典型文献
支持中文医疗问答的基于注意力机制的栈卷积神经网络模型
文献摘要：
当前的中文问答匹配技术大多都需要先进行分词,中文医疗文本的分词问题需要维护医学词典来缓解分词错误对后续任务影响,而维护词典需要大量人力和知识,致使分词问题一直具有极大的挑战性.同时,现有的中文医疗问答匹配方法都是对问题和答案分开建模,并未考虑问题和答案中各自包含的关键词汇间的关联关系.因此,提出了一种基于注意力机制的栈卷积神经网络(Att-StackCNN)模型来解决中文医疗问答匹配问题.首先,使用字嵌入对问题和答案进行编码以得到二者各自的字嵌入矩阵;然后,通过利用问题和答案的字嵌入矩阵构造注意力矩阵来得到二者各自的特征注意力映射矩阵;接着,利用栈卷积神经网络(Stack-CNN)模型同时对上述矩阵进行卷积操作,从而得到问题和答案各自的语义表示;最后,进行相似度计算,并利用相似度计算最大边际损失以更新网络参数.所提模型在cMedQA数据集上的Top-1正确率比Stack-CNN模型高接近1个百分点,比Multi-CNNs模型高接近0.5个百分点.实验结果表明,Att-StackCNN模型可以提升中文医疗问答匹配效果.
文献关键词：
字嵌入;注意力;栈卷积神经网络;中文医疗文本;问答匹配
中图分类号：
作者姓名：
滕腾;潘海为;张可佳;牟雪莲;张锡明;陈伟鹏
作者机构：
哈尔滨工程大学计算机科学与技术学院,哈尔滨150001
文献出处：
引用格式：
[1]滕腾;潘海为;张可佳;牟雪莲;张锡明;陈伟鹏-.支持中文医疗问答的基于注意力机制的栈卷积神经网络模型)[J].计算机应用,2022(04):1125-1130
A类：
栈卷积神经网络,中文医疗文本,StackCNN
B类：
医疗问答,注意力机制,卷积神经网络模型,问答匹配,匹配技术,分词,词典,匹配方法,开建,关联关系,Att,匹配问题,用字,字嵌入,利用问题,力矩,来得,特征注意力,行卷,卷积操作,相似度计算,大边,边际,新网,网络参数,cMedQA,Top,百分点,Multi,CNNs
AB值：
0.250931
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。
