Aug, 2020

复杂医疗问答中可解释的多步推理与知识提取

PDF
TL;DR本文提出了一种名为 MurKe 的基于多步推理和知识提取的健康问答辅助系统，以应对复杂的健康医学问题。实验结果表明，该系统在 HeadQA 数据集上能够优于几个强基线。
healthcare question answeringheadqa datasetmulti-step reasoningknowledge extractionentailment model
发现论文，激发创造
  • HEAD-QA：一个用于复杂推理的医疗保健数据集

    该研究提出了一个多选题答题测试平台 HEAD-QA，以鼓励对复杂推理问题的研究。研究者使用了来自西班牙医疗系统专业职位考试的问题，在单语言（西班牙语）和跨语言（到英语）信息检索和神经技术实验方面进行了测试。结果表明 HEAD-QA 挑战了当今的方法，并且与人类表现相差甚远，证明它作为未来工作的基准测试具有实用性。

    Jun, 2019

  • UniKGQA：基于知识图谱的多跳问答统一检索与推理

    UniKGQA 是一种新的多跳知识图谱问答方法，通过统一检索和推理模型架构和参数学习，基于预训练语言模型的语义匹配模块和匹配信息传播模块进行问题与关系的语义匹配，采用共同的预训练任务和检索以及推理定向的微调策略。

    Dec, 2022

  • 寻址再问：透明的逐步推理用于多跳问答

    本文提出了一个解释性逐步推理框架，将单跳支持句子识别和单跳问题生成结合起来，并利用当前跳的推理来推导出最终结果。我们使用一个统一的读者模型进行中间跳推理和最终跳推理，并采用联合优化来实现更精确和稳健的多跳推理，取得了良好的实验效果。

    Aug, 2022

  • 从生物医学文献中进行大规模知识综合和复杂信息检索

    本研究采用知识综合、段落检索、三元组检索和复杂问答等方法，构建一个可扩展的解决方案，以有效地从大规模研究文档中提取和探索复杂信息，以解决医疗保健行业面临的大量非结构化数据的问题，并在 COVID-19 数据集上进行了定性评估以证明其有效性。

    Feb, 2023

  • 基于联合推理的疾病问答系统

    通过综合自然语言处理和相关技术从多个信息源中合成信息，医用问答（QA）助手能够回答非专业用户的健康相关问题，解决了错误信息、信息过载和医学语言复杂性等问题，并减轻了医护人员的负担。本研究通过联合推理策略充分利用语言模型和知识图谱技术，设计了一种新颖的自动疾病问答系统，用于回答适合非专业用户的疾病相关问题，并通过多种质量指标评估其效力，优于流行的 ChatGPT 等基准系统。

    Jan, 2024

  • 基于超图变换器的基于知识的视觉问答的弱监督多跳推理

    本文提出了一种新的基于超图的模型，用于解决知识库视觉问答中的多跳推理问题。该模型可以将高级问题的语义和知识库相结合，并通过超图内部和跨越两个超图之间的关联编码来预测答案。我们的实验证明了该方法的有效性。

    Apr, 2022

  • 利用结构化信息进行可解释的多跳问题回答和推理

    构建和利用语义结构的多跳问题回答框架，通过神经模型和连续思维机制提高推理能力，并结合信息抽取和提取的语义结构实现更准确和可解释的问题回答。

    Nov, 2023

  • 半结构化表格问答的神经多步推理

    本文研究使用深度学习技术回答多步推理问题的方法，该方法基于自然语言问句生成机器可理解的逻辑形式，使用字符和单词 CNN 同时嵌入逻辑形式和问句，并使用神经评分函数检索问题的最可能逻辑形式，取得 38.7% 的最佳性能。

    Feb, 2017

  • EffiQA: 在知识图谱上进行策略性多模型协作的高效问答

    我们提出了 EffiQA，一种在性能和效率之间取得平衡的协作框架，通过全球计划、高效知识图谱探索和自我反思三个阶段，改进了大型语言模型在多步骤推理任务中的表现，为知识密集查询提供了新的集成模式。

    Jun, 2024

  • 通过结构化知识和统一的检索生成增强多模式和多跳问题回答

    提出了一种基于结构化知识和统一检索生成的方法（SKURG）来回答多模态和多跳问题，包括模态对齐，统一检索生成和中间检索结果的集成。该方法在两个数据集上均取得了最先进的效果。

    Dec, 2022