摘要: 中医作为一种古老的医疗保健方法，在中国已经使用了数千年。在这一过程中积累了大量的经典书籍和文献，其中蕴含的理论是非常有价值的。而深度学习作为当今的先进技术，在西医领域已经获得了巨大的成功，如智能诊断和手术机器人等。相比之下，结合中... 展开 中医作为一种古老的医疗保健方法，在中国已经使用了数千年。在这一过程中积累了大量的经典书籍和文献，其中蕴含的理论是非常有价值的。而深度学习作为当今的先进技术，在西医领域已经获得了巨大的成功，如智能诊断和手术机器人等。相比之下，结合中医的相关研究却较少。大部分的中医数据都是以文本的形式保存的，如果将深度学习中的文本生成方法运用到中医领域，相信可以加快中医信息化的进程，促进中医的传播和推广。然而，中医理论复杂，且大规模的、公开的电子化数据集很少。因此，在中医领域结合文本生成技术进行相关研究不仅具备深厚的研究价值和意义，更具有非常大的挑战性。 基于上述背景，本研究从智能辅助诊疗角度，选取中药处方生成和中医问题生成两个文本生成任务进行探索性研究。中药处方生成通过挖掘经典处方规律，辅助从业人员开具合理的处方，而中医问题生成可以实现高效、自动地构建中医问答知识库，在中医从业人员教育、自动问诊和辅助治疗领域发挥重要的作用。主要研究内容和贡献总结如下： 首先，提出了一种融入知识的中药处方生成模型HKE-PG。将中医开方过程视为序列到序列生成任务，以病人症状描述为输入，模型输出处方。过去的研究主要是直接学习症状和中药处方之间的关系。然而，中医在开具处方时常会参考中药的功效信息。本研究模拟医生的开方思路，引入中药功效数据作为外部知识，症状信息和外部知识通过联合注意力机制共同解码生成处方。在典籍处方数据集和现代经典教科书处方数据集上进行实验，结果表明，我们的方法可以依据中药知识来生成更好、更有意义的处方，其机器评估优于多个基线模型，并通过人工评估和示例分析证明其有效性。 其次，提出了一种基于预训练模型的中医问题生成模型SPTAdv-QG。主要思想是将序列到序列的掩码结构与预训练模型相结合，利用预训练模型强大的语言表征能力，实现端到端的问题生成。但中医语料与预训练模型的训练语料存在较大的差异，为了弥补通用预训练与中医领域任务微调之间的差距，利用中文医学问答数据进行二次预训练，将领域知识和任务知识迁移到预训练模型中，在此基础上再进行任务的微调。另外，由于数据集规模较小，为了缓解网络过于拟合任务文本，将对抗训练引入到模型中。实验结果显示提出的方法在有限的训练数据下取得了有竞争力的性能。 收起