首页/论文/2104.01543

arXiv 2104.015432021-04cs.CLcs.AIcs.HC

一个用于膳食补充剂使用的会话Agent系统

A Conversational Agent System for Dietary Supplements Use

University of Minnesota（明尼苏达大学）；University of Florida（佛罗里达大学）

Esha Singh, Anu Bompelli, Ruyuan Wan, Jiang Bian, Serguei Pakhomov, Rui Zhang

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

膳食补充剂（DS）已被消费者广泛使用，但围绕DS的功效和安全性的信息是不同的或不完整的，从而为消费者有效地找到信息创造了障碍。会话代理（CA）系统已被应用到医疗保健领域，但没有这样的系统来回答消费者关于DS的使用，虽然DS的广泛使用。在本研究中，我们开发了第一个用于DS的CA系统

英文摘要：

Dietary supplements (DS) have been widely used by consumers, but the information around the efficacy and safety of DS is disparate or incomplete, thus creating barriers for consumers to find information effectively. Conversational agent (CA) systems have been applied to the healthcare domain, but there is no such a system to answer consumers regarding DS use, although widespread use of DS. In this study, we develop the first CA system for DS use

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

HealthGenie：通过知识图谱和大语言模型为用户提供健康饮食指导

HealthGenie: Empowering Users with Healthy Dietary Guidance through Knowledge Graph and Large Language Models

The University of Tokyo（东京大学）；Duke-NUS Medical School（杜克-新加坡国立大学医学院）；Smartor Inc.（Smartor公司）；MIT Media Lab（麻省理工学院媒体实验室）；Korea University（韩国大学）

HealthGenie结合知识图谱与大语言模型，提供个性化饮食推荐和可视化概览，通过交互调整减少用户认知负担，实验证明其有效支持健康决策。

2025-04-20cs.AIcs.CLcs.HC

面向对话智能体的归一化上下文潜在交互上下文检索方法

Context Retrieval via Normalized Contextual Latent Interaction for Conversational Agent

North Carolina State University（北卡罗来纳州立大学）；Lirio LLC（Lirio有限责任公司）；Lirio AI Research（Lirio人工智能研究院）

针对对话智能体存在的事实性差、缺乏个性化、算力需求高的问题，提出PK-NCLI方法通过归一化上下文潜在交互挖掘辅助信息，在多项指标上显著优于现有最优方法。

2023-12-01cs.AIcs.CLcs.IR

StockBabble：支持股市投资者的对话式金融代理

StockBabble: A Conversational Financial Agent to support Stock Market Investors

University of Kent（肯特大学）

我们介绍StockBabble，这是一个会话代理，旨在支持对股票市场的理解和参与。StockBabble的价值和新颖性在于它能够赋予散户投资者（其中许多人可能是投资新手）权力，并使用用户友好的代理人补充他们的信息需求。用户可以查询公司信息，检索股票的一般和财务概况，包括访问最新的新闻和交易建议。他们还可以要求包含实时价格和技术投资指标的图表，并将股票添加到个人投资组合中，以便随时监控业绩。为了评估我们代理的潜力，我们进行了一项有15名参与者的用户研究。总体而言，73%（11/15）的受访者表示，使用StockBabble后，他们对投资更有信心，所有15人都会考虑向其他人推荐。这些结果令人鼓舞，并表明对此类药物有更广泛的吸引力。此外，我们相信这项研究可以帮助设计和开发未来的智能金融个人助理。

2021-06-15cs.AIcs.CLcs.CY

使用生物医学文献生成的膳食补充剂知识图谱发现新型药物与补充剂的相互作用

Discovering novel drug-supplement interactions using a dietary supplements knowledge graph generated from the biomedical literature

University of Minnesota（明尼苏达大学）；University of Illinois（伊利诺伊大学）；The University of Manchester（曼彻斯特大学）；Pontifical Catholic University of Rio de Janeiro（里约热内卢天主教大学）；The University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）

目的：利用现有的生物医学NLP工具和DS领域术语，生成一个包含膳食补充剂（DS）信息的新颖而全面的知识图谱，以发现DS与药物之间的相互作用或药物-补充剂相互作用（DSI）。材料和方法：我们创建了SemRepDS（SemRep的扩展），能够通过利用DS特定术语（iDISK）从摘要中提取语义关系，该术语包含UMLS中未找到的28，884个DS术语。使用SemRepDS处理PubMed摘要以生成语义关系，然后使用基于PubMed BERT的模型过滤这些语义关系，以在生成我们的知识图谱（SuppKG）之前删除不正确的关系。使用两种途径来识别潜在的DS-药物相互作用，然后由医学专业人员评估其机制的合理性。结果：对比分析发现，SemRepDS比SemRep多返回了206.9%的DS关系和158.5%的DS实体。微调后的BERT模型获得了0.8605的F1分数，并删除了43.86%的关系，与预过滤相比，关系的精度提高了26.4%。SuppKG由2，928个特定于DS的节点组成。手动审查结果发现，44（88%）个拟定DS-基因-药物和32（64%）个拟定DS-基因1-功能-基因2-药物途径在机制上是合理的。讨论内容：使用SemRepDS提取的其他关系生成了SuppKG，用于发现当前文献中未发现的合理DSI。根据SuppKG的性质，在没有扩展DS术语的情况下，使用SemRep不太可能发现这些相互作用…

2021-06-24cs.CLcs.IR

深度学习模型在Twitter膳食补充剂不良事件信号检测中的应用

Deep Learning Models in Detection of Dietary Supplement Adverse Event Signals from Twitter

University of Minnesota（明尼苏达大学）；University of Florida（佛罗里达大学）

目的：这项研究的目的是开发一个深度学习管道，以检测Twitter上饮食不良事件（DS AE）的信号。材料和方法：我们从2012年到2018年获得了247，807条提到DS和AE的推文。我们在2,000条随机选择的推文上标注了生物医学实体和关系。对于概念提取任务，我们比较了传统的词嵌入与SVM，CRF和LSTM-CRF分类器的性能BERT模型。对于关系抽取任务，我们将GloVe向量与CNN分类器与BERT模型进行了比较。我们在每个任务中选择表现最好的模型来组装端到端的深度学习管道来检测DS AE信号，并将结果与来自DS知识库的已知DS AE进行比较（即，iDISK）。结果：在两个任务中，基于BERT的模型都优于传统的词嵌入。表现最好的概念提取模型是BioBERT模型，它可以识别补充剂、症状和身体器官实体，F1分数分别为0.8646、0.8497和0.7104。性能最好的关系抽取模型是BERT模型，它可以分别以0.8335和0.7538的F1分数识别目的和AE关系。端到端管道能够提取DS适应症和DS AE，F1评分分别为0.7459和0.7414。与iDISK相比，我们可以找到已知和新型的DS-AE。结论：我们已经证明了使用基于BioBERT的深度学习管道从Twitter检测DS AE信号的可行性。

2021-06-21cs.CLcs.IR

从临床文本中提取膳食补充剂不良事件和适应症的深度学习方法

Deep Learning Approaches for Extracting Adverse Events and Indications of Dietary Supplements from Clinical Text

Institute for Health Informatics（健康信息学研究所）；College of Pharmacy, University of Minnesota（明尼苏达大学药学院）

我们工作的目的是证明利用深度学习模型提取临床文本中与膳食补充剂（DS）使用相关的安全信号的可行性。本研究中进行了两项任务。对于命名实体识别（NER）任务，Bi-LSTM-CRF（双向长短期记忆条件随机场）和BERT（来自Transformers的双向编码器表示）模型被训练并与CRF模型进行比较，以识别临床笔记中的DS和事件的命名实体。在关系抽取（RE）任务中，训练了两个深度学习模型，包括基于注意力的Bi-LSTM和CNN（卷积神经网络），以及一个随机森林模型，以提取DS和事件之间的关系，这些关系被分为三类：正（即，指示），负的（即，不良事件），不相关。将表现最好的NER和RE模型进一步应用于提及88个DS的临床记录，以发现DS不良事件和适应症，并与DS知识库进行比较。对于NER任务，深度学习模型的性能优于CRF，F1得分高于0.860。基于注意力的Bi-LSTM模型在关系抽取任务中表现最好，F1得分为0.893。当将深度学习模型生成的DS事件对与DS和事件的知识库进行比较时，我们发现了已知和未知的事件对。深度学习模型可以检测临床记录中的不良事件和DS适应症，这对于监测DS使用的安全性具有很大的潜力。

2020-11-22cs.CLcs.IR

更多相关论文收起更多论文

RAMIE：基于大语言模型在膳食补充剂上的检索增强多任务信息提取

RAMIE: Retrieval-Augmented Multi-task Information Extraction with Large Language Models on Dietary Supplements

University of Minnesota（明尼苏达大学）

本文提出RAMIE框架，结合指令微调与RAG技术从临床记录中多任务提取膳食补充剂信息，实验证明其显著提升了Llama2等模型的F1分数与整体准确率。

2024-11-24cs.AIcs.CEcs.CL

SUPP.AI：寻找补充剂-药物相互作用的证据

SUPP.AI: Finding Evidence for Supplement-Drug Interactions

Allen Institute for AI（艾伦人工智能研究所）

膳食补充剂被大部分人口使用，但有关其药理学相互作用的信息不完整。为了应对这一挑战，我们提出了SUPP.AI，一个用于浏览从生物医学文献中提取的药物相互作用（SDI）证据的应用程序。我们训练一个模型来自动提取补充信息，并从科学文献中识别这种相互作用。为了解决缺乏用于SDI识别的标签数据的问题，我们使用与识别药物相互作用（DDI）密切相关的任务的标签进行监督。我们微调的上下文中的词表示的RoBERTa语言模型使用标记DDI数据，并应用微调的模型，以确定补充的相互作用。我们从22 M篇文章中提取了195 k个证据句子（P=0.82，R=0.58，F1=0.68），用于60 k个交互。我们创建了SUPP.AI应用程序，供用户搜索由我们的模型提取的证据句子。SUPP.AI试图通过为研究人员、临床医生和消费者提供更可靠的SDI最新证据来缩小膳食补充剂的信息差距。

2020-07-07cs.CL