融合知识图谱的中文医疗问答社区自动问答研究

摘要：

[目的]结合专业医疗知识图谱,提高答案选择模型对于中文医疗社区问答识别的准确率,为当前的网络中文医疗问答社区提出能够更好地判断答案可靠程度的方法.[方法]在应用混合神经网络(融合RNN和多尺度CNN捕捉上下文以及局部信息)的答案选择模型基础上,构建专业医疗知识图谱并融合实体以及关系嵌入丰富问答文本的语义信息,结合问答对注意力机制,最终获取问答对相似度并筛选得分最高的作为候选答案.[结果]在cMedQA2.0数据集上,相较于没有融入知识图谱实体关系嵌入的混合神经网络模型,本文模型答案选择的Top-1准确率提高了 2.3个百分点,达到62.2％,证明了在医疗问答文本中引入专业知识图谱信息对于答案选择效果提升的有效性.[局限]使用的医疗知识图谱体量较小,只包含医疗社区问答中常见的实体,还有大量的医疗实体与关系未能包含其中,医疗实体关系的不完备在面对冷门问题时可能会影响答案选择的效果.[结论]通过结合中文医疗的专业知识图谱和深度学习模型,不断完善答案选择技术,不仅能够帮助有医疗咨询需求的人群在问答社区获取可靠的医疗建议,还能够实现网络医疗社区信息质量监测和医院门诊减负.

关键词：问答社区、深度学习、答案选择、知识图谱

所属期刊栏目：7

分类号：TP391(计算技术、计算机技术)

资助基金：国家社会科学基金21BTQ030

在线出版日期：2023-05-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：97-109