- 赛事介绍
- 竞赛排行榜
- 自由练习榜单
- 讨论($vue{comment_count})
- 学习资源
大赛简介
医疗问答机器人非常适合解决医疗市场的长期低效率问题,在降低成本、减少医生时间负担的同时,能够将患者对自己病症的描述与标准医学知识库进行对比,从而完成患者导诊、问诊等服务。另外也能进行健康咨询以及“自我诊断”,通过症状、病史等描述获取轻问诊服务和用药指导以供参考。
24×7在线,能及时解决患者一些紧急问题。
赛事主题和数据说明
赛题描述
本赛题为9月活动赛题,2019年10月25日下午20点整所有训练完成结果均为有效成绩!!
数据描述
由于需要提交代码作品在云端进行训练,参赛数据集不对外开放。仅提供调试数据。
字段说明:
文件名 |
字段名称 |
字段类型 |
备注 |
que_text |
string |
不为空 |
文本 |
ans_text |
string |
不为空 |
文本 |
参考文献:
[1]无
评审标准
算法输入输出格式
输入字段:
que_text,
输出字段:
ans_text,
评审指标说明
- 本赛题基础得分为20分,只有超过基础得分的参赛者可获得相对应奖励!
- 评估指标采用BLEU方法
- 'from nltk.translate.bleu_score import sentence_bleu';'score = sentence_bleu(reference, candidate, weights=(1, 0, 0, 0))'
超过 15分 的成绩会在48小时内更新到排行榜,不要着急哦!
batch数据为32,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为18.39。
batch数据为32,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为17.69。
batch数据为64,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为16.91。
4
batch数据为64,循环次数为25次,通过在线上环境完成训练,模型最优精度评分为16.81。
5
batch数据为64,循环次数为20次,通过在线上环境完成训练,模型最优精度评分为16.27。
6
batch数据为64,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为16.07。
7
batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为16.01。
8
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为15.86。
9
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为15.85。
10
batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为15.82。
11
batch数据为32,循环次数为5次,通过在线上环境完成训练,模型最优精度评分为15.52。
12
batch数据为128,循环次数为3次,通过在线上环境完成训练,模型最优精度评分为15.45。
13
batch数据为128,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为15.32。
14
batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为15.22。
15
batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为15.15。
16
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为15.12。
17
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为15.04。
18
batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为14.97。
19
batch数据为32,循环次数为40次,通过在线上环境完成训练,模型最优精度评分为14.71。
20
batch数据为128,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为14.23。
21
batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为14.13。
22
batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为14.09。
23
batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为13.94。
24
batch数据为1,循环次数为3次,通过在线上环境完成训练,模型最优精度评分为13.60。
25
batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为13.40。
26
batch数据为128,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为13.19。
27
batch数据为128,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为13.03。
28
batch数据为64,循环次数为50次,通过在线上环境完成训练,模型最优精度评分为12.98。
29
batch数据为1,循环次数为5次,通过在线上环境完成训练,模型最优精度评分为12.91。
30
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为12.47。
31
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为12.26。
32
batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为10.98。
33
batch数据为32,循环次数为48次,通过在线上环境完成训练,模型最优精度评分为10.30。
34
batch数据为64,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为10.13。
35
batch数据为500,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为10.06。
36
batch数据为128,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为9.24。
37
batch数据为1,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为8.85。
38
batch数据为128,循环次数为6次,通过在线上环境完成训练,模型最优精度评分为8.02。
39
batch数据为128,循环次数为15次,通过在线上环境完成训练,模型最优精度评分为6.96。
40
batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为6.34。
41
batch数据为128,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为6.08。
42
batch数据为64,循环次数为64次,通过在线上环境完成训练,模型最优精度评分为5.86。
43
batch数据为32,循环次数为1000次,通过在线上环境完成训练,模型最优精度评分为5.01。
44
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为5.01。
45
batch数据为64,循环次数为100次,通过在线上环境完成训练,模型最优精度评分为4.88。
46
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为4.68。
47
batch数据为64,循环次数为1次,通过在线上环境完成训练,模型最优精度评分为4.62。
48
batch数据为64,循环次数为32次,通过在线上环境完成训练,模型最优精度评分为4.15。
49
batch数据为64,循环次数为28次,通过在线上环境完成训练,模型最优精度评分为2.95。
50
batch数据为64,循环次数为30次,通过在线上环境完成训练,模型最优精度评分为2.95。
51
batch数据为32,循环次数为10次,通过在线上环境完成训练,模型最优精度评分为2.59。
changli
2019-11-16 18:57:44
2019-11-16 18:57:44
18.18
cnn
2019-10-29 09:22:59
2019-10-29 09:22:59
16.49
SHUU
2019-11-16 04:22:59
2019-11-16 04:22:59
15.7
4
alwaysbetter
2020-05-26 21:09:49
2020-05-26 21:09:49
15.5
5
弱鸡瑟瑟发抖
2020-02-04 01:36:20
2020-02-04 01:36:20
15.4
6
sensor
2019-10-30 13:38:13
2019-10-30 13:38:13
10.13
7
plantsgos
2019-10-31 15:13:18
2019-10-31 15:13:18
10.13
8
努力的小韩
2019-11-03 22:37:59
2019-11-03 22:37:59
10.13
9
晓东yue
2019-11-07 16:16:44
2019-11-07 16:16:44
10.13
10
水月
2019-11-07 17:37:06
2019-11-07 17:37:06
10.13
11
不可爱的小龙龙
2019-11-08 10:22:11
2019-11-08 10:22:11
10.13
12
小娜
2019-11-14 21:03:58
2019-11-14 21:03:58
10.13
13
Outdo ོ
2019-11-17 22:26:55
2019-11-17 22:26:55
10.13
14
TuringEmmy
2019-11-19 21:53:26
2019-11-19 21:53:26
10.13
15
驭风者
2019-12-06 21:16:54
2019-12-06 21:16:54
10.13
16
渣喵
2019-12-09 10:23:50
2019-12-09 10:23:50
10.13
17
flyai会员1575895300
2019-12-09 20:44:49
2019-12-09 20:44:49
10.13
18
weidong
2019-12-12 16:02:37
2019-12-12 16:02:37
10.13
19
赵勇
2019-12-13 21:30:47
2019-12-13 21:30:47
10.13
20
会员1575644587
2019-12-16 15:57:34
2019-12-16 15:57:34
10.13
21
会员1576582768
2019-12-17 21:13:54
2019-12-17 21:13:54
10.13
22
flyai会员1577432247
2019-12-27 16:24:01
2019-12-27 16:24:01
10.13
23
陈昊冉
2020-01-07 18:15:35
2020-01-07 18:15:35
10.13
24
闫宇威
2020-01-22 17:48:25
2020-01-22 17:48:25
10.13
25
Rosey
2020-02-20 14:46:44
2020-02-20 14:46:44
10.13
26
flyai会员1583066740
2020-03-02 00:11:10
2020-03-02 00:11:10
10.13
27
allen成
2020-03-12 16:30:03
2020-03-12 16:30:03
10.13
28
舍得团队
2020-03-16 08:34:34
2020-03-16 08:34:34
10.13
29
李晓华
2020-03-25 18:08:58
2020-03-25 18:08:58
10.13
30
李海翔
2020-04-07 20:32:22
2020-04-07 20:32:22
10.13
31
刘小文
2020-04-13 16:40:09
2020-04-13 16:40:09
10.13
32
阿泽
2020-04-16 11:53:49
2020-04-16 11:53:49
10.13
33
勇往直前1587451951
2020-04-21 14:59:24
2020-04-21 14:59:24
10.13
34
墨菲定律
2020-04-21 18:23:40
2020-04-21 18:23:40
10.13
35
寻找下一个小罗
2020-05-21 18:14:46
2020-05-21 18:14:46
10.13
36
逸野山人
2020-05-23 10:17:28
2020-05-23 10:17:28
10.13
37
岚1591243792
2020-06-04 13:10:00
2020-06-04 13:10:00
10.13
38
Rsq (Ai)
2020-07-03 15:45:14
2020-07-03 15:45:14
10.13
39
csc57
2020-08-03 20:41:31
2020-08-03 20:41:31
10.13
40
flyai会员1599146210
2020-09-03 23:19:22
2020-09-03 23:19:22
10.13
41
flyai会员1603024333
2020-11-08 17:37:02
2020-11-08 17:37:02
10.13
42
郭俊俊喂自己袋鹽
2021-04-02 21:30:38
2021-04-02 21:30:38
10.13
43
用户昵称
2021-04-12 15:54:43
2021-04-12 15:54:43
10.13
44
flyai会员1618796367
2021-04-25 16:42:59
2021-04-25 16:42:59
10.13
45
cyg
2021-04-28 11:18:32
2021-04-28 11:18:32
10.13
46
flyai会员1623842009
2021-06-16 19:22:10
2021-06-16 19:22:10
10.13
47
流浪的星星
2019-12-04 01:45:32
2019-12-04 01:45:32
7.68
48
Lllxmm
2020-02-27 21:24:01
2020-02-27 21:24:01
0.01
49
旺仔二号
2020-03-04 16:52:12
2020-03-04 16:52:12
0.01
50
yphacker
2019-10-29 01:59:34
2019-10-29 01:59:34
0