Aug, 2021

生成多样性和实体修订医疗回复

PDF
TL;DR本研究提出了一个用于智能咨询的医疗对话系统，该系统能够与患者进行实时交流，从而提高临床诊断的效率，并实现了中文医疗对话生成的竞赛，提出了一种由实体预测和实体感知式对话生成组成的流水线系统，并使用融合机制将预测的实体添加到对话模型中，在解码阶段，我们提出了一种新的解码机制 Entity-revised Diverse Beam Search（EDBS），以提高实体的正确性以及生成的最终响应长度和质量。提出的方法赢得了 CCKS 和 MLPCP 举办的两项国际医疗比赛，充分证明了我们方法的实用性和有效性。
medical dialogue generationintelligent consultationentity-aware dialogue generationchina conference on knowledge graph and semantic computingentity-revised diverse beam search
发现论文，激发创造
  • 基于双流建模的医学对话生成

    本研究提出了一种 Dual Flow 增强型医疗对话生成框架 DFMed，通过提取对话历史中的医疗实体和对话行为来预测下一轮中要采取的实体和对话行为，模拟它们之间的转换，并使用两个顺序模型进行编码，运用交织组件增强协同作用，实验结果表明 DFMed 方法在自动评估和手动评估中均优于基线。

    May, 2023

  • EmpDG：多分辨率交互式共情对话生成

    提出多分辨率对抗生成模型 EmpDG，应对情感对话生成的挑战，结合对话层级与细粒度的用户情感， 通过交互式对抗学习框架获取用户反馈， 在内容质量和情感准确性上显著优于现有基准。

    Nov, 2019

  • 基于提示的生成方法用于多层次医疗对话状态跟踪

    通过定义多层次状态结构和使用基于提示的生成方法，我们提出了一种医疗对话系统中跟踪对话状态的解决方案，该方法有效地解决了数据稀缺问题，并表现出超过其他方法的性能。

    Mar, 2022

  • 面向低资源医疗对话生成的图演化元学习

    使用基于常识知识图的低资源医学对话生成，通过少量数据适应性地将源疾病的诊断经验转移到目标疾病，并通过 Graph-Evolving Meta-Learning 框架学习演变常识图来推理新疾病的疾病症状相关性。这种方法的实验结果表明其在 CMDD 数据集和新收集的 Chunyu 数据集上表现卓越。

    Dec, 2020

  • 双重知识增强生成预训练语言模型的多模态对话系统

    本文提出了一个可以双重增强知识的生成式语言模型，用于为多模态任务导向式对话系统生成适当的文本响应。实验证明，该模型优于现有竞争对手。

    Jul, 2022

  • 基于知识的灵活端到端对话系统

    提出了一种基于数据驱动的生成型对话系统 GenDS，能够生成对特定领域知识和输入信息进行应答的多个答案实体，在没有实体在训练集中出现的情况下也可以对其进行处理，并在实验中取得了较好的性能表现。

    Sep, 2017

  • 利用可解释问询逻辑建立医学诊断智能代理：从 “我的鼻子流鼻涕” 到 “你有咳嗽吗？

    本文研究在医疗诊断中，如何在数据驱动的医疗诊断对话系统中加入可解释性和适当的决策逻辑，并通过大规模的数据集和透明组件的设计使诊断准确率分别得到 7.7％，10.0％和 3.0％的提高。

    Apr, 2022

  • 双语义知识组合的多模态对话系统

    提出了一种名为 MDS-S2 的新型多模式任务导向对话系统，通过从知识库中获取相关属性和关系知识，设计了多级知识组成模块以及一组潜在查询变量以实现表征级别的语义规范化来解决文本响应生成过程中的关键问题。

    May, 2023

  • 基于诊断的医学报告生成的提示 MRG

    通过诊断驱动提示的医学报告生成方法可以提高诊断准确性，并解决自动医学报告生成中的疾病分布不均的问题。

    Aug, 2023

  • BP4ER：医学对话生成中的引导推理引导

    通过引入 BP4ER 方法，我们成功地将医学对话生成过程中的推理链路显式生成，不仅提高了透明度，还在客观和主观评估指标方面优于现有方法。

    Mar, 2024