Medical Dialogue Generation via Dual Flow Modeling

要約

医療対話システム (MDS) は、患者に診断や処方などの医療サービスを提供することを目的としています。
ほとんどの患者は自分の症状を正確に説明できないため、MDS にとって対話による理解は困難です。
これまでの研究では主に、言及された医療エンティティを重要な対話履歴情報として抽出することでこの問題に対処していました。
この研究では、医療エンティティと医師の対話行為の推移を各ターンで捉えることも不可欠であると主張します。これは、対話がどのように流れるかを理解し、医療エンティティと対話行為の予測を強化するのに役立ちます。
次のターンで採用。
これに対応して、デュアル フロー強化医療 (DFMed) 対話生成フレームワークを提案します。
対話履歴で使用された医療エンティティと対話行為を抽出し、それぞれエンティティ中心のグラフ フローと逐次行為フローでその遷移をモデル化します。
私たちは 2 つの連続モデルを使用してそれらをエンコードし、それらの相互作用を強化するために織り交ぜるコンポーネントを考案します。
2 つのデータセットでの実験では、私たちの方法が自動評価と手動評価の両方でベースラインを超えていることが実証されています。

要約(オリジナル)

Medical dialogue systems (MDS) aim to provide patients with medical services, such as diagnosis and prescription. Since most patients cannot precisely describe their symptoms, dialogue understanding is challenging for MDS. Previous studies mainly addressed this by extracting the mentioned medical entities as critical dialogue history information. In this work, we argue that it is also essential to capture the transitions of the medical entities and the doctor’s dialogue acts in each turn, as they help the understanding of how the dialogue flows and enhance the prediction of the entities and dialogue acts to be adopted in the following turn. Correspondingly, we propose a Dual Flow enhanced Medical (DFMed) dialogue generation framework. It extracts the medical entities and dialogue acts used in the dialogue history and models their transitions with an entity-centric graph flow and a sequential act flow, respectively. We employ two sequential models to encode them and devise an interweaving component to enhance their interactions. Experiments on two datasets demonstrate that our method exceeds baselines in both automatic and manual evaluations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google