激情人妻,国产视频不卡中文,麻豆精品一区二区不卡成人网站,精品日韩偷拍

【摘要】：眾所周知,新冠肺炎在全球傳播。由于其傳染性強(qiáng),全球新冠肺炎感染人數(shù)與日俱增。目前普通民眾學(xué)習(xí)新冠肺炎知識(shí)的興趣越來(lái)越濃,特別是對(duì)癥狀和治療方面知識(shí)的需求越來(lái)越高,如期望通過(guò)智能問(wèn)答、在線輔助咨詢等方式自學(xué)新冠肺炎醫(yī)學(xué)知識(shí)。新冠肺炎知識(shí)圖譜構(gòu)建以一些開放的醫(yī)療公共領(lǐng)域知識(shí)圖譜為基礎(chǔ),把百科網(wǎng)站中與新冠肺炎相關(guān)的詞條作為知識(shí)的主要數(shù)據(jù)來(lái)源智能醫(yī)療問(wèn)答系統(tǒng),并將衛(wèi)計(jì)委官方網(wǎng)站上的《新型冠狀病毒肺炎診療方案》和《新型冠狀病毒肺炎流行病學(xué)知識(shí)110問(wèn)》作為補(bǔ)充,形成新冠肺炎知識(shí)圖譜。為了保證知識(shí)融合的有效性,對(duì)多源數(shù)據(jù)的知識(shí)獲取后,采用規(guī)則和實(shí)體對(duì)齊方法構(gòu)建一套醫(yī)療同義實(shí)體庫(kù),并以此為基礎(chǔ)通過(guò)實(shí)體映射技術(shù)對(duì)多源知識(shí)庫(kù)進(jìn)行融合。新冠肺炎知識(shí)圖譜的實(shí)體內(nèi)容比較復(fù)雜且關(guān)聯(lián)數(shù)據(jù)量較大,宜選用Neo4j圖數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)。采用Neo4j圖數(shù)據(jù)庫(kù)還可以將實(shí)體和關(guān)系以關(guān)聯(lián)網(wǎng)絡(luò)的形式進(jìn)行可視化展示。以新冠肺炎知識(shí)圖譜為數(shù)據(jù)源智能醫(yī)療問(wèn)答系統(tǒng),采用語(yǔ)言進(jìn)行開發(fā)設(shè)計(jì)智能問(wèn)答系統(tǒng)。系統(tǒng)設(shè)計(jì)流程及相關(guān)技術(shù)如下:針對(duì)常見的新冠肺炎問(wèn)題輸入系統(tǒng)后,系統(tǒng)首先使用雙向最大匹配算法對(duì)問(wèn)題進(jìn)行分詞,根據(jù)分詞結(jié)果提取關(guān)鍵詞,劃分問(wèn)句類型,用以后期匹配不同類別的查詢模板;然后利用基于BERT-Bi LSTM-CRF模型來(lái)識(shí)別醫(yī)療實(shí)體,并采用LTP-工具對(duì)問(wèn)句作依存句法分析,得到句中各詞語(yǔ)與實(shí)體的關(guān)系,進(jìn)而生成問(wèn)題三元組;再將問(wèn)題三元組與對(duì)應(yīng)類別的查詢模板進(jìn)行匹配,生成的查詢語(yǔ)句,通過(guò)在知識(shí)圖譜內(nèi)執(zhí)行查詢得到答案三元組;最后根據(jù)不同類別的答案三元組,系統(tǒng)會(huì)按漢語(yǔ)語(yǔ)法規(guī)則對(duì)其語(yǔ)義進(jìn)行優(yōu)化后得到一個(gè)通俗易懂的自然語(yǔ)言答案反饋給用戶。

本文主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)有:(1)新冠肺炎知識(shí)圖譜智能問(wèn)答系統(tǒng)的構(gòu)建。為了能夠提供實(shí)時(shí)的新冠肺炎咨詢服務(wù),本研究以百科網(wǎng)站作為主要知識(shí)來(lái)源,并以衛(wèi)計(jì)委官方網(wǎng)站上的《新型冠狀病毒肺炎診療方案》和《新型冠狀病毒肺炎流行病學(xué)知識(shí)110問(wèn)》作為補(bǔ)充,形成新冠肺炎知識(shí)圖譜。并利用中文分詞、命名實(shí)體識(shí)別、依存句法分析和Neo4j圖數(shù)據(jù)庫(kù)等關(guān)鍵技術(shù),針對(duì)新冠肺炎癥狀、檢查以及治療等常見問(wèn)題,采用語(yǔ)言開發(fā),初步實(shí)現(xiàn)了基于新冠肺炎知識(shí)圖譜的智能問(wèn)答系統(tǒng)。(2)中文常見醫(yī)療問(wèn)題命名實(shí)體識(shí)別研究。鑒于目前缺少中文常見醫(yī)療問(wèn)題領(lǐng)域的標(biāo)注語(yǔ)料,本研究采用人工方式構(gòu)建標(biāo)注語(yǔ)料庫(kù),為醫(yī)療領(lǐng)域知識(shí)圖譜智能問(wèn)答系統(tǒng)奠定基礎(chǔ)。命名實(shí)體識(shí)別采用BERT-Bi LSTM-CRF模型,該模型通過(guò)引入BERT可提取文本全局特征和局部特征從而生成表義更加豐富的字向量,同時(shí)還具備了Bi LSTM網(wǎng)絡(luò)捕獲上下文語(yǔ)義信息和CRF標(biāo)注偏置糾錯(cuò)的能力。實(shí)驗(yàn)結(jié)果表明,BERT-Bi LSTM-CRF模型的醫(yī)療實(shí)體識(shí)別效果遠(yuǎn)高于傳統(tǒng)的Bi LSTM-CRF模型;BERT-Bi LSTM-CRF模型在基于BIOE標(biāo)注方案下實(shí)體識(shí)別效果較好,P值(準(zhǔn)確率)、R值(召回率)和F1值(F1-score)分別達(dá)到了98%、97%和97%。