar Vashishth and Jill Fain Lehman and Carolyn Rose},
journal= {arXiv preprint arXiv:2010.02246},
year = {2022}
}
备注
Accepted as Long Paper to EMNLP 2020