管道式对话系统研究进展及其在医疗领域应用

随着人工智能技术的快速发展,任务型对话系统成为了人机交互领域的热点研究方向。管道式方法是其一种经典的设计框架,在任务型对话系统的研究和应用中扮演着重要角色。本文对管道式任务型对话系统的研究进展进行了综述,并重点探讨了其在医疗领域的应用。首先介绍管道式对话系统各模块的基本原理、评价指标以及常用的数据集。然后,梳理了近年来深度学习技术在管道式对话系统研究中取得的重要进展,并进一步归纳了所用模型的优缺点。接着,重点关注了管道式对话系统在医疗领域的应用,并讨论了医疗对话系统的需求和挑战。最后,对全文进行总结并展望了未来的研究方向和发展趋势。     

调和平均优化选择划分属性的决策树改进算法

针对信息增益和信息增益率对属性取值数的偏好,提出了一种调和平均优化选择划分属性的决策树改进算法.首先计算候选划分属性的信息增益,找出信息增益高于平均水平的属性,然后分别计算这些属性的信息增益率和信息增益的调和平均值,从中筛选调和平均值最大的属性,建立分支决策,并用递归方法建立决策树.通过4份不同规模数据实验,利用信息增益、信息增益率、GINI指数以及该文提出的方法作为属性划分的标准,分别考察其准确性在训练集、测试集、10次10折交叉验证(或5次5折交叉验证),以及其平均值.实验结果表明:该方法准确性较好、运行时间较短,具有一定程度的优越性.     

融合GINI指数的C4.5算法的分类研究

信息增益率倾向于取值数较少的属性和产生不平衡的划分,GINI指数偏向于取值数较多的属性且区间趋于平衡的划分.基于此,该文提出融合GINI指数的C4.5改进算法,首先计算候选属性的信息增益率和GINI指数,其次计算信息增益率和GINI指数的比值,最后筛选出比值最大的属性作为划分结点,改进了C4.5算法的不足.以10次10折交叉验证准确率和运行时间为评价指标,通过5组UCI数据测试改进算法性能,并与ID3、C4.5和CART算法对比实验.实验结果表明:融合GINI指数的C4.5算法减轻了属性取值多少对划分结点选择的影响,并且缓和了划分区间的不平衡,提高了分类准确率和运行效率,算法更加稳定,可行有效.