徐星昊

（昆明理工大學 信息工程與自動化學院，云南 昆明 650000）

0 引言

目前，智能醫(yī)療問答系統(tǒng)已逐步參與到醫(yī)院的診療過程中，如何將用戶所提出的問題進行準確分類是智能醫(yī)療問答系統(tǒng)的關(guān)鍵。例如問題“病情描述：高壓196 低壓139 血壓嚴重嗎？”的類別是“治療”，而問題“病情描述：請問高血壓能否吃銀杏葉片？”的類別是“健康生活方式”。由此，能否正確識別用戶問題的語義類別，是決定系統(tǒng)能否返回正確答案的重點，醫(yī)療健康問句分類尤為關(guān)鍵。

醫(yī)學健康問句具有以下兩個特點：第一，由于所有健康問句都是病人在平臺中的口語化提問，其中涉及的語句大多數(shù)為短文本，而短文本包含的詞項少，導致文本內(nèi)容缺乏足夠的上下文信息，極大地限制了短文本分類任務的完成。第二，健康問句具有較強的專業(yè)性和復雜性，病人在提出問題時會出現(xiàn)描述不準確、不全面等問題。對于短文本稀疏性問題的研究，陳等人[1]使用BERT、ERNIE 模型通過領(lǐng)域預訓練提取先驗知識信息，結(jié)合TextCNN模型生成高階文本特征向量并進行特征融合來實現(xiàn)短文本分類。楊等人[2]提出了一種基于多特征融合動態(tài)調(diào)整模型特征的方法進行短文本分類。而對于問句中病人描述不準確、不全面的問題，將表述不清晰的醫(yī)學關(guān)鍵詞進行加強解釋，有助于輔助健康問句的分類，如張等人[3]使用外部知識結(jié)合雙層注意力機制的方法進行短文本分類。以上研究方法都只是簡單地對特征進行融合。

健康問句的文本大多是短文本，詞項少且存在問句描述不清晰的問題，上述的幾種短文本分類方法都有一定的局限性，因此本文提出一種把基于變換器的雙向編碼器表征技術(shù)（Bidirectional Encoder Representations from Transformers，BERT）的字符級特征取平均與BERT 的句子級特征拼接的中文健康問句分類方法。本文的創(chuàng)新點是：通過將BERT 的字符級特征與BERT 的句子級特征融合，獲取多維度特征知識來為分類任務提供基礎，從而進一步改善多標簽文本分類（Multi-Label text classification，MLTC）效果。

1 相關(guān)工作及理論

1.1 BERT 模型

1.1.1 BERT 模型概述

BERT 模型是以雙向Transformer 為基礎，面向掩碼模型（Masked Language Model）和下一句判斷（Next Sentence Prediction）任務構(gòu)建的深度學習模型。當前，采用大量文本作為數(shù)據(jù)集預訓練而成的BERT 模型已成為處理多項自然語言處理（Natural Language Processing，NLP）任務的通用架構(gòu)。

1.1.2 BERT 模型的輸出

BERT 模型的輸出有兩種模式：一種是字符級別的輸出，對應的是輸入短文本中的每一個字符所對應的特征表示；另一種是句子級別的向量，即BERT 模型輸出最左邊［CLS］特殊符號的向量。BERT 通常將[CLS]視作整個句子的語義特征，如圖1 所示。

圖1 BERT 輸出模型

1.2 多標簽文本分類

在自然語言處理中，多標簽文本分類是一項基本且具有挑戰(zhàn)性的任務。MLTC 的目的是為給定的文本分配多個標簽。MLTC 已廣泛應用于情感分析、意圖識別以及問答系統(tǒng)等許多領(lǐng)域。隨著深度學習的發(fā)展，單標簽分類取得了巨大的成功。通過將問題視為一系列單標簽分類任務，可以將單標簽文本分類簡單地擴展到MLTC 任務，但是這種過度簡化的擴展通常會帶來較差的性能。與常規(guī)的單標簽分類不同，MLTC 各種標簽之間存在語義依賴性。由于本文的數(shù)據(jù)集不考慮標簽之間的語義依賴性，而是將問題視為一系列的單標簽分類任務，因此本文的多標簽分類流程如圖2 所示。

圖2 多標簽文本分類

2 模型設計

大規(guī)模的預訓練語言模型開始出現(xiàn)在公眾的視線之中，是因為這些預訓練模型可以縮短人們花費在特征提取工作上的時間，使得自然語言處理走向另一個階段。BERT 就是這類基于預訓練任務的自然語言處理模型。這些模型往往基于大量的語料預訓練任務，在有足夠的算力的情況下，通過對下游任務的微調(diào)工作，能夠產(chǎn)生優(yōu)越的表現(xiàn)。通過對具體問題具體語料下的分析和模型結(jié)構(gòu)的調(diào)整，預訓練模型結(jié)構(gòu)可以產(chǎn)生更加優(yōu)異的效果。

由于本文數(shù)據(jù)集相與醫(yī)學健康相關(guān)，因此采用Zhang 等[4]提供的mcBERT 預訓練模型，在中文生物醫(yī)學領(lǐng)域的大量語料上完成訓練。

本文利用BERT 模型輸出的Sequence_out 取平均并與Pooler_out 進行拼接，也就是將BERT 的字符級特征取平均與句子級特征拼接，該模型記為SQ_BERT。CLS 代表的是分類任務的特殊token，它的輸出就是模型的Pooler_output。SQ_BERT 算法中，Pooler_output 對應的是[CLS]的輸出，Sequence_output 對應的是所有其他的輸入字的最后輸出。算法的具體流程步驟如下。

（1）輸入原始文本數(shù)據(jù)。

（2）對文本數(shù)據(jù)進行預處理。

（3）預處理好的數(shù)據(jù)按照[CLS]+句子A（+[SEP]+句子B+[SEP]）的格式送入模型中。其中，[CLS]代表分類任務的特殊token，它的輸出就是模型的Pooler output；[SEP]是分隔符，句子A 以及句子B 是模型的輸入文本。句子B 可以為空，如果句子B 為空，則輸入變?yōu)閇CLS]+句子A。

（4）對步驟（3）所得到的結(jié)果Sequence_output取平均且與Pooler_output 進行拼接。

（5）將步驟（4）的結(jié)果作為輸入送入Sigmoid分類器進行分類。

3 實驗分析

基于提出的模型與算法，對問句的主題進行分類（包含A 診斷、B 治療、C 解剖學/生理學、D流行病學、E 健康生活方式、F 擇醫(yī)共6 個大類）實驗[5]。由于C 解剖學/生理學這一類數(shù)據(jù)集中僅含有一個問句數(shù)據(jù)，無法保證實驗的全面性和有效性，因此在實際實驗中將問句主題分為5 類，即診斷、治療、流行病學、健康生活方式以及擇醫(yī)[6]。

3.1 數(shù)據(jù)集和評價指標

3.1.1 數(shù)據(jù)集

本文所用的數(shù)據(jù)集為Kesci 的公眾健康問句分類比賽數(shù)據(jù)集和中文公眾健康問句數(shù)據(jù)集。Kesci的公眾健康問句分類比賽數(shù)據(jù)集的各項基本信息如表1 所示，中文公眾健康問句數(shù)據(jù)集[7]基本信息如表2 所示。

表1 Kesci 公眾健康問句分類數(shù)據(jù)集

表2 中文公眾健康問句數(shù)據(jù)集

3.1.2 評價指標

本文實驗的評價指標引入文本分類模型常用的評價指標，包括精確度（Precision，簡稱P）、召回率（Recall，簡稱R）以及F 值（F-Score，簡稱F）。

3.2 實驗設置

3.2.1 實驗平臺

本研究中所有的代碼都由Python 語言編寫，模型基于Pytorch 搭建。設備操作系統(tǒng)為Windows，配備GeForce RTX 1650，內(nèi)存為16 GB。

3.2.2 數(shù)據(jù)預處理

對于Kesci 公眾健康問句分類數(shù)據(jù)集，通過每一類數(shù)據(jù)量的比較發(fā)現(xiàn)解剖學/生理學這一類別數(shù)量分布極度不平衡。為保證數(shù)據(jù)集在訓練和測試的過程中的合理性，將于解剖學/生理學這一類別剔除掉。由于該數(shù)據(jù)集包含5 000 條有標簽的數(shù)據(jù)，將數(shù)據(jù)集按4∶1 的比例分為訓練集和測試集[12]。

對于實驗參數(shù)設置，在訓練模型中，初始學習率設置為2×10-5，epoch 設置為5，并且利用K 折交叉驗證法（實驗中K=5）。由于BERT 的最大處理長度為512，因此在處理長文本的過程中使用截斷法。從數(shù)據(jù)集可以看到，由于問句基本集中在尾部，因此可以將頭部長度設置為127（稍短），尾部長度設置為383（稍長）。具體參數(shù)設置如表3 所示。

表3 參數(shù)設置

3.3 實驗結(jié)果與分析

3.3.1 實驗結(jié)果

實驗結(jié)果分為兩部分，一個是Kesci 公眾健康問句分類數(shù)據(jù)集對比實驗，另一個是中文公眾健康問句數(shù)據(jù)集對比實驗。第一部分實驗分別為CNN[8]、LSTM[9]、BiGRU+Attention[10]以 及BERT 與本文模型在實驗中的效果對比，實驗結(jié)果如表4所示。

表4 實驗效果對比

第二部分實驗分別為CNN、LSTM、SA-CIndRNN 與本文模型在實驗中的效果對比。本文模型相較于一般的基線模型對比實驗效果有顯著提高，與同樣使用特征融合的模型SA-C-INDRNN 進行對比，效果也略高于SA-C-INDRNN 模型。實驗結(jié)果如表5 所示。

表5 對比實驗結(jié)果

3.3.2 實驗分析

由表4 的實驗結(jié)果可知，本模型的效果優(yōu)于LSTM、BiGRU 以及CNN 等傳統(tǒng)文本分類深度學習模型。相比于BERT，本文模型的F1 值上升了3.3%。通過效果分析可知，將BERT 的字符級特征取平均與句子級特征拼接的效果優(yōu)于BERT。由表5 結(jié)果可知本模型相比于傳統(tǒng)的深度學習模型有或多或少的提升，并且比SA-C-IndRNN 模型的結(jié)果F1 值上升了1%。

4 結(jié)語

針對患者在提出健康問句時描述不明確、不全面以及短文本分類存在特征少且稀疏等問題，本文提出了通過將BERT 的字符級特征拼接于BERT 的句子級特征的方式進行分類。實驗結(jié)果表明，所提的方法在醫(yī)學中文健康問句數(shù)據(jù)集分類中取得了較好的效果，相較于傳統(tǒng)的深度學習方法有著明顯的提升。

本文方法提升了健康問句在問答系統(tǒng)中的分類效果，使問答系統(tǒng)能夠?qū)】祮柧溥M行更高效、便捷的分類，也可為其他領(lǐng)域的短文本分類模型構(gòu)建提供借鑒。未來將對不同語料庫內(nèi)容進行對比，優(yōu)化關(guān)鍵詞詞典；嘗試在語義層面深度提取醫(yī)學短文本關(guān)鍵詞，從而深度提取關(guān)鍵詞，更好地實現(xiàn)醫(yī)學短文本分類。另外，盡管將BERT 的句子級特征與字符級特征拼接取得了較好效果，但是特征提取方面依舊不足，可進一步改善特征提取效果，從而使健康問句的分類更準確。