gloomcheng commited on
Commit
1fd5af6
·
verified ·
1 Parent(s): a815c86

docs: add Context-Conditioned usage and MODA Data Provenance to Traditional Chinese section

Browse files
Files changed (1) hide show
  1. README.md +16 -0
README.md CHANGED
@@ -248,8 +248,24 @@ model = SentenceTransformer("weemed/IlhaEmbed")
248
  model.encode(["皮蛇", "L-CT", "定期心內門診-戒菸"])
249
  ```
250
 
 
 
 
 
 
 
 
 
 
 
 
 
251
  維度 384,最長 32 個 token。詞表 25.5k(剪過,只留繁體中文和臨床會用到的)。大小 38.5 MB(INT8 ONNX)或 152 MB(fp32 safetensors)。
252
 
 
 
 
 
253
  ## 怎麼做的
254
 
255
  基礎模型用 IBM Granite ModernBERT(Apache-2.0),授權寬鬆。用台灣臨床的 teacher 訊號做知識蒸餾,讓學生模型學會把台灣的行話、縮寫、台語,擺到對應的標準概念旁邊。
 
248
  model.encode(["皮蛇", "L-CT", "定期心內門診-戒菸"])
249
  ```
250
 
251
+ ### 帶 Context 的拉丁縮寫與多義詞動態解歧義
252
+
253
+ 純拉丁字母縮寫(如 `MIF`、`CEA`、`eGFR`、`CBC`)以及高度多義詞(如 `鈣化`)本身無漢字特徵且缺乏獨占上下文。透過傳入業務欄位 Context 字串(例如 `f"{column_hint} {fragment}"`),即可在完全不依賴硬編碼字典的情況下精確判讀:
254
+
255
+ ```python
256
+ # 帶入欄位上下文 Context 的推論
257
+ query = "hi-checkup 健檢報告 檢體未交 MIF"
258
+ query_vec = model.encode(query, normalize_embeddings=True)
259
+
260
+ # 動態精確對齊至「檢體未交與寄生蟲鏡檢」(得分 ~0.50+,大幅領先勝差 +0.15)
261
+ ```
262
+
263
  維度 384,最長 32 個 token。詞表 25.5k(剪過,只留繁體中文和臨床會用到的)。大小 38.5 MB(INT8 ONNX)或 152 MB(fp32 safetensors)。
264
 
265
+ ## 資料來源與開放資料標註 (Data Provenance)
266
+
267
+ IlhaEmbed 的蒸餾知識訓練訊號包含數位發展部 (MODA) 開放資料平台之「國教院 13 套學術醫療名詞庫」 (`taic.moda.gov.tw`,共 111,386 筆醫療概念)。原始語料庫遵循政府資料開放授權條款 (MODA Open Data Terms §3.1)。
268
+
269
  ## 怎麼做的
270
 
271
  基礎模型用 IBM Granite ModernBERT(Apache-2.0),授權寬鬆。用台灣臨床的 teacher 訊號做知識蒸餾,讓學生模型學會把台灣的行話、縮寫、台語,擺到對應的標準概念旁邊。