[NLU] Enhancing Dialogue Symptom Diagnosis with Global Attention and Symptom Graph

总述：

通过构造一种global attention的机制以及构造了symptom的图，提高了在医疗对话中，对于每一句话出现symptom的预测精度。以及提高了symptom inference（对于一种症状，病人是否有）的精度

贡献：

1.有一个开源的中文医疗对话数据集，大约两千多个对话，标注了BIO，做了symptom normalization。有四种病，大约162中症状

2.结合了一个global attention

3.构造了一个symptom graph用来表示症状之间的联系

模型：

可以看到先用一层bilstm抽取句子特征，然后结合global attention形成了新的bilstm encoder特征。之后将这个特征可以用于CRF做symptom recognition。识别之后将症状丢到图里面得到一个smooththness loss用于和bilstm encoder得到的特征融合，然后做symptom classify判断这个症状在病人身上有没有。

global attention:

对于当前这个症状而言，他或许在这个对话的上文出现过，或者在其他文档中出现过。那么对于我当前处理的这句话，它之前出现过的地方的hidden可能会有作用，那么当前这个词的hidden就可以结合一个document attention（同一个对话之前这个症状出现地方的hidden）和corpus attention（在不同对话里面，这个症状的hidden），并且用这三个hidden连接起来作为最终的hidden。论文里面首先把不同症状出现的位置打了表，方便查找。

symptom Graph：

用症状作为图的节点，用他们在同一个对话中出现过的次数作为边，并且用min-max norm边的权值构造一个完整的图G。然后每个单独的dialogue会有一个子图G‘会得到个smothness loss：

 这个S是对一个dialog而言的，每一个dialogue有一个子图G‘，(i,j)枚举这个子图的每一个症状，看是不是预测出来了。如果都预测出来了，那么S就是0看，如果某些节点没有预测出来，那么就用它的临节点的边权来表示他（感觉这个S和节点间的关联性的联系不大）

一句话总结：

通过global attention和symptom Graph提高了医疗对话中，症状检测的精度以及symptom inference的精度。