关键词medical dialogue generation
搜索结果 - 10
- COLINGBP4ER：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。
- MedKP: 医疗对话中的知识增强和临床路径编码
通过结合医学知识图谱和内部临床路径编码，本研究提出了医学对话增强与临床路径编码（MedKP）框架，通过综合评估指标在两个大规模实际在线医学咨询数据集上的实验证明，MedKP 超过了多个基准系统，减少了产生幻觉的情况，达到了新的最先进水平，进 - 将医师诊断逻辑纳入大型语言模型：从过程反馈中进行偏好学习
采用偏好学习的过程反馈（PLPF）方法，将医生的诊断逻辑整合到大型语言模型中，提高医疗对话生成的准确性和连贯性。实验结果表明，PLPF 方法在医学对话中通过 17.6％的基线模型提高了诊断准确率，并且在多轮和单轮对话任务中均表现出有效性。
- CMed-GPT：面向实体感知的中文医疗对话生成的提示调节
该研究提出了基于中文医学文本的 CMed-GPT 预训练语言模型，通过 fine-tuning 和 p-tuning 降低了 PPL 值，确认了该模型在生成中文生物医学文本方面的优异性能，并强调了 p-tuning 相对于传统的 fine- - 利用抽象意义表示改进医疗对话生成
通过使用抽象意义表示（AMR）图构建对话中的语言要素和医学实体的图形表示，我们提出了一种模型病人和医疗专业人员之间对话的新框架，其中神经网络结合了文本和图形知识，采用双重注意机制，在医学对话生成方面的实验结果表明，我们的框架优于强基线模型， - 术语意识医疗对话生成
本研究旨在提高医学对话生成的准确性，采用基于专业术语的特征并利用注意机制和辅助术语识别任务填补医学背景与常见话语之间的语义鸿沟，证实该框架优于目前最先进的语言模型。此外，我们提供了一个新的具有医学术语注释的数据集以支持医学对话生成的研究。
- 关键信息回溯的医疗对话响应生成
提出一种基于关键信息回顾技术的医学响应生成模型，该模型通过利用知识关系构建对话图并加以编码，以及生成对话前的总结以加强关键信息的利用，取得了较强的表现。
- LingYi: 基于多模态知识图谱的医学问答对话系统
本文介绍了一种基于多模态知识图谱 “灵怡” 设计的医疗问答系统，其采用自动化医疗程序，包括医疗分类、咨询、图像 - 文本药物推荐和记录，构建了一个中国医学多模态知识图谱（CM3KG）并收集了大规模的医学问答数据集（CMCQA）。该系统采用最 - 生成多样性和实体修订医疗回复
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 - SIGIR医疗对话生成的半监督变分推理
提出了一种端到端变分推理方法来进行医学对话生成，该方法采用患者状态和医生行为作为潜变量，结合贝叶斯生成方法和半监督推理方法。实现了显式患者状态追踪和医生政策学习，完善医学对话生成的理解和生成能力，并在三个医学数据集上取得了优于最先进方法的成