論文の概要: HHH: An Online Medical Chatbot System based on Knowledge Graph and Hierarchical Bi-Directional Attention

• arxiv url: http://arxiv.org/abs/2002.03140v1
• Date: Sat, 8 Feb 2020 11:06:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 22:57:25.567218
• Title: HHH: An Online Medical Chatbot System based on Knowledge Graph and Hierarchical Bi-Directional Attention
• Title（参考訳）: HHH:知識グラフと階層的双方向注意に基づくオンライン医療チャットボットシステム
• Authors: Qiming Bao, Lin Ni and Jiamou Liu
• Abstract要約: 我々は、複雑な医療質問に答えるためのオンライン質問・回答システムであるHHHを構築している。 HHHは、インターネットから収集された医療データから構築された知識グラフを維持している。 医療領域において、重複した質問データセットのサブセットでモデルをトレーニングし、テストする。
• 参考スコア（独自算出の注目度）: 4.362753869209338
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a chatbot framework that adopts a hybrid model which consists of a knowledge graph and a text similarity model. Based on this chatbot framework, we build HHH, an online question-and-answer (QA) Healthcare Helper system for answering complex medical questions. HHH maintains a knowledge graph constructed from medical data collected from the Internet. HHH also implements a novel text representation and similarity deep learning model, Hierarchical BiLSTM Attention Model (HBAM), to find the most similar question from a large QA dataset. We compare HBAM with other state-of-the-art language models such as bidirectional encoder representation from transformers (BERT) and Manhattan LSTM Model (MaLSTM). We train and test the models with a subset of the Quora duplicate questions dataset in the medical area. The experimental results show that our model is able to achieve a superior performance than these existing methods.
• Abstract（参考訳）: 本稿では,知識グラフとテキスト類似性モデルを組み合わせたハイブリッドモデルを採用するチャットボットフレームワークを提案する。 このチャットボットフレームワークに基づいて、複雑な医療質問に答えるためのオンラインQA(Healthcare Helper)システムであるHHHを構築する。 hhhはインターネットから収集した医療データから構築した知識グラフを維持している。 HHHはまた、大きなQAデータセットから最もよく似た質問を見つけるために、新しいテキスト表現と類似性深層学習モデル、階層的BiLSTM注意モデル(HBAM)を実装している。 我々はHBAMと、変換器(BERT)からの双方向エンコーダ表現や、マンハッタンLSTMモデル(MALSTM)などの最先端言語モデルを比較した。 医療領域におけるQuora重複質問データセットのサブセットを使用してモデルをトレーニングし、テストする。 実験結果から,本モデルでは既存の手法よりも優れた性能が得られることが示された。

関連論文リスト

• Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
  本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。 特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。 また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
  論文  参考訳（メタデータ） (2024-04-27T05:03:42Z)
• XAIQA: Explainer-Based Data Augmentation for Extractive Question Answering [1.1867812760085572]
  我々は,電子カルテで自然に利用可能なデータから,合成QAペアを大規模に生成するための新しいアプローチであるXAIQAを紹介する。 本手法は、分類モデル説明器の考え方を用いて、医療規範に対応する医療概念に関する質問や回答を生成する。
  論文  参考訳（メタデータ） (2023-12-06T15:59:06Z)
• Question-Answering Model for Schizophrenia Symptoms and Their Impact on Daily Life using Mental Health Forums Data [0.0]
  メンタルヘルスのフォーラムは統合失調症と異なる精神疾患に苦しむ人々のためのフォーラムである。 データセットを前処理してQAデータセットに変換する方法が示されている。 BiBERT、DistilBERT、RoBERTa、BioBERTモデルはF1-Score、Exact Match、Precision、Recallを通じて微調整され評価された。
  論文  参考訳（メタデータ） (2023-09-30T17:50:50Z)
• Using Weak Supervision and Data Augmentation in Question Answering [0.12499537119440242]
  新型コロナウイルス(COVID-19)のパンデミックの始まりは、タイムリーで病気固有の質問に答えるために、バイオメディカル文献へのアクセスの必要性を強調した。 我々は、深層ニューラルネットワークQAモデルのトレーニングにおいて、弱い監視とデータ拡張が果たす役割について検討する。 システムの中核部におけるQAモデルのコンテキストにおける手法の評価を行い、COVID-19に関する質問に答える。
  論文  参考訳（メタデータ） (2023-09-28T05:16:51Z)
• HuatuoGPT, towards Taming Language Model to Be a Doctor [67.96794664218318]
  HuatuoGPTは医療相談のための大規模言語モデル(LLM)である。 我々は,ChatGPTのテクティット蒸留データと,教師付き微調整段階の医師のテクティトゥルワールドデータの両方を活用する。
  論文  参考訳（メタデータ） (2023-05-24T11:56:01Z)
• PMC-VQA: Visual Instruction Tuning for Medical Visual Question Answering [56.25766322554655]
  MedVQA(Medicical Visual Question Answering)は、診断精度と医療提供を向上する重要な機会を提供する。 本稿では,事前学習した視覚エンコーダの視覚情報を大規模言語モデルに整列させることにより,医用視覚理解のための生成モデルを提案する。 PMC-VQAで提案されたモデルをトレーニングし、VQA-RAD、SLAKE、Image-Clef 2019など、複数の公開ベンチマークで微調整する。
  論文  参考訳（メタデータ） (2023-05-17T17:50:16Z)
• Dialogue-Contextualized Re-ranking for Medical History-Taking [5.039849340960835]
  本稿では,第1段階の質問候補を再ランク付けすることで,トレーニングと推論のギャップを埋める2段階の再ランク付け手法を提案する。 専門家システムと比較して,提案するトランスフォーマーバックボーンを用いたグローバルリランカにより,最高の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-04-04T17:31:32Z)
• QUADRo: Dataset and Models for QUestion-Answer Database Retrieval [97.84448420852854]
  質問/回答(q/a)ペアのデータベース(DB)が与えられた場合、同じ質問に対してDBをスキャンすることで、対象の質問に答えることができる。 我々は6.3Mのq/aペアからなる大規模DBを構築し、公開質問を用いて、ニューラルIRとq/aペアリランカに基づく新しいシステムを設計する。 我々は、Bing検索エンジン上に構築されたQAシステムという、Webベースの手法とDBベースのアプローチが競合することを示す。
  論文  参考訳（メタデータ） (2023-03-30T00:42:07Z)
• Learning to Ask Like a Physician [24.15961995052862]
  2,000以上の質問からなる新たな質問データセットDiSCQについて紹介する。 質問は、100以上のMIMIC-III放電サマリーの医療専門家によって生成される。 我々は、このデータセットを分析し、医療専門家が求めている情報のタイプを特徴付ける。
  論文  参考訳（メタデータ） (2022-06-06T15:50:54Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)
• Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
  コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。 本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。 我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-02-03T15:47:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。