用于自动对话诊断与少样本新疾病适应的原型 Q 网络
计算与语言
2020-05-25 v1 人工智能
摘要
口语对话系统已在许多领域得到应用，包括用于自动对话诊断的医疗领域。最先进的对话管理器通常由深度强化学习模型驱动，例如深度 Q 网络（DQN），由于真实对话数据有限，这些模型通过与模拟器交互来探索整个动作空间进行学习。然而，当基于 DQN 的自动诊断模型在仅有少量训练样本的情况下适应新的、未见过的疾病时，无法取得令人满意的性能。在本工作中，我们提出原型 Q 网络（ProtoQN）作为自动诊断系统的对话管理器。该模型利用医生与患者之间的真实对话计算原型嵌入，从中学习并更高效地利用模拟器增强的对话。我们利用 Muzhi 语料库创建了监督学习和少样本学习任务。实验表明，ProtoQN 在监督学习和少样本学习场景下均显著优于基线 DQN 模型，并取得了最先进的少样本学习性能。
引用
@article{arxiv.2005.11153,
title = {Prototypical Q Networks for Automatic Conversational Diagnosis and Few-Shot New Disease Adaption},
author = {Hongyin Luo and Shang-Wen Li and James Glass},
journal= {arXiv preprint arXiv:2005.11153},
year = {2020}
}