48、提升开放领域内容生成：文本挖掘与对齐的应用

提升开放领域内容生成：文本挖掘与对齐的应用

1. 引言

电子健康服务在医疗管理中正发挥着越来越重要的作用，它能为患者提供有关医疗护理的及时且相关的信息。健康管理向以患者为中心的医疗模式转变，是在线健康服务快速发展的一个重要因素。这种模式旨在让患者直接参与医疗决策过程，为患者提供更好的途径去获取理解自身病情所需的相关信息，使他们能够对规定的治疗方案做出更明智的决策。

现代医生正在利用内容生成等新兴技术，突破医疗的可能性边界，带来曾经只是梦想的新治疗方法和见解。与此同时，医疗系统也面临着提高绩效、降低成本以及应对关键挑战以保障未来发展的巨大压力。医疗领域的内容生成能够为个人提供个性化、原创的建议。

传统的自然语言生成（NLG）方法依赖于三个组件：
- 内容规划器：选择要表达的数据。
- 句子规划器：根据内容规划决定句子或段落的结构。
- 表面实现器：根据句子规划生成最终输出。

近期研究提出了基于编码器 - 解码器框架的端到端模型，用于结构化数据到文本的生成。例如，Wiseman 等人利用编码器 - 解码器生成体育赛事总结；Mei 等人提出了一个对齐器模型，将内容选择机制集成到编码器 - 解码器中，用于从一组数据库记录生成天气预报；Lebret 等人描述了一个用于传记总结的条件语言模型。这些端到端模型在输入有序且结构固定的情况下能生成流畅的文本，但在输入无序时性能较差。开放领域内容生成的一个主要问题是，通过序列到序列模型获得的内容会出现事实和真相的扭曲。

Puduppully 等人提出了神经内容规划，这是一个两阶段模型，包括处理无序输入的内容规划。首先，规划使用指针网络生成内容计划；然后，将生成的内容计划作为编码器