更多但更正确：生成多样化且实体修正的医疗回复
计算与语言
2022-07-11 v2 人工智能
摘要
医疗对话生成（MDG）旨在构建用于智能问诊的医疗对话系统，能够与患者实时交流，从而提高临床诊断效率，具有广阔的应用前景。本文介绍了我们为2021年全国知识图谱与语义计算大会（CCKS）竞赛组织的中国MDG任务所提出的框架，该任务要求基于对话历史生成上下文一致且具有医学意义的回复。在我们的框架中，我们提出了一个由实体预测和实体感知对话生成组成的流水线系统，通过融合机制将预测的实体添加到对话模型中，从而利用来自不同来源的信息。在解码阶段，我们提出了一种名为实体修正多样化束搜索（EDBS）的新解码机制，以提高实体正确性并提升最终回复的长度和质量。所提方法赢得了CCKS和国际学习表征会议（ICLR）2021研讨会“机器学习用于预防和抗击流行病”（MLPCP）赛道1实体感知MED两项竞赛，证明了我们方法的实用性和有效性。
引用
@article{arxiv.2108.01266,
title = {More but Correct: Generating Diversified and Entity-revised Medical Response},
author = {Bin Li and Encheng Chen and Hongru Liu and Yixuan Weng and Bin Sun and Shutao Li and Yongping Bai and Meiling Hu},
journal= {arXiv preprint arXiv:2108.01266},
year = {2022}
}
备注
12 pages, 4 figures, 7 tables