$vue{csvName == '' ? '仅支持上传 CSV 格式的文件' : csvName+' 上传中...'}
$vue{csvName}上传成功
取消
确认提交
- 赛事介绍
- 竞赛排行榜
- 讨论($vue{comment_count})
- 学习资源
$vue{item.rank_name}
大赛简介
人工智能技术在越来越多的医疗场景中体现出应用价值，医疗问答是自然语言处理领域的一个重要的方向，旨在让用户直接用自然语言提问并获得答案。通过建立可靠的算法模型，帮助用户缩短等待专业医生解决问题的问诊时间，同时在业务方面减少问诊医生的时间成本，协助问诊医生提供基础、可靠的问诊回复率。
参赛须知
参赛时间：2020.07.21 12:00:00-2022.10.10 20:00:00
参赛方式
- 下载FlyAI样例模版进行本地调试并提交到云端使用免费GPU进行模型训练获得最终成绩得分。
参赛选手说明
- 参赛人员身份信息需保证真实、有效，大赛主办方仅将个人信息用于赛事数据授权及颁奖使用
- 欢迎海内外的在校学生，算法工程师和所有AI爱好者参与
- 本次竞赛报名形式：以个人形式本地提交作品线上审核，并且以最终提交算法得分作为唯一有效成绩
- 在比赛截止日期前，团队中成绩最高分作为本团队的最终成绩
- 报名成功后请加入FlyAI竞赛交流群，一起学习进步！重要通知也将在群内发布，不要错过哦
比赛作品说明
- 参赛选手需要配合组委会对比赛作品的有效性与真实性进行验证
- 不同团队/个人，提交相似结果文件，取消双方所有人员参赛资格
- 多开小号报名、提交，一经发现将取消参赛资格
- 禁止使用外部链接下载代码替换本项目代码
- 比赛过程中，通过脚本获取比赛数据，成绩无效
- 使用线上测试集进行训练或者使用非官方提供的外部数据进行训练，成绩无效
- 使用的预训练模型需为FlyAI官方审核通过的模型，使用非官方验证预训练模型，成绩无效
- 提交的代码具备可解释性并且其它开源框架可复现
- 所有相似代码将一律不通过审核！！情况多次出现者封号处理
- 如有发现利用非正常手段作弊行为，奖金一律不发放。之前所获得奖金金额官方有权收回，情节严重者封号处理
- 提交代码即视为阅读并同意以上比赛作品说明
大赛奖项设置
奖项说明:
| 奖项设置 | 获奖人数 | 奖金额度说明(按最终得分评判) |
|---|---|---|
| 第一阶段突破奖 | 1人 | 第一个突破到30-35分数的选手，可获3000元奖金 |
| 第二阶段突破奖 | 1人 | 第一个突破到36-40分数的选手，可获5000元奖金 |
| 第三阶段突破奖 | 1人 | 第一个突破到40-100分数的选手，可获10000元奖金 |
| 鼓励奖 | 不限 | 10000元奖金(详见奖励获取要求) |
| 冠军奖 | 1人 | 5000元奖金 |
| 亚军奖 | 1人 | 3000元奖金 |
| 季军奖 | 1人 | 2000元奖金 |
| 第四名 | 1人 | 1500元奖金 |
| 第五名 | 1人 | 500元奖金 |
奖励获取要求:
- 鼓励奖：从2022年6月16日开始计算，当您的提交结果大于10分时，即可获得鼓励奖！快快行动起来吧！
- 突破奖：长期有效，当前比赛已解锁，根据突破分数排行可获得对应奖金！
- 奖金获取标准：30<Score 根据排名获得奖金
- 比赛结束两周时间内，前5名参赛者需提供文档格式赛题解决思路和15分钟以上的PPT答辩视频（FlyAI提供模版）；
- 温馨提示：未在有效时间内提供答辩经验的参赛者，视为放弃奖励资格哦！
赛事主题和数据说明
赛题描述
人工智能技术在越来越多的医疗场景中体现出应用价值，医疗问答是自然语言处理领域的一个重要的方向，旨在让用户直接用自然语言提问并获得答案。通过建立可靠的算法模型，帮助用户缩短等待专业医生解决问题的问诊时间，同时在业务方面减少问诊医生的时间成本，协助问诊医生提供基础、可靠的问诊回复率。
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 | 样例 |
|---|---|---|---|---|
| train.csv | department | string | 分类标签 | 文本 |
| title | string | 标志问题 | 文本 | |
| ask | string | 标志问题 | 文本 | |
| answer | string | 内容 | 文本 | |
| validation.csv | department | string | 分类标签 | 文本 |
| title | string | 标志问题 | 文本 | |
| ask | string | 标志问题 | 文本 | |
| answer | string | 内容 | 文本 |
评审标准
算法输入输出格式
系统评估时，要求参赛者必须在predict方法中接收到输入和评估返回的结果输出，格式如下所示。
输入字段：
{
"department": "消化科",
"title": "有些胃不舒服怎么办",
"ask": "最近她一直在吃红葡萄酒浸洋葱.不知道二者有没有联系.谢谢!"
}输出字段：
{
"answer": "勿暴饮暴食当胃内食物过多时..."
}评审指标说明
- 本次比赛将使用Rouge（Recall-Oriented Understudy for Gisting Evaluation）作为模型评估度量。
- Rough是评估自动文摘以及机器翻译的常见指标。它通过将自动生成的文本与人工生成的文本（即参考文本）进行比较，根据相似度得出分值。
- 计算公式如下,其中 X 为模型生成的答案，Y为参考答案。LCS(X,Y)就是获取最长公共子序列的长度;
-
-
-
比赛常见问题说明
Q:比赛使用什么框架？
- 比赛支持常用的机器学习和深度学习框架，比如TensorFlow，PyTorch，Keras，Scikit-learn、MXNet等。
Q:怎么参加比赛，需不需要提交CSV文件？
- FlyAI竞赛平台提供免费云端GPU资源，报名后可以使用自己熟练的框架，修改main.py中的网络结构和processor.py中的数据处理；仅部分赛题支持CSV方式提交，请仔细阅读参赛方式相关内容。
Q:比赛排行榜分数怎么得到的？
- 参加项目竞赛必须实现prediction.py中的load_model和predict方法。系统使用这些方法评估模型算出评分。
超过 30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12.60。
2020-07-12 16:29:02
12.60
batch数据为128，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为11.58。
2020-07-11 01:47:19
11.58
batch数据为16，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3.61。
2020-07-18 19:04:27
3.61
4
batch数据为48，循环次数为19次，通过在线上环境完成训练，模型最优精度评分为3.53。
2020-07-16 03:07:16
3.53
5
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3.53。
2020-07-19 01:22:33
3.53
6
batch数据为18，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3.33。
2020-07-20 01:38:33
3.33
7
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2.89。
2020-07-07 19:29:36
2.89
8
batch数据为12，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2.70。
2020-07-06 14:45:03
2.70
9
batch数据为64，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为2.42。
2022-07-26 23:19:40
2.42
10
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2.39。
2020-07-12 12:39:11
2.39
11
batch数据为16，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2.32。
2020-07-21 14:28:37
2.32
12
batch数据为16，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2.28。
2020-07-18 16:19:51
2.28
13
batch数据为16，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2.24。
2020-09-10 16:56:45
2.24
14
batch数据为4，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1.50。
2020-06-18 00:19:21
1.50
15
batch数据为4，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1.17。
2020-06-25 18:25:21
1.17
16
batch数据为8，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1.03。
2020-07-16 11:06:26
1.03
17
batch数据为4，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1.02。
2020-06-25 04:11:39
1.02
18
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0.99。
2022-06-16 17:04:18
0.99
19
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0.99。
2022-08-05 09:54:12
0.99
20
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0.99。
2022-08-12 10:18:11
0.99
21
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0.99。
2022-08-22 19:16:06
0.99
22
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0.99。
2022-09-02 10:20:10
0.99
23
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0.99。
2022-09-07 15:18:16
0.99
24
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0.99。
2022-09-11 21:39:09
0.99
25
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0.99。
2022-12-26 16:54:10
0.99
26
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0.99。
2023-01-05 19:26:19
0.99
27
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0.99。
2023-03-13 08:53:43
0.99
28
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0.99。
2023-04-10 16:54:24
0.99
29
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0.99。
2023-04-18 15:06:59
0.99
30
batch数据为1，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为0.72。
2020-09-10 05:20:35
0.72
31
batch数据为16，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0.52。
2020-06-11 00:24:22
0.52
32
batch数据为2，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0.46。
2020-06-05 14:23:01
0.46
33
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0.46。
2020-06-09 20:12:56
0.46
34
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0.46。
2020-06-09 20:13:48
0.46
35
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0.46。
2020-06-09 20:19:25
0.46
36
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0.46。
2020-06-09 21:10:14
0.46
37
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0.46。
2020-06-09 21:24:50
0.46
38
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0.46。
2020-06-09 21:32:26
0.46
39
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0.46。
2020-06-09 22:45:19
0.46
40
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0.46。
2020-06-10 10:48:25
0.46
41
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0.46。
2020-06-10 15:18:31
0.46
42
batch数据为64，循环次数为4次，通过在线上环境完成训练，模型最优精度评分为0.46。
2020-06-10 16:37:47
0.46
43
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0.46。
2020-06-10 20:51:06
0.46
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0.46。
2020-06-10 22:07:17
0.46
45
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0.46。
2020-06-12 08:12:50
0.46
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0.46。
2020-06-13 09:38:28
0.46
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0.46。
2020-06-13 16:05:41
0.46
48
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0.46。
2020-06-14 13:13:02
0.46
49
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0.46。
2020-06-15 15:54:57
0.46
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0.46。
2020-06-15 18:17:39
0.46
51
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0.46。
2020-06-16 10:14:40
0.46
52
batch数据为16，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0.46。
2020-06-16 10:56:33
0.46
53
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0.46。
2020-06-18 19:29:35
0.46
54
batch数据为500，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0.46。
2020-06-20 20:02:27
0.46
55
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0.46。
2020-06-20 23:38:19
0.46
56
batch数据为100，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0.46。
2020-06-21 11:37:45
0.46
57
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0.46。
2020-06-22 16:58:59
0.46
58
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0.46。
2020-06-23 14:45:43
0.46
59
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0.46。
2020-06-24 11:54:12
0.46
60
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0.46。
2020-06-24 17:04:05
0.46
61
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0.46。
2020-06-24 18:54:59
0.46
62
batch数据为28，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为0.46。
2020-06-26 11:58:36
0.46
63
batch数据为64，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0.46。
2020-06-28 19:47:25
0.46
64
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0.46。
2020-06-28 20:41:35
0.46
65
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0.46。
2020-07-01 15:16:04
0.46
66
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0.46。
2020-07-05 01:58:27
0.46
67
batch数据为32，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0.46。
2020-07-07 13:53:34
0.46
68
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0.46。
2020-07-08 06:20:44
0.46
69
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0.46。
2020-07-08 10:41:38
0.46
70
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0.46。
2020-07-08 12:04:54
0.46
71
batch数据为128，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0.46。
2020-07-08 19:52:01
0.46
72
batch数据为64，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为0.46。
2020-07-09 15:10:37
0.46
73
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0.46。
2020-07-09 15:36:57
0.46
74
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0.46。
2020-07-10 23:02:17
0.46
75
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0.46。
2020-07-11 07:30:25
0.46
76
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0.46。
2020-07-11 14:20:30
0.46
77
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0.46。
2020-07-14 19:53:31
0.46
78
batch数据为64，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为0.46。
2020-07-16 13:07:36
0.46
79
batch数据为64，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0.46。
2020-07-18 08:34:21
0.46
80
batch数据为500，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0.46。
2020-07-19 10:40:45
0.46
81
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0.46。
2020-07-23 06:41:00
0.46
82
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0.46。
2020-07-29 20:36:41
0.46
83
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0.46。
2020-08-03 11:43:51
0.46
84
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0.46。
2020-08-06 09:45:23
0.46
85
batch数据为8，循环次数为2次，通过在线上环境完成训练，模型最优精度评分为0.46。
2020-08-19 17:20:09
0.46
86
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0.46。
2020-08-21 09:37:16
0.46
87
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0.46。
2020-09-09 14:20:14
0.46
88
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0.46。
2020-09-11 22:50:47
0.46
89
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0.46。
2020-09-15 20:30:11
0.46
90
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0.46。
2020-10-18 16:23:29
0.46
91
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0.46。
2020-10-29 22:15:12
0.46
92
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0.46。
2020-10-30 13:33:44
0.46
93
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0.46。
2020-10-30 15:07:24
0.46
94
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0.46。
2020-11-24 17:00:37
0.46
95
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0.46。
2020-12-03 23:05:02
0.46
96
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0.46。
2020-12-05 21:26:51
0.46
97
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0.46。
2020-12-06 15:05:09
0.46
98
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0.46。
2020-12-06 20:12:45
0.46
99
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0.46。
2020-12-07 14:14:29
0.46
100
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0.46。
2020-12-10 10:47:16
0.46
101
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0.46。
2020-12-20 23:30:10
0.46
102
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0.46。
2020-12-23 14:36:38
0.46
103
batch数据为500，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0.46。
2020-12-23 21:11:00
0.46
104
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0.46。
2021-01-28 17:01:28
0.46
105
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0.46。
2021-03-23 15:09:54
0.46
106
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0.46。
2021-05-13 11:28:32
0.46
107
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0.46。
2021-06-07 16:33:16
0.46
108
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0.46。
2021-07-16 20:12:38
0.46
109
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0.46。
2021-08-05 17:55:55
0.46
110
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0.46。
2021-09-23 10:57:55
0.46
111
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0.46。
2021-10-08 16:09:05
0.46
112
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0.46。
2021-11-01 14:58:54
0.46
113
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0.46。
2021-12-14 22:09:16
0.46
114
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0.04。
2020-06-25 17:45:15
0.04
115
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0.04。
2020-07-02 11:57:42
0.04
116
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0.04。
2020-09-03 10:24:16
0.04
117
batch数据为8，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0.01。
2022-10-18 05:49:09
0.01
讨论
500字
表情
删除确认
是否删除该条评论？
取消
删除
这里还没有内容哦