基于知识图谱的医疗问答机器人 

人工智能 其他 案例ID:192489
康华
2 年经验· 深兰科技有限公司
微信扫码沟通,客服可协助直接对接工程师;如当前档期不合,也可继续推荐相似案例作者。

案例介绍

一、基于知识图谱的医疗问答机器人                                                                

 • 数据预处理:设计句子切分算法,将非结构化医疗文本进行长短句切分。

实体与关系抽取:抽取半结构化数据,构建疾病,药品,疾病症状,疾病治疗方法等实体库与之 对应的关系,导入neo4j图数据库。

数据标注:采用AC自动机标注医疗文本中的实体,设计实体序列排序算法,解决实体嵌套问题,再加以人工校验。

模型构建:采用BERT+BiLSTM+CRF进行实体识别,设计实体替换,实体随机Mask,实体拼接等动态加载训练策略。模型在验证集上的F1值为94%。

意图与实体识别:解析query,采用tf-idf进行实体对齐,设计实体的意图归属算法,能够识别并拆解多意图,多实体,连接到neo4j图数据库查询对应的answer。

模型部署:采用flask线上部署,平均响应时间为0.25s。

基于知识图谱的医疗问答机器人 

人工智能 · 其他 案例ID:192489
联系该工程师
微信扫码,建群沟通
作者: 康华 - 2年经验- 深兰科技有限公司

案例介绍

一、基于知识图谱的医疗问答机器人                                                                

 • 数据预处理:设计句子切分算法,将非结构化医疗文本进行长短句切分。

实体与关系抽取:抽取半结构化数据,构建疾病,药品,疾病症状,疾病治疗方法等实体库与之 对应的关系,导入neo4j图数据库。

数据标注:采用AC自动机标注医疗文本中的实体,设计实体序列排序算法,解决实体嵌套问题,再加以人工校验。

模型构建:采用BERT+BiLSTM+CRF进行实体识别,设计实体替换,实体随机Mask,实体拼接等动态加载训练策略。模型在验证集上的F1值为94%。

意图与实体识别:解析query,采用tf-idf进行实体对齐,设计实体的意图归属算法,能够识别并拆解多意图,多实体,连接到neo4j图数据库查询对应的answer。

模型部署:采用flask线上部署,平均响应时间为0.25s。

相似案例推荐

发布任务

企业点击发布任务,工程师会在任务下报名,招聘专员也会在 1 小时内与您联系确认。

1小时精推人才

需求方专属客服,免费梳理匹配

需求方客服微信二维码
扫码加微信 · 客服人工对接
更多案例
微信沟通 客服 看中这位工程师了?客服帮你 1 小时对接沟通 → ×