低资源条件下生物医学领域面向任务对话的自然语言理解
计算与语言
2018-11-30 v2
摘要
在生物医学领域,缺乏可共享的数据集常常限制了自然语言处理系统的开发,尤其是对话应用与自然语言理解模型。为克服这一问题,我们探索了利用模板与术语进行数据生成以及数据增强方法。具体而言,我们报告了使用复述以及在大型电子健康档案(EHR)语料上以Fasttext和ELMo学习的词表示来训练NLU模型的实验,且全程无任何可用数据集。我们在EHR自然语言查询的NLU任务上进行了评估,该任务分为槽填充与意图分类两个子任务。在槽填充任务上,我们使用ELMo表示获得了0.76的F值;在分类任务上,获得了0.71的平均F值。我们的结果表明该方法可用于开发基线系统。
引用
@article{arxiv.1811.09417,
title = {Natural language understanding for task oriented dialog in the biomedical domain in a low resources context},
author = {Antoine Neuraz and Leonardo Campillos Llanos and Anita Burgun and Sophie Rosset},
journal= {arXiv preprint arXiv:1811.09417},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216