患者住所のKG認識型対照学習と制約付きオンプレミスLLM推論による解析

科学分野:

• コンピュータサイエンス;人工知能;データサイエンス

背景:

• 住所解析は大規模情報システムにとって重要ですが、曖昧さとプライバシーの問題に直面しています。既存の方法は、意味的および構造的な問題、幻覚、および展開の制約に対処するのに苦労しています。

研究 の 目的:

• 正確で制御可能な住所解析のための新しいフレームワークであるAddrKG-LLMを導入すること。ノイズが多く省略された自由形式の住所を扱う現在の方法の限界に対処すること。

主な方法:

• 知識グラフ（KG）認識型検索とスキーマ制限付き大規模言語モデル（LLM）デコーディングを組み合わせた2段階フレームワーク。候補検索と再ランキング（Recall@K）のためのマルチビュー管理グラフでの対照学習。JSON準拠の出力を保証し、フィールドの一貫性とKGの整合性を確保するための、オンプレミスでの候補制限付きLLMデコーディング。

主要な成果:

• AddrKG-LLMは、ベースラインと比較して、ミクロレベル（[数式：本文参照]）およびマクロレベル（[数式：本文参照]）の精度で一貫した向上を示しました。このフレームワークは、高いゴールドカバレッジを示す良好なRecall@Kを達成しました。評価では、構造的一貫性とレイテンシなどのシステムプロパティを評価するために、個人情報が特定されない実際のレコードが使用されました。

結論:

• AddrKG-LLMは、ノイズの多い住所を構造化するための正確で制御可能で展開可能なソリューションを提供します。KG認識型検索と制約付きオンプレミスLLMデコーディングを組み合わせることで、既存の課題を効果的に克服します。この方法は、大規模情報システムのためのデータ標準化を強化します。