面向消费者健康问题摘要的问答感知 Transformer 模型
计算与语言
2021-06-02 v1
摘要
每天有越来越多的消费者在线搜索健康信息，这使得对高效可靠问答系统的需求更加迫切。这些系统成功率的一个重要因素是它们充分理解消费者问题的能力。然而，这些问题往往比所需更长，并提及对寻找相关答案无用的外围信息。问题摘要是在尝试寻找答案之前简化冗长复杂消费者问题的潜在解决方案之一。在本文中，我们研究真实世界消费者健康问题的抽象式摘要任务。我们开发了一种抽象式问题摘要模型，该模型通过识别医学实体来利用问题的语义解释，从而生成信息丰富的摘要。为此，我们提出了多个完形填空任务（即在给定上下文中填写缺失词的任务）以识别关键医学实体，迫使模型在问题焦点识别上具有更好的覆盖度。此外，我们将问题类型信息注入解码器输入以生成问题类型驱动的摘要。在 MeQSum 基准语料库上评估时，我们的框架比最先进方法高出 10.2 个 ROUGE-L 点。我们还进行了人工评估以衡量所生成摘要的正确性。
引用
@article{arxiv.2106.00219,
title = {Question-aware Transformer Models for Consumer Health Question Summarization},
author = {Shweta Yadav and Deepak Gupta and Asma Ben Abacha and Dina Demner-Fushman},
journal= {arXiv preprint arXiv:2106.00219},
year = {2021}
}