面向医疗对话生成的半监督变分推理方法

医疗对话生成旨在提供自动且准确的回复，以协助医生高效地获取诊断与治疗建议。在医疗对话中，两个与回复生成相关的关键特征是患者状态（如症状、用药）和医生动作（如诊断、治疗）。由于高成本与隐私要求，医疗场景下通常无法获得大规模人工标注。因此，当前医疗对话生成方法通常不明确考虑患者状态与医生动作，而是聚焦于隐式表示。我们提出了一种端到端的变分推理方法用于医疗对话生成。为应对有限标注数据，我们将患者状态与医生动作分别作为具有类别先验的潜变量，用于显式患者状态追踪与医生策略学习。我们提出一种变分贝叶斯生成方法，以近似患者状态与医生动作上的后验分布。我们使用高效的随机梯度变分贝叶斯估计器来优化导出的证据下界，其中提出一种两阶段坍缩推断方法以降低模型训练中的偏差。我们提出了一个由动作分类器与两个推理检测器组成的医生策略网络，以增强推理能力。我们在从医疗平台收集的三个数据集上进行了实验。实验结果表明，所提方法在客观与主观评价指标上均优于最先进的基线。我们的实验还表明，所提出的半监督推理方法在医生策略学习上取得了与最先进的 fully supervised learning（全监督学习）基线相当的性能。