500.
医疗对话中的症状属性分类是实现自动诊断系统的关键任务之一,旨在识别对话文本中描述的症状所对应的属性类别。然而,现有方法在处理长文本对话时普遍存在上下文建模能力不足、语义依赖捕捉不充分等问题,导致整体分类性能受限,尤其在少数类样本上的表现欠佳。针对上述挑战,提出一种基于语义图增强注意力网络的症状属性分类方法。该方法通过构建症状关联的文本分割方法、融合编码策略以及基于依存树的关系图注意力网络,在多个层次上增强模型对症状上下文信息的建模能力。实验结果表明,所提方法在CHIP-MDCFNPC数据集上取得了72.13%的F
1(+1.76%)和77.94%的宏平均F
1值(+1.77%)。所提方法能够显著提升长文本医疗对话中症状属性分类的效果,尤其在少数类样本上的表现更为突出,为构建高效可靠的自动诊断系统提供了有益借鉴。… …
相似文献