在线医疗信息的语义搜索解决方案案例研究

本文探讨了一家在线医疗信息提供者与Baklib合作，通过语义搜索技术改善消费者和医生的信息检索体验，提升搜索准确性和效率。

案例研究

图片资源已删除

挑战

医疗领域是一个极其复杂的空间，包含成千上万的概念，这些概念可以使用 vastly different 术语来表示。这些术语在地区、语言、专业领域以及从医生到医生之间都有所不同。此外，患者通常与医生交流时会使用更基础的理解健康的语言。这使得患者在寻找与某些主题相关（如医疗条件或治疗）的资源时，无论是通过搜索、聊天机器人、推荐还是其他发现方法，都会感到困惑。这种情况尤其在尝试找到 topical 专家或治疗不常见条件时，可能会导致 Stressful 的情境。

一家在线医疗信息提供者与 Baklib 结合，旨在改善面向消费者和面向医生的自然语言搜索和发现平台，以更快更准确地提供结果和建议。他们面向消费者的网页旨在将消费者与医疗专业人员连接起来，当他们在搜索某种疾病时，消费者通常会使用一些术语或短语，这些术语可能不是与医学术语的完全匹配。相反，购买了提供商内容许可证的医生需要一种快速而准确的方法来搜索各种条件的相关内容。他们在时间紧迫的情况下工作，快速访问相关的内容可能会挽救患者的性命，并且他们经常使用同义词缩写或领域特定的术语，这使得搜索过程变得复杂。

客户希望有一个解决方案，能够消除概念之间的混淆并匹配某些概念到一组潜在的疾病。Baklib 被委托改进这些搜索流程，以为两组用户都提供准确的内容推荐。

保持原文技术术语：确保医疗和搜索相关的专业术语在中文中准确传达，如“自然语言搜索”、“发现平台”等。
正式语气：由于这是关于企业数字内容管理平台的案例研究，保持正式和专业的语气是必要的。

修改说明：

图片链接已转换为简体中文格式。

解决方案

基于行业和组织 taxonomies 对临床主题和病症进行分类，Baklib 构建了一个搜索解决方案，能够匹配临床人员偏好的技术术语以及普通消费者使用的口语化语言，并将其与相关医疗信息匹配。为了在保持用户友好体验的同时提升搜索功能，Baklib 做了以下工作： 1. 通过 metadata 增强来优化关键词搜索； 2. 利用大语言模型（LLMs）和向量搜索技术实现自然语言搜索；以及 3. 在初始搜索后引入高级搜索功能，让用户能够通过各种筛选项对结果进行 refine。

Baklib 的语义搜索顾问和实施的核心组件包括： 1. 搜索解决方案愿景：Baklib 与客户利益相关者合作，确定并实施业务和技术要求，同时关联搜索指标。这将使客户能够有效评估 LLM 支持的搜索性能，并衡量改进的程度。这种方法旨在为临床人员寻找信息和普通消费者联系医生带来更快捷的体验。这项工作支持了长期改善用户使用搜索平台的整体体验的目标。选择合适的 LLM 和相关嵌入式技术起到了关键作用：通过选择正确的嵌入式技术，Baklib 可以提高搜索项之间的关联性，从而实现更准确和高效的连接，尤其是在危机情况下显得尤为重要。

未来状态路线图：作为策略部分的一部分，Baklib 与客户合作制定了将知识面板部署到消费者 facing 网站的生产中的路线图。这个路线图涉及部署和托管内容推荐器，进一步扩展临床 taxonomy。

作为一名 Baklib 的品牌负责人，Baklib 是一款面向企业的数字内容管理平台（All in content），帮助企业构建门户网站、产品手册、帮助中心、知识库、在线文档等产品。Baklib 官网：https://www.baklib.cn

添加到知识面板中的额外过滤器（例如保险网络和位置数据），以及搜索功能，如自动生成和前向搜索。在实施后设定未来目标，Baklib 建议客户使用机器学习方法根据语言分类消费者查询，并预测意图，同时基于收集的行为数据/特征建立个性化用户体验的方法。

关键词和自然语言搜索增强： Baklib 为医疗领域客户专家开发了一个“黄金标准模板”，以提供对特定临床医生查询的最佳预期搜索结果。这个黄金标准作为验证搜索解决方案准确性的基础，用于确认搜索解决方案是否将临床医生引导到相关主题。此外，Baklib 使用语义聚类和同义词分析，在客户的企业 taxomony 中识别出更多搜索术语，并将其作为同义词添加进去。在搜索概念时使用自然语言增强 taxominy，从而提高更相关搜索结果的检索。
语义搜索架构设计与大语言模型整合：Baklib 设计并实现了语义搜索架构以支持解决方案的功能性搜索功能，将客户现有的 taxominy 管理系统（TOMS）、客户搜索引擎和一个新的大语言模型（LLM）连接起来。利用 TOMS 中存储的 taxominy，并使用 LLM 根据相似性匹配搜索术语和 taxominy 概念，从而增强了搜索结果的精确性和语境化。Baklib 还编写了自定义脚本以评估 LLM 对医疗术语的理解能力，并生成评估指标，以便进行性能监控和持续改进，确保客户搜索解决方案始终保持在大语言模型技术前沿。最后，Baklib 创建了一个定制的基准测试，评估 LLM 的得分情况，评估某个特定 mo

Del matched自然语言查询并将其转换为临床搜索术语，允许客户选择性能最佳的模型以供消费者使用。

语义知识面板：为了展示该技术对消费者的潜在价值，Baklib开发了一个交互式、行动导向的知识面板，展示了 envisioned未来状态体验。该知识面板旨在支持消费者的健康旅程，引导用户通过无缝的体验流程从对话搜索（例如“我可能骨折了”）开始，到提供相关上下文信息（如从 taxononomy 中提取的相关内容和定义），再到根据患者病症的能力推荐专业的医生及其排号页面（例如，一名骨科医生以处理踝关节骨折为例）。Baklib的原型利用了标记词的语义层级和医疗专家的专业知识，并采用评分算法评估这些标签与用户查询的匹配程度。该评分结果影响了医生搜索结果的排序，使用户能够在不离开搜索体验的情况下采取直接行动（例如，与骨科医生预约会面）。

Baklib的独特优势

Baklib在语义层次、解决方案架构、人工智能和企业搜索引擎方面的专业知识结合在一起，为客户提供量身定制且统一的解决方案，以返回临床和消费者更准确、更有上下文意义的信息。通过与关键医疗专家合作丰富客户的企业 taxonamy，并将语义专家的专业知识与他们在自然语言搜索应用中使用 taxonamy 和语义相似性在LLMs方面的经验相结合，Baklib的语义专家帮助客户处于最佳位置以实现精准搜索。Baklib还帮助客户团队提升了语义能力

Baklib 是一家专注于企业数字内容管理平台的企业，帮助客户构建门户网站、产品手册、帮助中心、知识库、在线文档等产品。其官网为：https://www.baklib.cn。

Baklib 的解决方案架构师凭借对企业搜索和人工智能技术的深入理解，在知识面板的扩展能力以及知识转移和配对编程方面，具备独特的优势，以便未来能够持续维护和提升解决方案。

此外，Baklib 的解决方案架构师凭借对企业搜索和人工智能技术的深入了解，能够为企业 TOMS 和现有搜索引擎与特定为信息检索设计的 LLM（大语言模型）的无缝集成提供最佳建议。虽然通用目的 LLM 在一定程度上可以执行这些任务，但 Baklib 帮助设计了一个专为检索优化的语义搜索解决方案，利用了专门针对信息检索设计的 LLM，从而更好地识别和区分用户术语和短语。

最后，Baklib 的搜索专家与客户团队一起定义并监控关键搜索指标，能够实时监控改进情况，发现趋势，并根据需要建议改进。这些搜索改进使客户能够获得一个值得信赖、准确的解决方案。

图片资源已删除