肥不溜秋大梅子

自定义bst

这项基于任务型对话的自动医疗诊断工作来自复旦大学黄萱菁团队，发表在ACL Short 2018（Task-oriented Dialogue System for Automatic Diagnosis）。初步看该工作和NIPS RL workshop 2016上的神经症状检查器的工作思路是相似的，将AI智能体跟患者多轮问诊的症状获取过程看成马尔可夫序列决策过程，然后基于强化学习算法进行训练。该工作的贡献包括： 1. 标注了第一个面向对话系统的医疗数据集，该数据由两部分组成，一部分是患者的自述，另一部分是患

这项基于任务型对话的自动医疗诊断工作来自复旦大学黄萱菁团队，发表在ACL Short 2018（Task-oriented Dialogue System for Automatic Diagnosis）。初步看该工作和NIPS RL workshop 2016上的神经症状检查器的工作思路是相似的，将AI智能体跟患者多轮问诊的症状获取过程看成马尔可夫序列决策过程，然后基于强化学习算法进行训练。该工作的贡献包括： 1. 标注了第一个面向对话系统的医疗数据集，该数据由两部分组成，一部分是患者的自述，另一部分是患

复旦大学的这篇工作继续延续了NIPS RL workshop 2016上的神经症状检查器的想法，并借鉴AAAI2018的工作[15]，将层次化强化学习引入到对话诊断系统中。该工作比较大的贡献依然是公开了数据集和源代码，但是创新性上尚有改善空间，另外就是诊断性能的问题了，从表3和表4的结果可以看到，本文方法与基于隐性症状和显性症状的SVM模型依然存在显著的性能差距。本文于2020年放到ArXiv上后投稿多次，近期又遭ICLR2022拒稿。该工作的具体实现方法我们在下文中对该工作进行详细介绍。目录摘要1. 引言