医疗文本分类（如疾病类型分类）中，如何优化模型性能？请说明文本预处理、特征工程及模型选择与调优方法。

1) 【一句话结论】医疗文本分类性能优化需从多维度协同提升：通过精细化文本预处理（如领域化分词、去噪）、深度特征工程（如词嵌入+领域知识融合）和适配的模型架构（如BERT+专家知识注入）结合超参数调优，实现精准分类。

2) 【原理/概念讲解】老师口吻解释关键概念：
医疗文本分类优化需从“预处理-特征工程-模型选择-调优”四维度协同推进。

• 文本预处理：医疗文本含专业术语（如“高血压”“肺炎”），需用领域词典分词（假设有医学分词工具），去除停用词（如“的”“是”），标准化缩写（如“HBP”→“高血压”），确保特征准确性。
• 特征工程：传统方法如TF-IDF（统计词频）适合小数据，但医疗文本语义复杂，需用词嵌入（如Word2Vec、BERT）将词转化为向量，捕捉语义关系；还可融合领域知识（如疾病-症状关联矩阵），增强特征表达。
• 模型选择：小数据用传统模型（如SVM、逻辑回归，计算效率高），大数据用深度学习（如BERT、RoBERTa，捕捉长距离依赖）。
• 调优方法：通过网格搜索/贝叶斯优化调整超参数（学习率、批次大小），加入正则化（如L2正则）防止过拟合，或使用数据增强（同义词替换、句子重组）提升泛化能力。

3) 【对比与适用场景】

方法/模型	定义	特性	使用场景	注意点
特征工程	词袋模型	统计词频，忽略顺序	小规模、简单分类	无法捕捉语义，易受噪声影响
TF-IDF	加权词频，考虑文档重要性	中等规模分类	对长文本效果有限
词嵌入（Word2Vec/BERT）	将词映射为向量，保留语义	大规模、复杂分类	需预训练模型，计算资源高
模型选择	传统模型（SVM、逻辑回归）	计算效率高，可解释性强	小数据、特征明确	无法捕捉复杂语义
BERT等深度学习模型	捕捉长距离依赖、语义丰富	大数据、复杂分类	计算资源高，需预训练

4) 【示例】
预处理与特征提取伪代码（以Python为例）：

# 假设使用jieba分词（医学词典），医学缩写表
def preprocess(text):
    words = jieba.cut(text, cut_all=False)  # 分词
    stop_words = set(['的', '是', '在', '和', '对', '为', '与', '等'])  # 医学停用词
    filtered = [w for w in words if w not in stop_words]
    expanded = []
    for w in filtered:
        if w in medical_abbreviations:  # 缩写展开
            expanded.extend(medical_abbreviations[w])
        else:
            expanded.append(w)
    return ' '.join(expanded)

def get_bert_features(text):
    model = BertModel.from_pretrained('bert-base-chinese')
    tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
    inputs = tokenizer(text, return_tensors='pt', truncation=True, padding=True)
    with torch.no_grad():
        outputs = model(**inputs)
    return outputs.last_hidden_state[:, 0, :].numpy()  # [CLS]向量作为句子特征

5) 【面试口播版答案】
面试官您好，医疗文本分类优化需从“预处理-特征工程-模型选择-调优”四维度协同提升。首先预处理要针对医疗文本特性，比如用领域分词工具（如医学专用jieba词典）处理专业术语，去除停用词，同时处理缩写（如“HBP”→“高血压”）；然后特征工程上，传统方法如TF-IDF适合小数据，但医疗文本语义复杂，更适合用BERT等预训练模型提取词向量，融合领域知识（如疾病-症状关联矩阵）增强特征；模型选择上，小数据用SVM或逻辑回归，大数据用BERT，因为能捕捉长距离依赖；最后调优要结合网格搜索或贝叶斯优化，调整学习率、批次大小，加入正则化防止过拟合。这样多维度优化后，模型性能会显著提升。

6) 【追问清单】

• 问：如何融合领域知识？
  回答要点：通过构建疾病-症状关联矩阵，将症状作为特征增强，或使用领域预训练模型（如医学BERT）。
• 问：数据量小的时候怎么办？
  回答要点：使用传统模型（如SVM），结合特征工程（如TF-IDF+特征选择），或使用迁移学习（微调预训练模型）。
• 问：调优方法具体怎么实现？
  回答要点：使用网格搜索（GridSearchCV）遍历超参数组合，或贝叶斯优化（Optuna）高效搜索。
• 问：文本预处理中如何处理多语言或混合文本？
  回答要点：使用多语言分词工具（如mBert），或分语言预处理，再合并特征。

7) 【常见坑/雷区】

• 忽略领域特性：直接用通用分词工具，导致专业术语切分错误，影响特征准确性。
• 特征工程过度复杂：添加过多无关特征（如词频统计），导致模型过拟合，泛化能力差。
• 模型选择不匹配：大数据用传统模型，小数据用深度学习，导致计算效率低或效果差。
• 调优不充分：只调整学习率，未考虑批次大小、正则化等，导致过拟合或欠拟合。