面向中文醫(yī)療問答網(wǎng)站的相似問題檢索研究

王保成，劉利軍，黃青松,2

(1. 昆明理工大學(xué) 信息工程與自動(dòng)化學(xué)院，云南 昆明 650500；2. 云南省計(jì)算機(jī)技術(shù)應(yīng)用重點(diǎn)實(shí)驗(yàn)室，云南 昆明 650500)

0 引言

隨著信息技術(shù)的快速發(fā)展，大量醫(yī)療數(shù)據(jù)得以產(chǎn)生。同時(shí)為了改善線下醫(yī)療條件及資源等問題，在線醫(yī)療問答平臺(tái)應(yīng)運(yùn)而生。然而患者由于專業(yè)知識(shí)的不足，不能準(zhǔn)確地使用相應(yīng)術(shù)語(yǔ)描述其癥狀；其次，由于醫(yī)生通常是在空閑時(shí)間來回答患者所提問題，所以醫(yī)生不一定能及時(shí)回復(fù)[1]。針對(duì)上述問題，讓系統(tǒng)自動(dòng)檢索出與患者提出的問題相似的病例，并將其推送給患者，是一種有效的方法。

近年來，國(guó)內(nèi)外的醫(yī)療文本檢索研究主要是圍繞著電子病歷及在線醫(yī)療問答網(wǎng)站開展的。傳統(tǒng)搜索引擎采用開源的搜索引擎框架并對(duì)其檢索方法做調(diào)整以對(duì)醫(yī)療文本進(jìn)行檢索。韓晟等人[2]通過Lucene開源搜索引擎框架來對(duì)無結(jié)構(gòu)化文本進(jìn)行檢索。胡恒文等人[3]通過Clucene開源搜索引擎對(duì)電子病歷進(jìn)行全文檢索，但以上所有工作都不能滿足海量數(shù)據(jù)的需求。Bahga A等人[4]通過使用云數(shù)據(jù)庫(kù)，在一定程度上提升了檢索效率。但醫(yī)療文本中，常出現(xiàn)一詞多義等問題，準(zhǔn)確率較低。Qiu Y等人[5]通過同義詞進(jìn)行查詢擴(kuò)展，Bendersky[6]提出一種權(quán)重依賴模型，對(duì)每個(gè)詞用不同特征或短語(yǔ)串。這些方法能提升檢索性能，但仍基于詞粒度，不能準(zhǔn)確地把握語(yǔ)義。Cai R等人[7]提出一種CNN-LSTM模型，通過深度學(xué)習(xí)方法，用文本匹配方式來檢索，能更好地保留語(yǔ)義，但檢索效率不足。

醫(yī)療文本匹配，主要應(yīng)用于在線醫(yī)療問答。較早是用信息檢索及統(tǒng)計(jì)語(yǔ)言學(xué)特征進(jìn)行文本匹配。Hliaoutakis A等人[8]設(shè)計(jì)了一種面向生物醫(yī)學(xué)文檔的查詢系統(tǒng)，用 TF-IDF作為文本特征，衡量語(yǔ)義相似性。深度學(xué)習(xí)也被應(yīng)用在醫(yī)療文本匹配任務(wù)中。Cai H等人[9]提出一種將翻譯語(yǔ)言模型和 Siameese CNN 模型結(jié)合的方法，分別學(xué)習(xí)問題和問題、問題和答案的相似性。但因醫(yī)生提供的答案容易引入噪聲，Li Y 等人[10]利用Siamese LSTM模型作為問句匹配的基礎(chǔ)模型對(duì)結(jié)果進(jìn)行重排序，但忽略了文本上下文語(yǔ)義的特征。

本文主要?jiǎng)?chuàng)新點(diǎn)有兩方面：①提出了基于改進(jìn) Text-CNN 哈希模型的相似問題檢出方法：基于SimHash的哈希最鄰近檢索，針對(duì)文本存在醫(yī)療術(shù)語(yǔ)較多、否定詞較多，需關(guān)注局部語(yǔ)義及需關(guān)注整體語(yǔ)義特征的特點(diǎn)，提出了一種基于改進(jìn) Text-CNN 的哈希碼檢出方法。通過預(yù)訓(xùn)練詞向量來解決醫(yī)療術(shù)語(yǔ)較多、一義多表達(dá)問題；針對(duì)否定詞較多的特點(diǎn)，使用不同窗口大小的卷積核來處理；對(duì)于需關(guān)注局部語(yǔ)義與整體語(yǔ)義的特點(diǎn)，構(gòu)建基于Inception的卷積神經(jīng)網(wǎng)絡(luò)，通過Inception使最終特征向量不僅包含高層語(yǔ)義，也包含低層特征。②提出了基于集成學(xué)習(xí)的相似文本匹配方法：它由三個(gè)模型集成。第一個(gè)構(gòu)建的模型是Siamese-BERT，該模型主要關(guān)注與整體語(yǔ)義的匹配，先通過共享參數(shù)的BERT模型，提取各問題特征向量，然后將其仿射變換，得到一個(gè)兩問題交互的相似向量，并對(duì)該向量進(jìn)行全連接，通過Sigmoid損失判斷兩個(gè)句子是否語(yǔ)義相似。第二個(gè)模型是BERT-Match，該模型利用BERT的多頭注意力機(jī)制，在關(guān)注語(yǔ)義信息時(shí)，更易關(guān)注到兩個(gè)問句間的一些局部相似信息。第三個(gè)模型是梯度下降提升樹相似模型，它將一些統(tǒng)計(jì)學(xué)特征與語(yǔ)義特征進(jìn)行結(jié)合，并用梯度下降樹來分類，以確定是否相似，最后通過權(quán)值平均，得到更高準(zhǔn)確率。

1 相關(guān)介紹

1.1 醫(yī)療文本預(yù)處理

1.1.1 中文醫(yī)療文本分詞

采用深度學(xué)習(xí)與統(tǒng)計(jì)語(yǔ)言結(jié)合的方法在分詞中有較好效果。如Li Z等[11]提出基于結(jié)構(gòu)化感知器進(jìn)行分詞的模型，其將分詞看作序列標(biāo)注問題，對(duì)于字符序列，以最大熵準(zhǔn)則建模一個(gè)得分函數(shù)，通過最大化得分函數(shù)，找到一個(gè)最可能的標(biāo)注。又如Zhang H P等[12]提出基于HHMM的分詞模型，它將所有可能分詞組合起來構(gòu)建一個(gè)有向圖，邊的權(quán)重為平滑后的log值?，F(xiàn)有許多分詞工具，如LTP、NLPIR、THULAC和Fool-NLTK、pkuseg等。對(duì)100條記錄手動(dòng)分詞與標(biāo)注，評(píng)測(cè)指標(biāo)為F1值，結(jié)果如表1所示。因pkuseg性能最好，故pkuseg為本文分詞方法。

表1 分詞結(jié)果對(duì)比表

1.1.2 詞嵌入向量

Word2Vec：Word2Vec[13]的目標(biāo)是從海量數(shù)據(jù)中得到高質(zhì)量的詞向量。它在語(yǔ)義和語(yǔ)法上都有較好的性能，目前已廣泛應(yīng)用在自然語(yǔ)言處理中。

TencentAILabEmbedding： 其[14]是騰訊采用DSG進(jìn)行訓(xùn)練的一種嵌入式詞向量，DSG算法基于詞向量訓(xùn)練算法Skip-Gram，在文本窗口中詞對(duì)共現(xiàn)關(guān)系的基礎(chǔ)上，額外考慮詞對(duì)相對(duì)位置。

1.2 Text-CNN 模型

Text-CNN[15]模型主要對(duì)一維卷積層及時(shí)序最大池化層進(jìn)行了使用。假設(shè)輸入文本序列由n個(gè)詞組成，其中，每個(gè)詞用d維詞向量表示。那么，輸入樣本寬為n，高為1，輸入通道數(shù)為d。該模型的計(jì)算有以下幾步：先構(gòu)建多個(gè)一維卷積核，并使用它們分別對(duì)輸入進(jìn)行計(jì)算。寬度不同的卷積核，可能捕捉到不同個(gè)數(shù)的相鄰詞的相關(guān)性。接下來對(duì)輸出的所有結(jié)果進(jìn)行時(shí)序最大池化，將輸出值展平并拼接為向量。最后全連接層將該向量變換為有關(guān)各類別的輸出并用丟棄層應(yīng)對(duì)過擬合。Text-CNN模型結(jié)構(gòu)如圖1所示。

圖1 Text-CNN 網(wǎng)絡(luò)結(jié)構(gòu)

1.3 BERT

BERT[16]原是一種Transformer的雙向編碼器，通過對(duì)左右上下文共有的條件計(jì)算，通過預(yù)先訓(xùn)練對(duì)來自無標(biāo)注文本進(jìn)行深度雙向表示。預(yù)先訓(xùn)練的該模型，通常只需一個(gè)額外的輸出層，對(duì)其微調(diào)，即可生成新模型，其核心是Transformer模型。Transformer模型[17]解決了LSTM采用的語(yǔ)言模型所存在的不能雙向?qū)ι舷挛膬?nèi)容編碼、并行化計(jì)算，及LSTM遷移學(xué)習(xí)較差的問題。它有6個(gè)Encoder 層及6個(gè)Decoder層，用多頭的自注意力機(jī)制對(duì)文本編碼。因本文只關(guān)注文本編碼任務(wù)，僅介紹Encoder層。該層由一個(gè)多頭自注意力層和一個(gè)全連接層組成。

多頭注意力層：輸入xi并仿射變換，如式(1)所示。

Wq,j、Wk,j、Wv,j均為可學(xué)習(xí)參數(shù)并且都通過隨機(jī)正態(tài)分布初始化。用qi,j分別對(duì)輸入序列中的元素對(duì)應(yīng)的ki,j進(jìn)行注意力機(jī)制計(jì)算。記注意力函數(shù)為Att，如式(5)所示。

將結(jié)果由softmax函數(shù)計(jì)算概率，即：

對(duì)不同的頭進(jìn)行自注意力計(jì)算，即：

bi為輸入序列的第i個(gè)序列元素經(jīng)過注意力后的向量,wo通過正態(tài)分布初始化。

連接層: 包括殘差層及層正則化層。

(1)殘差層：將上一層輸入與輸出疊加，記上一層輸入為x，輸出為f(x)，則輸出為：

(2)層正則化層：相對(duì)批量正則化，它綜合考慮一層所有維度輸入，即它針對(duì)單個(gè)訓(xùn)練樣本，不依賴其他數(shù)據(jù)，計(jì)算該層的平均輸入值和輸入方差，然后用規(guī)范化操作來轉(zhuǎn)換各個(gè)維度的輸入。

全連接層：一個(gè)兩層的全連接網(wǎng)絡(luò)，輸入經(jīng)過線性變換再通過ReLU(·)函數(shù)后傳入第二個(gè)全連接層中，如式(10)所示。

其中，W1、W2為通過隨機(jī)正態(tài)分布初始化的可訓(xùn)練參數(shù)，b1、b2為偏置項(xiàng)。2數(shù)據(jù)增強(qiáng)方法論文EDA[18]指出，通過數(shù)據(jù)增強(qiáng)技術(shù)，能有效改善算法在較小數(shù)據(jù)集上的性能。故本文采用該方法對(duì)源數(shù)據(jù)集進(jìn)行處理，使其有更大容量，減小過擬合的可能性。本文用兩種方式進(jìn)行增強(qiáng)： 第一種是基于自然語(yǔ)言處理的方式，即通過EDA方式進(jìn)行數(shù)據(jù)擴(kuò)充；第二種是因本文數(shù)據(jù)集為成對(duì)標(biāo)注，即標(biāo)注兩個(gè)提問是否相似，因相似關(guān)系有傳遞性，本文提出了一種方法：基于相似性傳遞進(jìn)行數(shù)據(jù)增強(qiáng)，并基于并查集算法，對(duì)傳遞后是否產(chǎn)生標(biāo)注的不一致性做檢測(cè)，對(duì)不一致的數(shù)據(jù)進(jìn)行排除，避免導(dǎo)致模型訓(xùn)練不準(zhǔn)確?；谙嗨菩詡鬟f主要是指成對(duì)數(shù)據(jù)集通過相似與不像似的關(guān)系傳遞，從而達(dá)到數(shù)據(jù)增強(qiáng)。如A與B相似，B與C相似。則得到A與C相似。對(duì)于該增強(qiáng)方式，本文通過并查集方法擴(kuò)容，但可能出現(xiàn)與標(biāo)注數(shù)據(jù)不一致問題。本文通過算法1解決該問題。

3 改進(jìn)的哈希碼檢出方法和相似文本匹配方法

3.1 基于文本卷積神經(jīng)網(wǎng)絡(luò)的哈希檢索模型

Simhash[19]用于完成億級(jí)網(wǎng)頁(yè)去重任務(wù)。對(duì)于大規(guī)模數(shù)據(jù)集，逐次比對(duì)非常耗時(shí)，故對(duì)于大規(guī)模數(shù)據(jù)集，算法性能將很重要。它也被用于大規(guī)模檢索任務(wù)，通過局部敏感哈希，將文本映射到一個(gè)哈希碼，加快檢索。但其在短文本上性能較差，且醫(yī)學(xué)文本有較多專有名詞與否定詞，不能很好抽取其語(yǔ)義。本文借鑒它的思想，將文本通過特征提取，變成一個(gè)二進(jìn)制哈希碼，根據(jù)最近鄰檢索方法，實(shí)現(xiàn)快速檢索。本文構(gòu)建Inception-Hash-CNN模型解決該問題，它是一個(gè)孿生網(wǎng)絡(luò)結(jié)構(gòu)模型，實(shí)現(xiàn)了端到端訓(xùn)練。先通過改進(jìn)的文本卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行文本特征抽??；然后由哈希生成網(wǎng)絡(luò)實(shí)現(xiàn)二進(jìn)制哈希碼生成。

3.1.1 整體網(wǎng)絡(luò)結(jié)構(gòu)

孿生網(wǎng)絡(luò)通過訓(xùn)練網(wǎng)絡(luò)得到函數(shù)，該函數(shù)能將輸入映射到目標(biāo)空間，并計(jì)算輸入空間的語(yǔ)義距離。它是共享權(quán)重的網(wǎng)絡(luò)結(jié)構(gòu)，接受兩個(gè)輸入，輸出值一般表示語(yǔ)義距離。因本文數(shù)據(jù)集為成對(duì)表示，所以采用該網(wǎng)絡(luò)構(gòu)建模型，用它的公共參數(shù)做特征提取進(jìn)行哈希碼生成。其中按照功能可以分為特征抽取網(wǎng)絡(luò)與哈希生成網(wǎng)絡(luò)。整體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 Inception-Hash-CNN 整體網(wǎng)絡(luò)結(jié)構(gòu)

3.1.2 特征抽取網(wǎng)絡(luò)

基于文本卷積神經(jīng)網(wǎng)絡(luò)，并結(jié)合被大量應(yīng)用的Inception[20]機(jī)制，提出一種用于文本特征抽取的網(wǎng)絡(luò)，共七層。第一層為輸入層，輸入為句子，輸出其對(duì)應(yīng)的詞嵌入構(gòu)成的矩陣。第二層為卷積層，分別設(shè)定卷積窗口大小為 3、4、5，用于特征提取。第三層為批量歸一化層[21]，增加模型泛化能力，以及加快收斂。第四層也為卷積層，再次提取特征。第五層為池化層，用最大池化，增加感受野，減少參數(shù)數(shù)量。第六層為Inception層，對(duì)第二層及第六層的輸出進(jìn)行Inception，使其兼顧到細(xì)節(jié)信息及語(yǔ)義信息。下面將詳細(xì)對(duì)該網(wǎng)絡(luò)進(jìn)行介紹：①輸入層，用于接收輸入，并將其中的詞替換為詞嵌入向量，構(gòu)成矩陣。其本質(zhì)為一個(gè)查找表。其中矩陣的行維度為輸入長(zhǎng)度，列維度為詞向量維度，且嵌入式詞向量為可訓(xùn)練的，因文獻(xiàn)[15]表明使用 fine-tune性能有提升。②卷積層的目標(biāo)是提取句中局部特征。通過不同的滑動(dòng)窗口，獲得更全面的局部信息，以更好地提取特征向量。分別選取窗口大小為 3、4、5 的卷積核，對(duì)第一步得到的句子的嵌入詞向量矩陣進(jìn)行卷積。計(jì)算如式(11)所示。

其中，C為輸出，W為卷積核參數(shù)，通過隨機(jī)正態(tài)分布初始化，x為輸入，b為偏置，f(·)為ReLU激活函數(shù)。

為了避免過擬合，添加了批量歸一化層。它不僅加快了模型收斂速度，且能緩解深層網(wǎng)絡(luò)中梯度彌散的問題，使訓(xùn)練該模型更容易。同時(shí)對(duì)卷積層進(jìn)行批量歸一化。對(duì)卷積的多個(gè)通道，需要對(duì)這些通道的輸出都做批量歸一化，且每個(gè)通道都有獨(dú)立的拉伸和偏移參數(shù)，并均為標(biāo)量。即若一個(gè)batch有m個(gè)樣本，卷積后輸出長(zhǎng)度為x，詞向量長(zhǎng)度為l，通道數(shù)為c，批量歸一化是對(duì)每個(gè)通道中m×x×l個(gè)元素進(jìn)行歸一化。其中歸一化過程如下：考慮一個(gè)有m個(gè)樣本的小批量，經(jīng)過卷積得到新的批量，這里將結(jié)果記為x= {x1,x2,…，xm}，xi為該批量中的一個(gè)樣本，求該批量均值及方差。其中，記均值為ub，方差為σb，計(jì)算如式(13)、式(14)所示。

其中的平方計(jì)算是按元素求平方。然后對(duì)xi標(biāo)準(zhǔn)化，計(jì)算如式(15)所示。

ε是很小的數(shù)，且ε> 0，其作用是使分母不為0。批量歸一化層還引入兩個(gè)可學(xué)習(xí)參數(shù)：γ和β，拉伸為γ，偏移為β，這兩參數(shù)和xi大小一樣，且都通過隨機(jī)正態(tài)分布初始化，由式(16)得到結(jié)果。

其中，?表示按元素乘法，yi表示批量歸一化的結(jié)果。

因卷積后生成的特征向量仍有較高尺寸，不利于全連接，需加入池化層增大感受野。本文選的是最大池化，即在窗口內(nèi)找到最大值。池化窗口大小設(shè)為3。

通常淺層部分保留細(xì)節(jié)信息，深層部分保留語(yǔ)義信息，由多個(gè)卷積核提取不同尺度的信息進(jìn)行融合，能得到更好表征。因醫(yī)療提問專有詞較多，需要一定細(xì)節(jié)信息，且否定詞也較多，所以需語(yǔ)義信息。故本文采用Inception層融合細(xì)節(jié)及語(yǔ)義。即將兩個(gè)卷積層的輸出拼接，并把不同大小的Inception結(jié)果拼接，作為該層輸出，供之后展平層及哈希生成網(wǎng)絡(luò)使用。

3.1.3 哈希生成網(wǎng)絡(luò)

該網(wǎng)絡(luò)對(duì)特征抽取網(wǎng)絡(luò)得到的特征進(jìn)行哈希生成。它由用多層感知機(jī)構(gòu)成，即通過多層感知機(jī)將特征抽取網(wǎng)絡(luò)得到的結(jié)果，映射為哈希碼向量，其中長(zhǎng)度的設(shè)置會(huì)在實(shí)驗(yàn)中討論。最后的哈希生成層，采用tanh函數(shù)，相對(duì)sgn函數(shù)，它更平滑。tanh函數(shù)如式(17)所示。

其中β為超參數(shù)，用于減小中間值的出現(xiàn)，使生成值接近 1 或-1。

3.2 基于改進(jìn)的 BERT 模型的文本匹配方法

本文提出兩種改進(jìn)的BERT模型的文本匹配方法。其一，基于BERT孿生結(jié)構(gòu)的Siamese-BERT，該模型主要關(guān)注語(yǔ)義層匹配任務(wù)。其二，參考Google論文中相似文本多分類方法，構(gòu)建BERT-Match，該模型利用Transformer的多頭注意力機(jī)制，更關(guān)注局部匹配，供文本匹配及訓(xùn)練使用。

3.2.1 Siamese-BERT模型

因BERT在多項(xiàng)自然語(yǔ)言處理任務(wù)中的出色表現(xiàn)，在其基礎(chǔ)上，本文提出基于BERT的語(yǔ)義匹配模型。由孿生網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)有監(jiān)督訓(xùn)練以解決相似文本的匹配問題及文本特征提取問題。本文采取Google提出的BERT-Base結(jié)構(gòu)作為文本的 BERT 模型，其有12層，隱層大小為768，多頭注意力為12，約110個(gè)參數(shù)。

該模型是端到端的模型，輸入是一個(gè)字序列，輸出是兩個(gè)文本的匹配分?jǐn)?shù)。采用孿生網(wǎng)絡(luò)的方式構(gòu)建，即兩個(gè)網(wǎng)絡(luò)共享參數(shù)訓(xùn)練。該模型能解決文本匹配問題，也解決了文本特征抽取問題，其結(jié)構(gòu)如圖3所示。先是輸入層，接受一個(gè)字序列，然后預(yù)訓(xùn)練BERT模型，該部分模型參數(shù)是共享的，之后取BERT的特殊字符“CLS”所對(duì)應(yīng)詞向量作為該句的特征向量，可得到兩句的特征向量，分別記為u，v。分別取u和v，及相減所得的特征向量u-v，并將其展平作為特征向量，記為x。經(jīng)過一個(gè)仿射變換降維，降為 1 維，如式(18)所示。

圖3 Siamese-BERT 模型的結(jié)構(gòu)

其中，t為一維特征向量，W是通過隨機(jī)正態(tài)分布初始化的可訓(xùn)練參數(shù)。將該向量全連接，并通過Sigmoid 函數(shù)輸出兩個(gè)向量是否相似。Sigmoid 函數(shù)如式(19)所示。

3.2.2 BERT-Match模型

本文參考BERT構(gòu)建的用于多句的分類任務(wù)的模型，通過NSP方法完成句子匹配任務(wù)。NSP是Google在BERT論文中為理解句子間關(guān)系而提出的訓(xùn)練方法。該任務(wù)從語(yǔ)料庫(kù)抽取句子對(duì)，即由句子A和B來生成。B有50%的概率是A的下一句子；50%為隨機(jī)句子。NSP預(yù)測(cè)B是否為A的下一句。該論文表明，NSP方法對(duì)于問答及自然語(yǔ)言推理任務(wù)有較大性能提升。因NSP能獲取句子間的信息，這是回歸語(yǔ)言模型無法直接進(jìn)行捕捉的。

在醫(yī)療文本匹配中，部分關(guān)鍵詞往往是起決定性作用的因素。如疾病名稱、癥狀等。該模型可充分利用Transformer的多頭注意力機(jī)制，實(shí)現(xiàn)需要的局部關(guān)鍵詞匹配特點(diǎn)。

本文先在首部加“CLS”作為開始標(biāo)記，也將其經(jīng)BERT所輸出向量作為兩句子特征向量；然后加入成對(duì)數(shù)據(jù)的第一句；在兩句間用“SEP”分割，再加入第二句。之后通過Sigmoid感知機(jī)輸出。BERT-Match模型是端到端的模型，其輸入是一個(gè)字序列，輸出是兩個(gè)文本的匹配分?jǐn)?shù)。模型架構(gòu)如圖4所示。

圖4 BERT-Match 模型架構(gòu)

3.3 特征選取及融合

本文分別選取編輯距離、編輯距離比、Jaro距離和去重子集比率以及語(yǔ)義特征等特征作為文本的統(tǒng)計(jì)特征。

編輯距離：指在兩個(gè)字符串間，由一個(gè)字符串轉(zhuǎn)換成另一個(gè)字符串，所需要的最少編輯操作次數(shù)。

編輯距離比： 由式(20)計(jì)算，其中sum為兩個(gè)字符串的長(zhǎng)度和；ldist表示類編輯距離，即在編輯距離中刪除插入操作，距離記為l，但字符替換距離記為2。

Jaro距離：用來衡量?jī)蓚€(gè)字符串是否相似，為“0”表示兩個(gè)字符串不相似，為“1”表示兩個(gè)字符串相似。距離計(jì)算如式(21)所示。

其中，|s1|、|s2|是兩個(gè)字符串長(zhǎng)度，m是匹配的字符數(shù)，t是換位的數(shù)目。

去重子集比率：衡量相同詞占句子的比率。如式(22)所示，其中setl函數(shù)表示得到該集合中的元素個(gè)數(shù)。

語(yǔ)義特征: 用Siamese-BERT模型最后一個(gè)全連接層的結(jié)果作為該特征。其有兩個(gè)語(yǔ)義向量的相似度信息。

最后，將語(yǔ)義特征及統(tǒng)計(jì)特征拼接，構(gòu)成新的特征向量以進(jìn)行特征的融合。

3.3.1 梯度下降提升樹匹配模型

本文通過XgBoost系統(tǒng)[22]實(shí)現(xiàn)梯度下降提升樹模型。它是Boosting方式的集成學(xué)習(xí)算法，將許多樹模型集成，從而構(gòu)建出一個(gè)很強(qiáng)的分類器。每棵樹其實(shí)是一個(gè)新函數(shù)，對(duì)上次預(yù)測(cè)的殘差擬合。當(dāng)訓(xùn)練完成后，可得到k棵樹。當(dāng)預(yù)測(cè)一個(gè)樣本的分?jǐn)?shù)時(shí)，根據(jù)樣本特征，在每棵樹中，得到其對(duì)應(yīng)的葉節(jié)點(diǎn)，每個(gè)葉節(jié)點(diǎn)對(duì)應(yīng)一個(gè)分?jǐn)?shù)，最后將每棵樹對(duì)應(yīng)的分?jǐn)?shù)求和，作為該樣本的預(yù)測(cè)值。XgBoost的目標(biāo)函數(shù)如式(23)、式(24)所示。

3.4 模型融合

本文用加權(quán)平均進(jìn)行模型融合。因本文的模型輸出均為兩個(gè)文本的匹配度，故使用該方法，如式(25)所示。

其中，oi是模型輸出的相似度，wi是該模型融合時(shí)對(duì)應(yīng)的權(quán)重，首先隨機(jī)初始化權(quán)值，然后進(jìn)行迭代，通過最小化損失函數(shù)來確定權(quán)重。

4 實(shí)驗(yàn)與分析

4.1 基于文本卷積神經(jīng)網(wǎng)絡(luò)的相似病例語(yǔ)義檢出方法的實(shí)驗(yàn)

4.1.1 實(shí)驗(yàn)數(shù)據(jù)集

本文通過爬蟲從某在線醫(yī)療問診網(wǎng)站爬取了42 765條語(yǔ)料，去除低質(zhì)量的問題后，得到14 563條語(yǔ)料。取其中3 000對(duì)信息人工標(biāo)注，如果兩個(gè)問題相似，則標(biāo)1，否則標(biāo)0。然后由上文所述方式進(jìn)行數(shù)據(jù)增強(qiáng)，得到34 534條成對(duì)數(shù)據(jù)作為數(shù)據(jù)集。本文用k折交叉驗(yàn)證的訓(xùn)練方式，按7:2:1進(jìn)行訓(xùn)練集、測(cè)試集、驗(yàn)證集的劃分。

4.1.2 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

(1) 文本清洗。因文本中有較多字符不易被神經(jīng)網(wǎng)絡(luò)處理，如標(biāo)點(diǎn)符號(hào)等，通過正則表達(dá)式，進(jìn)行清除處理。

(2) 對(duì)文本進(jìn)行分詞，根據(jù)實(shí)驗(yàn)結(jié)果，用帶有醫(yī)療領(lǐng)域預(yù)訓(xùn)練的pkuseg分詞。

(3) 去除停用詞，針對(duì)提問的特點(diǎn)，將“醫(yī)生”“你好”“請(qǐng)問”等無意義詞加入停用詞。又因神經(jīng)網(wǎng)絡(luò)不能直接接受分詞數(shù)據(jù)，需構(gòu)建詞表，將句子轉(zhuǎn)為索引形式，以輸入神經(jīng)網(wǎng)絡(luò)。

(4) 進(jìn)行詞向量選擇，本文對(duì)Tencent AI Lab Embedding、Word2Vec評(píng)測(cè)。其中Tencent AI Lab Embedding用騰訊發(fā)布的預(yù)訓(xùn)練模型，Word2Vec用在百度百科上訓(xùn)練的預(yù)訓(xùn)練模型[23]。在本文所構(gòu)建的基于TextCNN的baseline模型中，用Tencent AI Lab Embedding訓(xùn)練后得F1為 0.75，用Word2Vec的F1則為0.67，故用Tencent AI Lab Embedding作為詞向量。

4.1.3 實(shí)驗(yàn)評(píng)測(cè)標(biāo)準(zhǔn)

考慮到病例檢出主要關(guān)注是否檢索準(zhǔn)確與相關(guān)文檔的檢出率。本實(shí)驗(yàn)用查準(zhǔn)率(Precision)、查全率(Recall)、F1值(F1-Score)作為評(píng)測(cè)指標(biāo)。

TP為真正例，即應(yīng)被檢索且被檢索的數(shù)量；FP為假正例，即不應(yīng)被檢索但被檢索到的數(shù)量；FN為假負(fù)例，即應(yīng)被檢索但未被檢索的數(shù)量；TN為真負(fù)例，即不應(yīng)被檢索，且未被檢索的數(shù)量。

4.1.4 實(shí)驗(yàn)環(huán)境配置與參數(shù)設(shè)置

實(shí)驗(yàn)環(huán)境的機(jī)器配置：CPU為Intel (R) Xeon(R) Silver 4110 CPU 2.10 GHz * 2；GPU為NVIDIA TITAN XP；內(nèi)存128 GB。

實(shí)驗(yàn)環(huán)境的軟件配置：宿主機(jī)操作系統(tǒng)Ubuntu Server 16.04 64-bit；容器引擎為 Docker CE；用的容器鏡像為Deepo；鏡像中操作系統(tǒng)為Ubuntu 18.04；CUDA用 10.1版本；編程語(yǔ)言為Python 3.6；深度學(xué)習(xí)框架為Pytorch 1.4。

因模型要求輸入矩陣有固定大小，即文本的單詞長(zhǎng)度是固定長(zhǎng)度。本文設(shè)定輸入長(zhǎng)度為70個(gè)單詞。即少補(bǔ)空白詞，多進(jìn)行截?cái)唷?/p>

本文epoch設(shè)為25，batch為256。訓(xùn)練時(shí)，本文用Adam優(yōu)化器，學(xué)習(xí)率設(shè)為0.001，betas參數(shù)設(shè)為(0.9，0.999)，eps設(shè)為1e-08，L2懲罰項(xiàng)設(shè)置為 0。

4.1.5 實(shí)驗(yàn)結(jié)果及對(duì)比分析

數(shù)據(jù)增強(qiáng)效果： 用基于TextCNN的孿生網(wǎng)絡(luò)模型為基礎(chǔ)模型在不同的數(shù)據(jù)增強(qiáng)下進(jìn)行驗(yàn)證。依次用基于自然語(yǔ)言處理、基于關(guān)系傳遞性及兩者結(jié)合，最后使用本文增強(qiáng)后的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，結(jié)果如表2所示。

表2 不同數(shù)據(jù)增強(qiáng)方法性能對(duì)比 (單位：%)

可以看出，兩者結(jié)合的結(jié)果最好，所以用數(shù)據(jù)增強(qiáng)對(duì)模型訓(xùn)練的影響進(jìn)行了測(cè)試。先將數(shù)據(jù)進(jìn)行基于關(guān)系傳遞性的數(shù)據(jù)增強(qiáng)，再利用自然語(yǔ)言處理對(duì)數(shù)據(jù)增強(qiáng)，如圖5所示。

圖5 數(shù)據(jù)集擴(kuò)容大小效果對(duì)比圖

由圖5可知，當(dāng)數(shù)據(jù)增強(qiáng)至18 000時(shí)，收益趨于平穩(wěn)。故選擇將源數(shù)據(jù)增強(qiáng)至18 000個(gè)成對(duì)數(shù)據(jù)作為本文數(shù)據(jù)集。

哈希碼長(zhǎng)度對(duì)檢索的影響： 選取長(zhǎng)度為32、48、64、72、84來實(shí)驗(yàn)，用F1值、查準(zhǔn)率、查全率作為衡量標(biāo)準(zhǔn)，結(jié)果如表3所示。

表3 不同哈希長(zhǎng)度的性能對(duì)比 (單位：%)

可以看出，當(dāng)哈希碼長(zhǎng)度為64時(shí)，查全率最高，因檢出步驟在其他值合理的情況下，更關(guān)注查全率，故選取長(zhǎng)度為64。

模型中卷積窗口大小的選擇對(duì)模型的影響： 選擇(2,3,4)，(3,4,5)，(4,5,6)，(2,3,5)進(jìn)行對(duì)比，用查全率為衡量標(biāo)準(zhǔn)，結(jié)果如圖6所示?？梢钥闯?，選取(2,3,5)時(shí)查全率最高。

圖6 不同窗口大小的查全率對(duì)比圖

檢索性能： 哈希生成效率會(huì)影響檢索所需時(shí)間。由于用戶請(qǐng)求通常是單次的，若用消息隊(duì)列，會(huì)使等待時(shí)間線性增加；若用多線程，則當(dāng)有大量并發(fā)請(qǐng)求時(shí)，會(huì)導(dǎo)致宕機(jī)；且依次處理用戶請(qǐng)求，不能充分利用GPU的并行性。本文針對(duì)需求，用流方式將請(qǐng)求排隊(duì)組成一個(gè)batch，再進(jìn)行哈希生成。本文對(duì)比了不同方法的哈希生成速度，結(jié)果如表4可知?？梢钥闯?，本文的檢索效率，可被用戶接受，對(duì)于大規(guī)模數(shù)據(jù)，有一定的適用性。

表4 不同方法檢索性能對(duì)比

算法對(duì)比: 本文選取ISTR[24]，BM25-IDF[25]，DMRM[26]，GSRM[27]等檢出方法進(jìn)行實(shí)驗(yàn)對(duì)比，結(jié)果如表5 所示。

表5 不同算法性能對(duì)比 (單位：%)

4.2 基于集成學(xué)習(xí)的相似問題匹配方法的實(shí)驗(yàn)

4.2.1 實(shí)驗(yàn)數(shù)據(jù)集

使用與4.1.1節(jié)相同數(shù)據(jù)集對(duì)BERT模型再訓(xùn)練。3 000對(duì)人工標(biāo)注的語(yǔ)料由數(shù)據(jù)增強(qiáng)得到的24 000條成對(duì)數(shù)據(jù)，它主要用于Siamese-BERT模型及BERT-Match模型進(jìn)行fine-tune及梯度下降決策樹相似模型訓(xùn)練使用。按照7:1:2把增強(qiáng)后的成對(duì)數(shù)據(jù)分成訓(xùn)練集、驗(yàn)證集、測(cè)試集。

4.2.2 實(shí)驗(yàn)評(píng)測(cè)標(biāo)準(zhǔn)

因匹配度是[0，1]區(qū)間的數(shù)，且數(shù)據(jù)集標(biāo)注為0或1，即匹配或不匹配。因數(shù)據(jù)集可能存在不平衡，同時(shí)應(yīng)兼顧查準(zhǔn)率與查全率，用F1值作為評(píng)測(cè)指標(biāo)。考慮到數(shù)據(jù)平衡性的影響，當(dāng)其輸出匹配度大于γ時(shí)為正樣本，γ是位于[0，1]區(qū)間的數(shù)，通過在驗(yàn)證集以網(wǎng)格搜索的方式得到。

4.2.3 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

實(shí)驗(yàn)環(huán)境同4.1.4節(jié)的介紹。

本文的預(yù)訓(xùn)練模型是Cui等[28]提出的中文預(yù)訓(xùn)練BERT-wwm。該模型在中文維基和通用數(shù)據(jù)中訓(xùn)練，通用數(shù)據(jù)包括百科、新聞、問答等數(shù)據(jù)，總詞數(shù)達(dá)5.4B，處理后的文本大小約 10 GB。fine-tune階段，batch取32，epoch為10。

4.2.4 實(shí)驗(yàn)結(jié)果及對(duì)比分析

先探究對(duì)模型進(jìn)行遷移再訓(xùn)練的效果。分別在選取不同的epoch的情況下，對(duì)BERT再訓(xùn)練。再對(duì)模型進(jìn)行fine-tune訓(xùn)練，結(jié)果如圖7所示?？梢钥闯?，相比不進(jìn)行再訓(xùn)練，進(jìn)行遷移再訓(xùn)練，得分高了1左右，說明利用未標(biāo)注數(shù)據(jù)再訓(xùn)練，準(zhǔn)確率有提升。且在第二個(gè)epoch時(shí)，效果提升最大，故選擇兩個(gè)epoch，進(jìn)行后續(xù)的fine-tune訓(xùn)練。

圖7 再訓(xùn)練模型性能與 epoch 關(guān)系圖

接著進(jìn)行語(yǔ)義相似特征的選擇實(shí)驗(yàn)。分別將Siamese-BERT與BERT-Match的相似向量(即CLS字符所對(duì)應(yīng)向量)替換入決策樹中，結(jié)果如表6所示，用Siamese-BERT的相似向量比用BERT-Match的相似向量的F1值高0.2；若兩者拼接，F(xiàn)1值反而下降，可能是因維度過高導(dǎo)致過擬合。故選擇 BERT-Match的相似向量作為梯度下降決策樹的語(yǔ)義向量。

表6 不同語(yǔ)義向量的選擇的性能對(duì)比 (單位：%)

對(duì)比Siamese-BERT、BERT-Match模型、梯度下降決策樹及融合后模型分別在最好情況下的F1值，結(jié)果如表7所示。

表7 不同模型性能對(duì)比 (單位：%)

由表7知，BERT-Match比Siamese-BERT的F1約高0.02。本文認(rèn)為，主要是BERT-Match可利用多頭注意力機(jī)制實(shí)現(xiàn)兩個(gè)句子間的關(guān)鍵詞的具體對(duì)應(yīng)，且相對(duì)于Siamese-BERT，梯度下降決策樹也有提升，主要是其進(jìn)行了特征工程，提取部分傳統(tǒng)特征用于匹配的作用。最后，用基于權(quán)重均值的多模型融合，又使F1值有不少提升，說明本文所提出的模型可行。

最后，將集成學(xué)習(xí)構(gòu)建好的模型，與常見文本匹配方法及部分醫(yī)療文本匹配方法做對(duì)比。對(duì)于中文文本匹配模型，與BiLSTM、BiLSTM-Att、DSSM、ESIM、MatchPyramid 等模型進(jìn)行對(duì)比。其中，BiLSTM模型采用孿生網(wǎng)絡(luò)并使用雙向 LSTM對(duì)文本特征抽取；BiLSTM-Att為融合自注意力機(jī)制的BiLSTM模型；DSSM是用全連接網(wǎng)絡(luò)對(duì)提取的N-Gram匹配的方法；ESIM是阿里提出用于問答的模型，該模型運(yùn)用分解注意力實(shí)現(xiàn)對(duì)問句的表示及交互的同時(shí)建模；MatchPyramid將匹配矩陣用于文本匹配。對(duì)于醫(yī)療文本，選擇STMT[29]、CNNs[30]作對(duì)比，結(jié)果如表8所示。

表8 匹配性能對(duì)比表 (單位：%)

5 總結(jié)與展望

本文提出了一種兩階段模型。第一階段，通過對(duì)提問生成哈希，用哈希檢索的方法進(jìn)行最近鄰檢索，確定一個(gè)待匹配集合。第二階段，構(gòu)建一個(gè)基于集成學(xué)習(xí)的匹配模型，對(duì)第一階段的檢出結(jié)果進(jìn)行匹配，去除一些匹配度較低的病例，使檢索更加準(zhǔn)確，并且根據(jù)匹配度將病例進(jìn)行排序，使用戶更容易得到所需的結(jié)果。通過實(shí)驗(yàn)對(duì)比，本文的兩個(gè)模型的性能相對(duì)于現(xiàn)有模型都有很大的性能提升。在下一步的研究工作中，會(huì)考慮如何將結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行統(tǒng)一的檢索等問題。