Açık çalışma alanı soru yanıtlama sistemi için bir çerçeve oluşturulması

Genel olarak Soru Yanıtlama (QA), İngilizce gibi doğal bir dilde sorulan soruları anlayabilen ve istenen bilgilerle tam olarak yanıt verebilen otomatik bir süreç olarak tanımlanabilir. "İdeal" bir QA sistemi oldukça karmaşık bir mimariye sahiptir. Çünkü bu sistem, sorudaki istenilen bilgiyi belirlemeli, uygun kaynaklardan istenilen bilgiyi bulmalı, bilgiyi çıkarmalı ve ardından bir yanıt oluşturmalıdır. Kullanıcılar, arama sorgusu ile ilgili tüm dokümanları incelemek yerine, sorularına kesin yanıtlar bulmak için QA sistemini tercih ederler. Doğal dilde sorulan soruları otomatik olarak yanıtlayan sistemler üzerine çalışmalar 1960'larda başlamıştır. 1999 yılında Metin Erişim Konferansı (TREC) kapsamında başlatılan QA süreciyle bilgi erişim topluluğu içinde ana araştırma alanı haline gelmiştir. Açık alan QA sistemlerinin aksine, tıbbi, alana özgü soru cevaplama üzerinde daha az araştırmacı çalışmaktadır. Biyomedikal alanda üretilen bilginin sürekli artması nedeniyle, halk, tıp öğrencileri, sağlık profesyonelleri ve biyomedikal araştırmacılar için biyomedikal soru yanıtlama sistemine olan ihtiyaç artmaktadır. Bir anlamda, biyomedikal soru cevaplama sistemi gerçek dünyanın en kritik uygulamalarından biridir. Bu çalışmada, biyomedikal alan için bir soru-cevaplama sistemi geliştirilmiştir. Sistemin belge getirme bileşeni için dört farklı sıralama algoritması (Vector Space Model, Okapi BM25, Query Likelihood with Dirichlet Smoothing, and the Jelinek–Mercer Smoothing Model) test edilmiştir. En iyi performans, MESH terimleri ile genişletilmiş bir sorgu kullanılarak Query Likelihood with Dirichlet Smoothing algoritması ile elde edilmiştir. Cevap çıkarma bileşeninde, metin benzerliğine ek olarak, Adlandırılmış Varlık Tanıma (NER), UMLS Kavram Tekil Tanımlayıcıları (CUIs), UMLS Anlamsal Türleri ve UMLS Anlamsal Grup özellikleri, yanıt olabilecek cümleleri bulmak için kullanılmıştır. Sadece metin benzerliğine dayalı F1 skoru 0.27'den 0.39'a çıkarılarak yaklaşık %44 performans artışı sağlanmıştır. Transformer mimarisine dayalı BERT dil modeli, biyomedikal alan için eğitilmiş ve SQuAD ve BioASQ 9b eğitim veri setleri kullanılarak biyomedikal soru-cevaplama sistemi için ince ayar yapılmıştır. BioASQ 9b test veri setlerindeki factoid sorular için 0.72 MRR skoru elde edilmiştir.