【技术实现步骤摘要】
本专利技术涉及计算机，特别是医学知识问答系统构建方法及系统。
技术介绍
1、近年来，大语言模型已经在很大程度上转变了人与机器之间的交互模式。特别是，基于transformer架构的chatgpt语言模型，通过对大规模文本数据集进行深入学习，已经展现出卓越的语言理解与生成能力。这类模型的显著优势在于其能够从特定领域的大量文本中提取知识，并通过预训练及微调技术，将知识有效地整合入模型之中，进一步增强其性能。
2、尽管大语言模型展现出显著的优势，其在实际应用场景中依旧面对一系列挑战，其中幻觉问题尤为显著，突显出当前大语言模型技术面临的重要难题。所谓的幻觉问题，是指在文本生成过程中，模型产生的信息存在不准确性、不相关性或完全是虚构的情况。这种问题往往源于模型对某一话题理解的不足、训练数据集存在偏差，或是模型的生成机制本身的局限性。幻觉问题的表现形式多样，包括但不限于事实错误、逻辑矛盾、内容不相关及虚构信息等，这直接影响了模型生成内容的真实性和可信度，成为衡量大语言模型性能的关键指标。
3、特别是在用户安全至关重要的领域，...
【技术保护点】
1.基于大语言模型的医学知识问答系统构建方法，其特征在于：所述方法具体过程为：
2.根据权利要求1所述的基于大语言模型的医学知识问答系统构建方法，其特征在于：所述步骤一中构建医学实体抽取模型的训练集；具体过程为：
3.根据权利要求2所述的基于大语言模型的医学知识问答系统构建方法，其特征在于：所述步骤四中构建医学实体属性抽取模型的训练集；具体过程为：
4.根据权利要求3所述的基于大语言模型的医学知识问答系统构建方法，其特征在于：所述步骤七中构建医学回答生成模型的训练集；具体过程为：
5.根据权利要求4所述的基于大语言模型的...
【技术特征摘要】
1.基于大语言模型的医学知识问答系统构建方法，其特征在于：所述方法具体过程为：
2.根据权利要求1所述的基于大语言模型的医学知识问答系统构建方法，其特征在于：所述步骤一中构建医学实体抽取模型的训练集；具体过程为：
3.根据权利要求2所述的基于大语言模型的医学知识问答系统构建方法，其特征在于：所述步骤四中构建医学实体属性抽取模型的训练集；具体过程为：
4.根据权利要求3所述的基于大语言模型的医学知识问答系统构建方法，其特征在于：所述步骤七中构建医学回答生成模型的训练集；具体过程为：
5.根据权利要求4所述的基于大语言模型的医学知识问答系统构建方法，其特征在于：所述步骤七一中在医学知识库中检索与步骤一api接口的返回值中获取的医学实体和步骤四api接口的返回值中获取的属性相同的医学知识；
6.根...
【专利技术属性】
技术研发人员：赵森栋，李子健，王昊淳，强泽文，秦兵，刘挺，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。