1、“.....通过传播影响生成每个单词的基于位置感知影响的向量。将这些基于位置感知影响的向量与传统的注意力机制相结合得到最终的历史描述代表。相关工作随着自然语言技术与深度学习的快速发展，对的研究已经基于症状权重自适应调整机制的医学领域问答技术研究论文原稿单词的位置上下文包含在用户描述的注意力表示中同时，通过将近义词映射为主词的近义词主词替换机制有效的为词汇差距建立了桥梁......”。

2、“.....证明我们提出的机制具有更高的性能比起那些传统的注意力机制。在未来的研究中，我们想子建模，将训练好的词嵌入作为输入，并且生成隐含层的向量。第阶段为线上程序利用与相同的注意力机制得到用户提交的在线描述句子代表。计算与的相似度，从匹配分数最高的疾病分组中获得。利用与相同的机制得到最终的在线句子代表。计算与模型构建我们所提出的医学领域的智能问答系统，可以看作为元组的形式，分别表示用户通过系统进行的症状描述或提问，历史病例中的用户描述以及相应的来自医生的诊断结果......”。

3、“.....第阶段利用传统的注意力机制生成初始的新描述代表历史病例描述代表以及历史病例诊断结果代表。第阶段利用致语义损失，因为当这些单词组合为短语时，些单词具有不同的含义。为了解决字级无法全面理解语义的缺陷，研究者将语义模型扩展到短语级。在这项研究中，我们以短语级语义模型为基础，结合汉语语言特性，利用和语义词林相结合的方法提出语义归化表示方法。具体来说，我们将问答对语时，些单词具有不同的含义。为了解决字级无法全面理解语义的缺陷，研究者将语义模型扩展到短语级。在这项研究中......”。

4、“.....结合汉语语言特性，利用和语义词林相结合的方法提出语义归化表示方法。具体来说，我们将问答对中的所有词按照语义进行分组划分，并述代表以及历史病例诊断结果代表。第阶段利用我们提出的生成最终的代表，分别为。为了有个更好的比较，我们将基于传统的注意力机制用来生成。由于问答系统要求对用户的提问做出快速的反应，在保证效果的前提下，线上程序中尽可能使用相对快捷的算法。因此我们，......”。

5、“.....并在每组中选取个核心词，其余词为普通词，提出核心词与普通词之间的语义映射机制，并用此语义映射机制将所有问答中的普通词替换为语义核心词，实现了语义表示的归化。同时，利用该机制建立了疾病和症状的模型，并确立疾病与症状之间的对应关系。述做出准确快速的诊断回答或诊断建议。我们提出了个基于的两阶段匹配策略。基于症状权重自适应调整机制的医学领域问答技术研究论文原稿。模型描述基于核心词普通词替换的语义归化大多数以前的研究采用单词或单词嵌入作为模型的输入......”。

6、“.....然而，单词级模型可能会机制具有更高的性能比起那些传统的注意力机制。在未来的研究中，我们想要在不同的任务中评估我们的模型并且试着去改善我们的模型。参考文献，每组中选取个核心词，其余词为普通词，提出核心词与普通词之间的语义映射机制，并用此语义映射机制将所有问答中的普通词替换为语义核心词，实现了语义表示的归化。同时，利用该机制建立了疾病和症状的模型，并确立疾病与症状之间的对应关系......”。

7、“.....将训练好的词嵌入作为输入，并且生成隐含层的向量。模型描述基于核心词普通词替换的语义归化大多数以前的研究采用单词或单词嵌入作为模型的输入。这些模型可以被视为字级语义模型。然而，单词级模型可能会导致语义损失，因为当这些单词组合为调整机制的医学领域问答技术研究论文原稿。模型构建我们所提出的医学领域的智能问答系统，可以看作为元组的形式，分别表示用户通过系统进行的症状描述或提问，历史病例中的用户描述以及相应的来自医生的诊断结果。框架分为两个阶段......”。

8、“.....我们提出了个基于症状权重自适应调整机制的注意力模型，该模型将症状单词的位置上下文包含在用户描述的注意力表示中同时，通过将近义词映射为主词的近义词主词替换机制有效的为词汇差距建立了桥梁。集成了本文提出的问答模型的医学领域的问答系统性能也得到了显著的提升。证明我们提出的响生成每个单词的基于位置感知影响的向量......”。

9、“.....第阶段为线上程序利用与相同的注意力机制得到用户提交的在线描述句子代表。计算与的相似度，从匹配分数最高的疾病分组中获得。利用得活跃而富有成效。智能问答系统作为种便利的交互方式替代了人工已经被应用到各大领域，例如研发的智能认知系统帮助位在日本东京大学医学院治疗的岁女性患者诊断出了罕见的白血病类型。商业的产品例如，。基于症状权重自适应调整机制的医学领域问答技术研究论文原稿。定位症状单词在历史描在不同的任务中评估我们的模型并且试着去改善我们的模型。参考文献......”。