- 综合排序
- 最热优先
- 最新优先
- 来自专栏ShowMeAI研究中心
NLP教程(7) - 问答系统
[NLP中的问答系统] ShowMeAI为CS224n课程的全部课件，做了中文翻译和注释，并制作成了 GIF动图！点击 第10讲-NLP中的问答系统 查看的课件注释与带学解读。 本篇笔记对应斯坦福CS224n自然语言处理专项课程的知识板块：问答系统。主要针对NLP中的问答系统场景，介绍了一些模型和思路。 笔记核心词 question answering Dynamic Memory Networks \ 动态记忆网络 QA 问答 对话 MemNN DCN VQA 1.图文问答系统与动态记忆网络( DMN 事实上，大多数 NLP 问题都可以看作是一个问答问题，其范式很简单： 我们发出一个查询，然后机器提供一个响应。通过阅读文档或一组指令，智能系统应该能够回答各种各样的问题。 要理解更高级的问答模块，读者可以参考动态注意力网络(DCN)。
1.2K21编辑于 2022-05-11 - 来自专栏AI智能体从入门到实践
构建AI智能体：AI医疗场景实践：医学知识精准问答+临床智能辅助决策CDSS
整合近期的RAG和想来数据库知识结合医疗的两大实际场景了解一下医学知识精准问答和临床智能辅助决策CDSS系统的构建过程。二、医学知识精准问答1. 应用场景医学知识问答： 为医学生、基层医生提供快速、准确的医学知识查询。患者教育科普： 将复杂的医学知识转化为通俗易懂的语言，回答患者疑问。 7. 总结与提醒 这个示例提供了一个完整的、可实践的起点，用于构建一个医疗领域的智能问答系统。 医学知识问答与检索： 为医学生、护士、低年资医生提供7x24小时的即时知识查询服务。患者教育与科普： 将专业的医学语言转化为通俗易懂的科普解释，生成患者指导材料。 四、两个系统的协同效应特性医学知识精准问答系统临床智能辅助决策系统 (CDSS)核心目标回答知识辅助决策输入自然语言问题结构化的患者数据输出知识性答案个性化的诊断、治疗建议、预警模式被动响应（用户提问）
91121编辑于 2025-11-23 - 来自专栏山行AI
本草: 基于中文医学知识的LLaMA微调模型
我们通过医学知识图谱和GPT3.5 API构建了中文医学指令数据集，并在此基础上对LLaMA进行了指令微调，提高了LLaMA在医疗领域的问答效果。 百度网盘[4]和HuggingFace[5]•基于医学文献 百度网盘[6]2.对Alpaca进行指令微调的LoRA权重文件•基于医学知识库 百度网盘[7]•基于医学知识库和医学文献 百度网盘[8] 下载 ["皮肤变硬", "头部及眼后部疼痛并能听到连续不断的隆隆声", "晨起头痛加重"], "所属科室": ["中西医结合科", "内科"], "发病部位": ["头部"]} 我们利用GPT3.5接口围绕医学知识库构建问答数据 此外，我们收集了2023年关于肝癌疾病的中文医学文献，利用GPT3.5接口围绕医学文献多轮问答数据。在·. pwd=odsk [7] 百度网盘: https://pan.baidu.com/s/16oxcjzXnXjDpL8SKihgNxw?
2.5K10编辑于 2023-06-14 - 来自专栏NLP/KG
领域知识图谱的医生推荐系统：利用BERT+CRF+BiLSTM的医疗实体识别，建立医学知识图谱，建立知识问答系统
领域知识图谱的医生推荐系统：利用BERT+CRF+BiLSTM的医疗实体识别，建立医学知识图谱，建立知识问答系统 本项目主要实现了疾病自诊和医生推荐两个功能并构建了医生服务指标评价体系。 疾病自诊主要通过利用BERT+CRF+BiLSTM的医疗实体识别， 建立医学知识图谱， 从而实现基于患者问诊文本的疾病初诊。这个功能帮助患者初步了解自身的疾病情况并为下一步与医生的交流提供支持。 已授权或公告专利7项，其中PCT专利2项。'
77930编辑于 2023-07-13 认知计算·精准应答：AI 智能问答系统重塑知识交互新范式
核心痛点解析语义理解偏差：传统检索依赖关键词匹配，无法理解同义词、否定句等复杂语义场景适配僵化：固定问答对难以应对多样化表述方式与个性化咨询场景多轮交互缺失：无法记忆对话历史，每次问答都是独立会话，体验割裂专业知识壁垒 功能模块对比与效能提升功能模块传统问答系统AI 智能问答系统效能提升幅度意图识别关键词模糊匹配深度学习精准理解用户意图准确率提升至 95.3%多轮对话单轮独立问答上下文感知的连续对话任务完成率提升 68% 专业问答通用知识库回答领域自适应专业问答专业问题解决率提升 42%答案生成固定模板填充个性化动态生成答案用户满意度提升 55% 深度语义理解与推理引擎系统核心技术在于多层次的认知理解能力：语义解析层：通过 场景化应用案例企业智能客服中心为大型企业构建全渠道智能客服系统，7×24 小时解答产品咨询、售后问题、技术支持。 医疗健康咨询平台在医疗领域部署专业问答系统，基于医学知识图谱为患者提供症状解读、用药指导、康复建议。通过严格的医学知识校验确保回答准确性，合理分流患者，减轻医护人员负担 30%。
47010编辑于 2025-10-30- 来自专栏机器之心
复旦大学团队发布中文医疗健康个人助手，同时开源47万高质量数据集
医疗健康咨询场景通常较为复杂，个人助手需要有丰富的医学知识，具备通过多个轮次对话了解病人意图，并给出专业、详实回复的能力。 在单轮问答和多轮对话的医疗健康咨询评测中，模型的表现相比现有医学对话大模型展现出明显优势。 图 6：对话重新改写的例子 知识图谱问答对 医学知识图谱包含大量经过良好组织的医学专业知识，基于它可以生成噪声更低的 QA 训练样本。 为增强模型的问答能力，我们选择英文医学领域的多项选择题数据集 MedMCQA，使用 GPT-3.5 对多项选择题中的问题和正确答案进行了优化，生成专业的中文医学问答样本约 8000 个。 图 7：两阶段训练过程 评测。在两个场景中评测医学 LLMs 的性能，即单轮 QA 和多轮对话。
3.1K20编辑于 2023-09-08 - 来自专栏DrugOne
. | 生物医学知识文献网站PubTator 3.0
今天为大家介绍的是美国国立卫生研究院陆致用教授团队的一篇论文。PubTator 3.0是一款结合了最先进人工智能技术的生物医学文献搜索工具，它专注于蛋白质、遗传变异、疾病和化学物质等关键生物医学概念的语义及关联性搜索。该平台已累积提供超过十亿个实体和关系的注释，覆盖约3,600万篇PubMed摘要和600万篇PMC开放获取的全文文章，每周获取最新的相关信息。作者通过一系列实体对比查询展示了PubTator 3.0在文章检索方面的卓越性能，其检索量和前20条结果的精确度均优于PubMed和Google Scholar。此外，整合ChatGPT（GPT-4）的PubTator API显著提升了查询结果的事实性和可验证性。
81710编辑于 2024-05-13 - 来自专栏Owen's World
redis 问答
bgsave 子进程复制主线程的页表以后，假如主线程需要修改虚页 7 里的数据，那么，主线程就需要新分配一个物理页（假设是物理页 53），然后把修改后的虚页 7 里的数据写到物理页 53 上，而虚页 7 这个时候，虚页 7 到物理页 33 的映射关系，仍然保留在 bgsave 子进程中。所以，bgsave 子进程可以无误地把虚页 7 的原始数据写入 RDB 文件。
61210编辑于 2021-12-07 - 来自专栏Java实战博客
Spring 问答
答：IOC/DI：分别是控制反转、依赖注入（ depency injection ）作用是解耦 DI是IOC具体体现形式 AOP面向切面编程 7.获取Bean对象的方式有几种？
35310编辑于 2022-01-17 用DeepSeek看病？腾讯健康安排「专业版」！
患者看病更顺畅，医生更高效，医疗AI也更专业，更靠谱——这次升级，腾讯健康让AI不仅会「回答」，更会「思考」，真正融入就医全流程： //患者就医更顺畅，AI全程智能陪伴 健康问答、智能导诊、预问诊、体检报告解读 但现在，在DeepSeek和混元的双重加持下，它们变得更「聪明」了： ● 健康问答：过去AI只是机械匹配医学知识，现在它能基于最新研究、指南和临床案例，结合语境精准回答问题，甚至可以根据用户习惯调整表达方式 ，让专业解读更易懂； ● 体检报告解读：AI不再只是列出一堆指标参考值，而是能结合个人健康数据和医学知识，分析异常指标的可能原因，并提供科学合理的健康建议，帮助用户更好地理解报告内容。 会「思考」的AI背后，腾讯健康投喂了1000亿医学Tokens训练专属医疗大模型，并结合覆盖98%疾病的医学知识图谱进行检索增强，确保回答更精准，降低虚假医疗信息的风险。 AI不再「自信地胡说八道」，而是基于海量医学知识推理，如同一位资深的「医疗专家」，真正帮助临床医生节省时间，提高诊疗质量。
88320编辑于 2025-02-27打造专业医学问答助手：基于腾讯云ADP平台的健康咨询智能体
本文将介绍如何使用腾讯云智能体开发平台（TencentCloudADP）构建一个专业的医学知识问答助手——“健康助手”，它能够基于腾讯医典的权威医学内容，为用户提供准确、专业的健康咨询服务。 ，它能够从腾讯医典的权威医学知识库中检索与用户问题相关的内容。 配置要点：●输入变量：引用大模型节点的输出内容●输出格式：保持原始格式，包含参考链接核心优势1.权威数据源●基于腾讯医典的专业医学内容●确保信息的权威性和准确性●覆盖全面的医学知识领域2.智能检索优化● 结论健康助手代表了智慧医疗发展的重要方向，通过深度整合自然语言处理、权威医学知识库和大模型分析技术，实现了从用户健康咨询到专业医学回复的全流程自动化。 基于腾讯云智能体开发平台（TencentCloudADP）的强大基础能力，该助手不仅显著提升了健康咨询的效率和专业性，更为普及医学知识和提升全民健康素养提供了强有力的技术支撑。
21910编辑于 2026-02-13- 来自专栏前端导学
前端架构问答
A 做到三点： 1 文件夹约束（将变更的影降低到最小） 2保守的看待代码复用这件事（避免为了代码复用而引入不必要的库，导致更高的维护成本） 3加强你的边界 (保护好现有的架构，阻止新人想要改造架构的冲动）
78320发布于 2020-11-23 - 来自专栏陌上风骑驴看IC
大牛问答 | LBIST
今早把一篇老文《葵花宝典：DFT问答第二篇》，文中有一段LBIST 的描述： A：LBIST （Logic Built-In Self Test）是针对逻辑电路的自测试。
5.9K31发布于 2020-04-08 - 来自专栏MIKE笔记 技术教程
HTML【知识问答】
文章目录 一、行内元素有哪些？块级元素有哪些？ 二、解释一下CSS盒子模型。 三、CSS选择符优先级算法如何计算？ 四、简述清除浮动的几种方式： 五、一个盒子不给宽高如何水平垂直居中。 六、写一个左中右布局占满屏幕，其中左、右俩块固定宽200，中间自适应宽，要求先加载中间块，请写出结构及样式。 ---- 一、行内元素有哪些？块级元素有哪些？ 块级元素： h1-h6 ： 1-6级标题 p ： 段落 div ： 定义文档中的节 ul ： 定义无序列表 ol
1.2K10编辑于 2023-03-23 - 来自专栏java学习
Java学习问答
（7）Internet(企业内部网)上完全基于Java和Web技术的应用开发。 （8）Web服务器后端与各类数据库连接管理器(队列、缓冲池)。
1.2K90发布于 2018-04-18 - 来自专栏信息智能助理
Huginn问答汇总
问: 有一台闲置的 服务器，搭点什么服务比较有意思呢？ Huginn ，主要用来价格监控和 RSS 订阅 有没有一种爬虫服务，只需要我指定网站和规则，就可以定时爬数据，并且可以提供我指定格式的 json api 的，本人比较喜欢看自然科学相关的文章，经常看环球科学的网站，加上我是做 iOS 开发的，所以我想用 swift 做一个 app 方便看文章。本来是想自己做全栈的，包括设计和前后端(前后端全用 swift)，但是由于我对爬虫方面的知识不太了解，我想先完成 app，后期再用 Perfect 自己学习写爬
1.9K30发布于 2021-09-10 - 来自专栏NLP/KG
医疗大模型：数据+知识双轮驱动实现医学推理、医患问答、病历自动生成、临床决策
因此，本项目为了提高医疗领域的知识问答的准确性，使用如下方式构造指令数据集： 启真医学知识库收录的真实医患知识问答数据（疾病、药品、检查检验、手术、预后、食物等），共计560K条指令数据； 药品知识数据 ：在启真医学知识库的药品文本知识基础上，通过对半结构化数据设置特定的问题模板（如：“{药品}的适应病症是什么？”） 构造指令数据集，共计180K条指令数据； 疾病知识数据：在启真医学知识库的疾病文本知识基础上，通过对半结构化数据设置特定的问题模板（如：“{疾病}的典型症状是什么？”） ，融合医疗应用场景中的实际需求，从医学数据治理、医学推理、医患问答、病历自动生成、临床决策辅助支持系统等方面开展迭代研发，助力大模型技术在医疗行业的落地和应用实践。 下图是“启真医学知识库辅助大模型生成答案”的案例，该项技术在测试后择机发布。
1.1K11编辑于 2024-02-23 - 来自专栏DrugOne
ClinicalGPT 来袭! 医学考试与诊断通通搞定
此外，该工作还引入了一个综合评估框架，包括医学知识问答、医学检查、患者咨询和医疗记录的诊断分析。 cMedQA2数据集是一个中文医学问答数据集，由12万个问题和22.6万个答案组成。cMedQA-KG是一个基于知识图谱的医学问答数据集。 本文利用一组手工设计的模板将这些三元组转换为问答对，使它们适合于指令调优。 奖励模型 现有的研究表明，强化学习可以结合人类反馈来增强大型语言模型。 实验结果表明，尽管ChatGLM-6B具有值得称赞的医学知识库，并能够进行流畅的文本表达，但使用ClinicalGPT进行培训有利于增强医学问题回答的能力。 这些数据集包含真实的医疗记录、患者咨询、各种医学知识和检查数据，所有这些都旨在塑造模型的知识库和响应能力。本文广泛的实验涵盖了医学领域的一系列关键任务，如医学对话、医学检查、诊断和医学问题回答。
1K30编辑于 2023-09-19 - 来自专栏开源服务指南
模型多样性能好，语言应用没烦恼 | 开源专题 No.71
这些模型参数范围从 7B 到 70B 不等。 以下是该项目的关键特性和核心优势： 支持多种规模 (7B、13B 和 70B) 的语言模型。 openlm-research/open_llama Stars: 6.8k License: Apache-2.0 OpenLLaMA 是 Meta AI 的 LLaMA 大型语言模型的开源复制品，提供了一系列 3B、7B Huatuo-Llama-Med-Chinesehttps://github.com/SCIR-HI/Huatuo-Llama-Med-Chinese Stars: 3.8k License: Apache-2.0 本项目是一个开源的中文医学知识指令微调大语言模型集 主要功能是通过基于医学知识图谱和医学文献构建数据集，并对各种基础模型进行指令微调，以提高在医疗领域问答效果。
46410编辑于 2024-04-30 - 来自专栏活动
智能问答：视觉问答系统在客户服务中的创新
对于智能问答系统的部署过程和创新应用，这里将展示详细的部署步骤，并结合实际示例和代码解释。智能问答系统的应用在客户服务中具有重要意义，可以提高服务效率和用户体验，下面是部署过程的详细说明：I. 项目介绍和发展智能问答系统是一种结合了自然语言处理（NLP）和计算机视觉（CV）技术的人工智能系统，能够理解和回答用户提出的问题，其中视觉问答系统则通过分析图像内容来回答问题。 智能问答系统的发展历史可追溯到基于规则的系统，发展到统计机器学习方法和深度学习技术，尤其是近年来深度学习的发展使得问答系统在语义理解和问题解答方面取得了显著进展。 视觉问答系统则结合了计算机视觉和自然语言处理，使得系统能够根据图像内容回答问题，逐渐成为智能客服和虚拟助手领域的研究热点。II. 智能问答系统部署过程1. 实际示例和代码解释下面以一个视觉问答系统的示例来说明部署过程和代码实现。
81810编辑于 2024-04-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号