基于大型语言模型的传统中医知识图的构建和应用

科学领域:

• 计算语言学计算语言学
• 人工智能的人工智能是人工智能.
• 传统中国医药 传统中国医药

背景情况:

• 传统中医 (TCM) 拥有丰富的知识,但在现代化和信息提取方面面临挑战.
• 为TCM开发基于知识的服务需要对其复杂多样化的信息系统进行结构化.
• 整合历史文本与开源数据对于TCM进步至关重要.

研究的目的:

• 提出和开发一个大语言模型 (LLM) 驱动的方法来结构TCM知识.
• 通过精心调整的法学士课程,在TCM环境中增强语义理解和知识提取.
• 创建一个智能的TCM问答系统和知识图,以改善诊断和治疗.

主要方法:

• 开发了一种微调聊天GLM3-6B (FT-ChatGLM3) 模型,该模型针对AliCloud DSW平台上的中文语言处理进行了优化.
• 整合历史的TCM文本与开源的TCM数据集,用于模型培训.
• 开发了一个基于BERT的TCM实体识别 (TCMER) 模型,并使用FT-ChatGLM3输出构建了一个知识图.

主要成果:

• FT-ChatGLM3在TCM应用中表现出强的性能,提供了准确的诊断和治疗建议.
• 智能TCM问答系统显著提高了诊断和建议的准确性和效率.
• 该TCMER模型有效地系统化和结构化TCM知识,增强检索和一致性.

结论:

• 基于LLM的方法,集成FT-ChatGLM3和TCMER,加速TCM知识图的开发.
• 这种方法促进了TCM在全球医疗保健中的现代化和智能应用.
• 该研究成功地结构化了TCM知识,改善了医疗保健专业人员的信息可访问性和应用.