典型文献
语义及句法特征多注意力交互的医疗自动问答
文献摘要：
针对中文医疗自动问答任务,为了捕捉问答句中重要的句法信息和语义信息,提出引入图卷积神经网络捕捉句法信息,并添加多注意力池化模块实现问答句的语序特征和句法特征联合学习的方法.在B E RT模型学习问答句的高阶语义特征基础上,利用双向门控循环单元描述句子的全局语义特征,以及引入图卷积神经网络编码句子的语法结构信息,以与双向门控循环单元所获取的序列特征呈现互补关系;通过多注意力池化模块对问答对的不同语义空间上的编码向量进行两两交互,并着重突出问答对的共现特征;通过衡量问答对的匹配分数,找出最佳答案.实验结果表明,在cMedQA v1.0和cMedQA v2.0数据集上,相比于主流的深度学习方法,所提方法的ACC@1有所提高.实验证明引入图卷积神经网络和多注意力池化模块的集成算法能有效提升自动问答模型的性能.
文献关键词：
自动问答;双向门循环单元;图卷积神经网络;句法信息;多注意力池化
中图分类号：
作者姓名：
张华丽;康晓东;李小军;刘汉卿;王笑天
作者机构：
天津医科大学 医学影像学院,天津 300203;重庆市黔江中心医院,重庆 409099
文献出处：
引用格式：
[1]张华丽;康晓东;李小军;刘汉卿;王笑天-.语义及句法特征多注意力交互的医疗自动问答)[J].计算机工程与应用,2022(18):233-240
A类：
多注意力池化,双向门循环单元
B类：
句法特征,力交互,句法信息,语义信息,图卷积神经网络,语序特征,特征联合,联合学习,模型学习,语义特征,特征基,双向门控循环单元,句子,全局语义,网络编码,语法结构,结构信息,序列特征,特征呈现,互补关系,答对,语义空间,编码向量,配分,最佳答案,cMedQA,v1,v2,深度学习方法,ACC,集成算法,自动问答模型
AB值：
0.247912
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
