时间 | 论文名字 | 类别 | 摘要 | 发表时间 | 备注 |
2021/03/29 | 基于疾病知识图谱的自动问答系统优化研究 | KBQA | 在疾病知识图谱构建基础上,采用 AC 多模式匹配算法和语义相似度计算获取疾病症状实体,通过人工标注和 AC 多模式匹配算法相结合实现用户问题分类,将匹配的词语封装成分类字典后转换成数据库查询语言,获取相关问题答案。通过中文医学问答数据集中语料测试,本系统在回答新冠疫情相关疾病 5 类问题时的平均准确率达到86%,高于已有的疾病问答系统。 | 2021/02/24 | 该问答平台针对新冠疫情构建知识图谱,解决小领域问题 |
2021/03/29 | 基于中文医疗知识图谱的智能问答系统设计与实现方法 | KBQA | 目的:构建基于中文医疗知识图谱的智能问答系统,使人们通过人机交互的方式就能完成简单的自我诊疗。方法:通过词性标注的方法获取用户提出问句中的医疗实体,再利用结合基于共享层的卷积神经网络(SH-CNN)与词频-逆文本频率(TF-IDF)算法的混合算法来计算出系统中与问句语义最接近的问题模板。最后根据获取问题模板的问句类型以及问句中的医疗实体构建cypher语句,从知识图谱中检索答案返回给用户。结果:该系统具有较强的问题解答能力,回答准确率达90.7%。结论:基于医疗知识图谱的问答系统为用户提供了快速准确的答案,可在一定程度上缓解医疗资源紧缺的矛盾,是医疗领域信息化的必然趋势。 | 2020/05/21 | 问题模板匹配方法 |
2021/04/02 | BB-KBQA: BERT-Based Knowledge Base Question Answering | NER RE KBQA | 使用BERT模型做实体抽取和关系抽取,来实现问题语义解析 | 2019 | |
2021/04/13 | LUKE: Deep Contextualized Entity Representations with Entity-aware Self-attention | NER LUKE | 一个预训练模型,将实体和字进行Embedding | 2020(EMNLP) | 实体抽取的方法 |
DataFunTalk视屏:
时间 | 题目 | 概述 | 备注 |
---|---|---|---|
2021/04/27 | 医疗知识图谱论坛 | 1.知识图谱在临床风险评估的应用(惠每科技-王实) 2.医疗知识图谱的构建和应用(孙海霞) 3.融合知识与数据的临床决策支持 | |