عنوان: مدل سازی زبان با استفاده از یادگیری عمیق
ایجاد پاسخ به سوالات پزشکی با استفاده از شبکه های عصبی مکرر
این پایان نامه به بررسی کاربرد شبکه های عصبی بازگشتی مبتنی بر حافظه بلند مدت (RNN) در مسئله گفتگوی متن کوتاه می پردازد. به طور خاص وظیفه تولید پاسخ به سوالات پزشکی مورد مطالعه قرار گرفته است.
دادههای آموزشی از سرویسهای آنلاین حاوی سؤالات کاربر با پاسخهای مرتبط تولید شده توسط متخصصان جمعآوری میشود. مدلهای پیشنهادی با استفاده از دادههایی که از سرویسهای آنلاین مختلف مانند WebMD، HealthTap و iCliniq نشات میگیرند، آموزش داده و ارزیابی میشوند که از آن یک مجموعه داده بهینه تعیین میشود.
مدلهای پیشنهادی برای حل این کار عمدتاً از مدلهای مورد استفاده در ترجمه ماشین عصبی الهام گرفته شدهاند، اما همچنین شامل برنامههای افزودنی مبتنی بر یادگیری انتقال و یادگیری چند وظیفهای هستند، همگی مبتنی بر چارچوب رمزگذار-رمزگشا هستند که یک رمزگذار یک نمایش برداری پنهان را محاسبه میکند. سوالی که از آن حالت یک رمزگشا مقداردهی شده و برای تولید پاسخ استفاده می شود و همه به صورت سرتاسر آموزش داده می شوند.
یک معماری مدل شامل یک رمزگشا RNN با دو “حالت”، که توسط یک ورودی باینری به رمزگشا کنترل میشود، پیشنهاد شدهاست. یک حالت حالت “مدل زبان” است که در آن رمزگشا در مورد متن عمومی پزشکی/مرتبط با سلامت آموزش دیده است، و حالت دیگر حالت “تولید پاسخ” است که در آن رمزگشا یاد میگیرد تا به سوالات کدگذاری شده پاسخهایی تولید کند.
معماری مدل دیگری که وظیفه تولید پاسخ و وظیفه طبقهبندی دستههای سؤال را به عنوان یک کار ترکیبی انجام میدهد، ارائه میشود، که در آن شبکه دسته سؤال را از حالت نهایی رمزگذار طبقهبندی میکند و کلاس پیشبینیشده را به عنوان ورودی اضافی به رمزگشا تغذیه میکند.
در نهایت یک مدل زبان مبتنی بر RNN جداگانه بر روی متن عمومی پزشکی/مرتبط با سلامت آموزش داده میشود و برای کمک به مدلهای پیشنهادی در طول استنتاج، با ادغام احتمالات آنها در هر مرحله زمانی، در تلاشی برای بهبود کیفیت پاسخ تولید شده، استفاده میشود.
پروژه شامل فایل پایان نامه انگلیسی و شبیه سازی می باشد.
الزامات
- پایتون 3.5+
- تنسورفلو 1.0.1
الزامات بیشتر را می توان در request.txt مشاهده نمود
داده ها
داده ها با اجرای اسکریپت fetch_data.sh واکشی می شوند.
مجموعه داده پرسش/پاسخ پزشکی
این مخزن شامل مجموعه داده های پرسش و پاسخ پزشکی است که از وب سایت های زیر جمع آوری شده است
انجمن سلامت الکترونیک
آی کلینیک
سوال از پزشکان
WebMD
داده ها در 5 می 2017 جمع آوری شد.
پروژه مشابه دارید؟
برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.
اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.
سریع ترین راه پاسخگویی سیمیا، واتساپ می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.
نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.
از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.