基于术语增强信息检索和情感式情境学习的满意医疗咨询
计算与语言
2025-03-25 v1 信息检索
摘要
近期大型语言模型（LLM）的进展在理解和响应医疗咨询方面取得了显著进展，但其性能仍不足以达到专业咨询的标准。本文引入一种新的医疗咨询框架，包括两个主要模块：术语增强信息检索（TEIR）和情感式情境学习（EICL）。TEIR 通过利用归纳知识和关键术语检索来实现隐式推理，克服了公共数据库中受限领域知识的局限。该模块还具备处理长上下文的能力。EICL 模块通过记忆来自未标记语料库的语义和属性信息，并对所需信息应用受控检索来生成高属性相关性的句子。此外，编译了一个包含803,564 条咨询记录的数据集，显著提升了模型处理复杂对话和主动发起询问的能力。全面的实验表明，所提出的方法在扩展现有 LLM 的上下文窗口长度方面效果显著。实验结果和大量数据验证了该框架在 BLEU 和 ROUGE 性能指标方面优于五个基线模型，某些能力方面具有显著优势。值得注意的是，消融研究确认了 TEIR 和 EICL 组件的重要性。此外，我们的新框架有望在实际临床咨询情境中显著提高患者满意度。
引用
@article{arxiv.2503.17876,
title = {Satisfactory Medical Consultation based on Terminology-Enhanced Information Retrieval and Emotional In-Context Learning},
author = {Kaiwen Zuo and Jing Tang and Hanbing Qin and Binli Luo and Ligang He and Shiyan Tang},
journal= {arXiv preprint arXiv:2503.17876},
year = {2025}
}
备注
The 46th European Conference on Information Retrieval Workshop