基于关键信息召回的医疗对话回复生成
人工智能
2022-06-20 v1
摘要
医疗对话生成是一项重要且具有挑战性的任务。大多数先前工作依赖于注意力机制和大规模预训练语言模型。然而，由于医疗实体通常分散在多个话语中且它们之间具有复杂关系，这些方法往往无法从长对话历史中获取关键信息以产生准确且信息丰富的回复。为缓解该问题，我们提出一种带有关键信息召回（MedPIR）的医疗回复生成模型，其构建于两个组件之上，即知识感知对话图编码器和召回增强生成器。知识感知对话图编码器通过利用话语中实体之间的知识关系构建对话图，并使用图注意力网络对其进行编码。随后，召回增强生成器通过在生成实际回复之前生成对话摘要来加强对这些关键信息的利用。在两个大规模医疗对话数据集上的实验结果表明，MedPIR 在 BLEU 分数和医疗实体 F1 度量上均优于强基线。
引用
@article{arxiv.2206.08611,
title = {Medical Dialogue Response Generation with Pivotal Information Recalling},
author = {Yu Zhao and Yunxin Li and Yuxiang Wu and Baotian Hu and Qingcai Chen and Xiaolong Wang and Yuxin Ding and Min Zhang},
journal= {arXiv preprint arXiv:2206.08611},
year = {2022}
}