Knowledge-tuning Large Language Models with Structured Medical Knowledge Bases for Reliable Response

最新推荐文章于 2025-11-24 18:29:32 发布

UnknownBody

最新推荐文章于 2025-11-24 18:29:32 发布

阅读量340

点赞数

CC 4.0 BY-SA版权

文章标签：语言模型人工智能自然语言处理

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/133162677

LLM 日更专栏收录该内容

828 篇文章

已下架不支持订阅

文章探讨了大型语言模型在医疗领域因缺乏领域知识导致的问题，并提出知识调优方法，结合结构化医学知识库，增强LLM的响应生成准确性。cMedKnowQA数据集用于评估，实验显示这种方法提高了模型的可靠性和领域适应性。

本文是LLM系列的文章，针对《Knowledge-tuning Large Language Models with Structured Medical Knowledge Bases for Reliable Response Generation in Chinese》的翻译。

摘要

大型语言模型（LLM）在一般领域的各种自然语言处理（NLP）任务中取得了显著的成功。然而，由于领域知识有限，LLM有时会产生对医学事实的幻觉反应。这些缺点对LLM在医疗环境中的使用构成潜在风险。为了应对这一挑战，我们提出了知识调优，它利用LLM的结构化医学知识库来有效地掌握领域知识，并促进可靠的响应生成。我们还发布了cMedKnowQA，这是一个由医学知识库构建的中文医学知识问答数据集，用于评估LLM的医学知识熟练程度。实验结果表明，与普通指令调优相比，使用cMedKnowQA进行知识调优的LLM在响应生成方面可以表现出更高的准确性，并为LLM的领域自适应提供了一种新的可靠方法。