隨著現(xiàn)代醫(yī)療體系的日益成熟,越來(lái)越多的新興技術(shù)應(yīng)用于醫(yī)療系統(tǒng)中。其中,自動(dòng)問(wèn)答技術(shù)就給醫(yī)患溝通帶來(lái)很大幫助。基于深度學(xué)習(xí)的生成式問(wèn)答系統(tǒng)一般使用序列到序列(Sequence to Sequence,Seq2Seq)框架搭建問(wèn)答模型,但是該模型無(wú)法充分利用相關(guān)情景下的文本信息,生成的一些回答較為簡(jiǎn)單。為使模型生成的回復(fù)更加豐富,本文采用一種將醫(yī)療背景信息與Seq2Seq問(wèn)答模型相結(jié)合的新型導(dǎo)醫(yī)臺(tái)問(wèn)答模型。論文首先研究了中文語(yǔ)料預(yù)處理技術(shù)以及中文詞向量表達(dá)形式與訓(xùn)練方法,采用了word2vec訓(xùn)練工具訓(xùn)練分布式詞向量,相比稀疏詞向量表示方法降低了詞向量維度,減少了網(wǎng)絡(luò)的計(jì)算量。其次,對(duì)結(jié)合Attention機(jī)制的Seq2Seq問(wèn)答模型進(jìn)行研究,模型中分別使用多種循環(huán)神經(jīng)網(wǎng)絡(luò)作為編碼器與解碼器,對(duì)比多組實(shí)驗(yàn),選擇模型訓(xùn)練效果最好的網(wǎng)絡(luò)作為問(wèn)答模型的編解碼器。然后,為了提高問(wèn)答模型生成回復(fù)的準(zhǔn)確率與多樣性,在Seq2Seq問(wèn)答模型的基礎(chǔ)上增加了醫(yī)學(xué)背景信息模型。將Seq2Seq問(wèn)答模型作為預(yù)訓(xùn)練模型,增加背景信息后進(jìn)行再訓(xùn)練,使得模型不僅與問(wèn)答語(yǔ)句有關(guān)也充分學(xué)習(xí)了背景信息的特征,生成的回復(fù)更加...

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖3.3LSTM結(jié)構(gòu)示意圖

3基于RNN和SEQ2SEQ自動(dòng)問(wèn)答模型27圖3.3LSTM結(jié)構(gòu)示意圖在圖3.3中tc為細(xì)胞狀態(tài)，內(nèi)部存放t時(shí)刻的網(wǎng)絡(luò)記憶信息，tx為t時(shí)刻輸入信息，th表示t時(shí)刻輸出傳入下一時(shí)刻的信息。LSTM結(jié)構(gòu)的核心思想是引入細(xì)胞狀態(tài)連接，該細(xì)胞狀態(tài)用于存儲(chǔ)需要的記憶信息，同時(shí)其內(nèi)部的門(mén)控....

圖3.8基于Attention的Seq2Seq模型詳細(xì)解圖

西安科技大學(xué)碩士學(xué)位論文32圖3.8基于Attention的Seq2Seq模型詳細(xì)解圖圖3.8中Encoder的輸入為每一個(gè)詞語(yǔ)的詞嵌入（wordembedding）向量和上一個(gè)時(shí)間點(diǎn)LSTM的隱藏狀態(tài)t1h，輸出的是這個(gè)時(shí)間點(diǎn)的隱藏狀th。Decoder接收的是目標(biāo)序列詞語(yǔ)的詞....

圖3.9詞向量生成圖

西安科技大學(xué)碩士學(xué)位論文34圖3.9詞向量生成圖圖3.9詞向量生成圖中，共加載了約6000詞語(yǔ)，把每個(gè)詞語(yǔ)訓(xùn)練成了100維的向量，圖中只截取了部分向量。模型構(gòu)建：使用Tensorflow框架構(gòu)建模型，首先需要設(shè)置參數(shù)，初始化模型。然后調(diào)用Tensorflow中封裝好的帶有注意力機(jī)....

圖3.10檢查點(diǎn)文件圖片

西安科技大學(xué)碩士學(xué)位論文36圖3.10檢查點(diǎn)文件圖片其中seq2seqtest.ckpt-457900.data-000文件為數(shù)據(jù)文件，保存的是網(wǎng)絡(luò)的權(quán)值、偏置等參數(shù)。seq2seqtest.ckpt-457900.index是一個(gè)不可變的字符串表，表中每一個(gè)鍵都是張量的名稱(chēng)。s....

本文編號(hào)：3906209