MedProm：利用知识增强型生成模型弥合医疗领域的对话差距

《ACM Transactions on Computing for Healthcare》：MedProm: Bridging Dialogue Gaps in Healthcare with Knowledge-Enhanced Generative Models

针对医学对话系统中知识库不完整的问题，提出MedProm模型，结合知识图谱与课程学习，利用BioGPT等预训练模型，通过KnowFusion编码器处理结构化知识，并采用课程学习解码器生成语境相关回答，实验证明其效果优于现有模型。

　　

摘要

在医疗对话系统中，最近的进展突显了整合相关医学知识以提升系统性能的关键作用。然而，现有的知识库往往存在不完整性，这给获取相关信息带来了挑战。我们提出了MedProm，这是一种专为医疗对话生成设计的新颖生成模型，旨在解决这一难题。MedProm旨在提供全面且符合上下文的回答，它利用了诸如BioGPT这样的先进语言模型。该模型旨在将丰富的医学知识融入对话中，从而促进患者与医疗提供者之间的有效沟通。MedProm的核心是MediConnect图谱，这是一个精心构建的知识图谱，能够捕捉从对话情境中提取出的医学实体之间的复杂关系。通过采用具有预训练目标的KnowFusion编码器以及掩码多头自注意力机制，MedProm能够有效处理MediConnect图谱，实现对信息流动的精确控制，从而捕捉其内在结构。此外，MedProm还集成了一个复杂的课程知识解码器，该解码器基于Transformer架构进行解码，根据KnowFusion编码器的输入表示生成相应的回答语句。训练过程通过课程学习进行指导，逐步提高优化难度，评判标准基于回答的连贯性。在两个数据集上的实验结果表明，与现有最先进模型相比，MedProm在生成准确且符合上下文的回答方面表现出色。