典型文献
一种基于对抗训练的医疗问答匹配方法
文献摘要：
相较于英文开放领域的问答匹配,中文专业医疗领域的问答匹配任务更具有挑战性.针对中文语义和医疗数据的复杂、多样,大多数研究人员都专注于设计繁杂的神经网络来探索更深层次的文本语义,工作思路较为单一,同时神经网络模型很容易因为微小扰动而误判,模型的泛化能力较差.为此,提出了一种基于对抗训练的问答匹配模型,利用双向预训练编码器来捕获问答句的语义信息,从而得到对应的向量表征;再通过在词嵌入表示上添加扰动因子生成对抗样本;最后将初始样本和对抗样本共同输入带有线性层的模型中进行分类预测.在cMedQA V2.0数据集上通过对比实验证明了对抗训练可以有效提升问答匹配模型的性能.
文献关键词：
医疗问答;对抗训练;自然语言处理
中图分类号：
作者姓名：
付洁琼;孙亚伟;刘建毅;李金斌
作者机构：
北京邮电大学 计算机学院(国家示范性软件学院),北京100876;北京邮电大学 可信分布式计算与服务教育部重点实验室,北京100876;北京邮电大学 网络空间安全学院, 北京100876;中国医学科学院 国家人口健康科学数据中心,北京100005
文献出处：
引用格式：
[1]付洁琼;孙亚伟;刘建毅;李金斌-.一种基于对抗训练的医疗问答匹配方法)[J].北京邮电大学学报,2022(04):37-43
A类：
B类：
对抗训练,医疗问答,问答匹配,匹配方法,放领,中文专业,医疗领域,医疗数据,繁杂,文本语义,工作思路,小扰动,误判,泛化能力,匹配模型,预训练,编码器,语义信息,向量表征,词嵌入表示,加扰,扰动因子,生成对抗,对抗样本,有线,分类预测,cMedQA,V2,自然语言处理
AB值：
0.377611
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。
