《基于LSTMSPA的医学领域问答技术》
该文是医学方面自考开题报告范文跟LSTMSPA和医学和问答有关自考开题报告范文.
摘 要：在线医学智能问答系统作为传统医学服务系统的一个补充旨在对用户通过自然语言进行的医学方面的提问做出快速、简介的反馈.本文提出了基于LSTM的症状位置的注意力模型.在医疗领域数据集MT-QA上的对比实验显示LSTM-SPA模型有优良的性能.
关键词：语义分析;问答系统;长短时记忆网络模型;基于位置的注意力机制
DOI：10.16640/j.cnki.37-1222/t.2019.01.226
1 引言
在线医学询问平台在医疗服务领域得到越来越广泛的关注,它为患者和医生提供了一个社区的问答系统.患者描述他们的症状并提出问题,医生以此来诊断疾病或者给予一些进一步就医检查的建议.但是由于平台上的医生大多利用业余时间参与问诊工作,无法进行实时回复.患者仍然需要等待来自医生的回复,而且这个等待时间是未知的.针对传统的社区问答系统所面临的上述问题,一个实时且高质量的医学领域智能问答系统对于用户来说是必要的.
2 相关工作
社区医疗问答系统所涉及的研究热点包括以下两个方面：
以用户的症状描述为基础,在数据库中匹配与其相似度高的历史病例.词汇差距是由于使用不同的单词导致用户描述与表达相同含义的历史描述不匹配.例如：一些用户描述流感可能用“感冒了”,而其他人可能会用“咳嗽的厉害”代替.词汇差距的存在导致利用传统的信息索引方法很难根据用户的描述去找到相似的历史病例.
最近,LSTM已经被广泛应用于问答任务中由于它的优良的性能.在基于LSTM的CQA模型中,用户的描述和历史描述中的每个单词首先被一个隐含层向量表示.然后,所有的隐含层向量被合并成为句子代表.之后,最接近的历史描述被从候选历史描述池中选择出来根据句子相似度.目前一个主要的挑战是如何减弱句子中不相关内容对语义的干扰,[1]提出了三种内在关注的方法,在隐含层表示之前加入了注意力信息,达到了QA领域最新的表现.
本文将针对上述词汇差距和句子向量化代表的问题展开深入探讨.主要有以下两个方面的研究.（1）将基于中文词林的近义词主词替换的机制引入到目前最新进的词嵌入模型来解决之前研究者所忽略的句子中单词语义的理解;（2）对目前最先进的注意力机制进行优化.加入位置上下文的影响,增强对疾病典型症状的关注,构建基于位置感知的注意力模型.
3 LSTM-SPA模型描述
在这一章中,我们将介绍我们的LSTM-SPA 模型如何解决CQA任务.假设在历史病例池中,从医生得到相似答案回复的用户症状描述如果多次出现,则该症状在该疾病中的表现是活跃的（我们称之为典型症状）,那么在用户描述句中,该典型症状单词将对其临近单词造成影响.也就是说,临近单词应该被给予更多的关注比起那些远离单词,因为它们代表着更多用户的症状描述语义.基于这个假设,我们提出了LSTM-SPA模型来模拟一个用户描述中的典型症状对句中各单词的位置感知影响,分为以下三个步骤：
（1）通过相似度计算将历史病例分组,具有高相似度诊断结果的历史病例分为一组,也就是说位于同组的诊断结果或诊断建议基本一致.
（2）将每组病例中用户描述利用传统的注意力机制进行处理,得到用户描述代表.
（3）经过统计,我们将得出每种诊断结果所对应的症状单词列表.
需要重点说明的是我们提出了一个位置感知影响传播策略,即在用户描述句中,症状单词对临近单词的影响程度随距离而变化.然后根据在用户描述句中出现的所有症状单词传播的累积影响,在隐含层中生成每个单词的位置感知影响向量.这样位置感知影响向量被整合到传统注意力机制中,形成用户对疾病症状描述的注意力语义代表.
4 实验
4.1 实验构建
数据集.我们进行的实验使用的是我们独立构建的数据MT-QA.MT-QA是一个面向医学领域的问答对语料数据集,所有的问答对是从各大权威网站收集而来（例如：好大夫,寻医问药）.数据集被划分为3部分：训练集,开发集,测试集,并且統计的结果展示在表1：
4.2 LSTM-SPA 的影响
为了调查我们提出的BLSTM-PA 方法的效果.我们加入了一些没有引用LSTM-SPA的标杆方法,即不引用注意力的均分权重的方法（例如,基于LSTM编码解码模型[2]和基于RNN的编码解码模型[3]）和引入传统注意力的方法[4].实验结果如表2所示. 我们的模型执行比其他方法更好.
我们观察到LSTM编码器 - *模型比RNN编码器 - *具有更好的性能.LSTM具有更强的学习远程时间依赖性数据的能力,因为这些问题与其答案句子中相应的关键信息之间存在相当长的时间滞后.并且我们注意到传统的注意机制通过捕捉答案中的一部分信息词汇,其性能略微优于均分权重的方法.然而它不能给予出现在用户描述中的症状单词以及他们周围的上下文特别的关注,对于问答匹配来说,这会丢失很多有用的信息.在我们提出的SPA机制中,通过症状单词的位置上下文影响的传播,用户描述中的症状单词以及相邻上下文的重要性会有一个明确的提高.此外,在我们的医疗问答对数据集上,我们能够实现显著的改善比起基础模型.
5 结论
在这篇论文中,我们提出了一个基于LSTM的症状位置注意力模型（LSTM-P）,该模型将症状单词的位置上下文包含在用户描述的注意力表示中;同时,通过将近义词映射为主词的近义词主词替换机制有效的为词汇差距建立了桥梁.在MT-QA上的实验结果展示了我们模型的优越性比起那些没有考虑词汇差距和位置信息的基准线模型.证明我们提出的SPA机制具有更高的性能比起那些传统的注意力机制.在未来的研究中,我们想要在不同的任务中评估我们的模型并且试着去改善我们的模型.
参考文献：
[1]Wang B,Liu K,Zhao J.Inner Attention based Recurrent Neural Networks for Answer Selection[C]//Meeting of the Association for Computational Linguistics,2016：1288-1297.
[2]Sutskever I,Vinyals O,Le Q V.Sequence to Sequence Learning with Neural Networks[J].2014（04）：3104-3112.
[3]Cho K,Van Merrienboer B,Gulcehre C,et al.Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation[J].Computer Science,2014.
[4]Wang D,Nyberg E.A Long Short-Term Memory Model for Answer Sentence Selection in Question Answering[C]// Meeting of the Association for Computational Linguistics and the,InternationalJoint Conference on Natural Language Processing.2015：707-712.
此文结束语,本文论述了关于对写作LSTMSPA和医学和问答论文范文与课题研究的大学硕士、医学本科毕业论文医学论文开题报告范文和相关文献综述及职称论文参考文献资料有帮助.
医学引用文献:
[1] 最新icu医学论文选题参考 icu医学论文标题怎样定
[2] SCI医学论文题目范文 SCI医学论文题目哪个好
[3] 保健医学论文题目大全 保健医学论文题目怎样定
