研究工作的背景与意义随着人们的生活水平日益提高，社会的医疗技术日益进步，人们对于自己的身体健康状况关心程度也在随之不断提高。伴随科学技术的不断发

 

研究工作的背景与意义随着人们的生活水平日益提高，社会的医疗技术日益进步，人们对于自己的身体健康状况关心程度也在随之不断提高伴随科学技术的不断发展，现有的医疗诊断和健康相关信息的摄取已经不再局限于医患之间面对面的交流，而是更多的与互联网联系。

许多患者在就诊前后都希望根据自己的身体健康情况对疾病进行进一步了解，例如根据一些病理现象了解自己可能患有的疾病的形成原因、治疗方式等信息，这便使得医疗健康相关的问答应用有了大量的需求场景当下知识图谱技术被应用于各种垂直领域之中。

随者医疗健康领域的信息化数字化进程不断加快，海量的医疗健康数据需要进行处理分析，进而在疾病诊疗.医药开发、风险评估、辅助诊断等方面发挥积极作用。

医疗健康领域作为知识图谱技术的应用领域之一，面对复杂的医疗健康数据，如何快速准确地挖掘有价值的医疗信息，为下游的医疗应用提供有力支撑，具有非常广阔的应用价值和发展前景，因此如何高效的完成图谱搭建便成为了热门的话题。

当今我国医疗健康服务建设仍在不断完善当中，人们对自身的健康状况关心程度也在不断提高，医疗健康科普就显得越发重要目前国家和地方对医疗数据及其智能化应用都进行了相关规划，并采取了一系列措施用于推动人工智能技术落地于医疗卫生领域。

本文将以知识图谱与数据应用作为研究重点，构建一个基于知识图谱的功能齐

全、知识面较广的医疗健康数据应用但是，在研究过程中仍然需要面临以下几个问题:1. 中文医疗领域缺乏完备的知识图谱，需要构建科类较为齐全、涵盖范围较广的知识图谱以提高当今医疗健康知识的普及水平2.针对非结构化的医疗健康文本。

，传统的实体关系抽取模型通过先识别实体后抽取关系的方式，易产生错误传播，并且识别准确率有待提高3.传统的医疗健康应用系统对用户的提问意图识别不够准确，对检索需求的表达不够简洁以及缺乏语义处理技术的支撑，使得问答效果欠佳。

针对以上问题，本文首先利用知识图谱技术在医疗健康知识关系的强表达能力和建模的灵活性，构造出面向医疗健康数据的领域知识图谱。

并在知识抽取阶段对结构化和非结构化的医疗健康知识抽取技术进行研究;其次对于医疗数据复杂、海量的问题本文将利用现有的数据应用技术构建面向医疗健康领域的数据应用，对医疗健康数据应用进行架构与功能设计，再对其中的自动化问诊功能进行详细设计:最后对于整个数据应用与自动化问诊功能模块进行实现，满足病患对于疾病查询、养生知识查询等功能的需求。

国内外研究现状知识图谱研究现状知识图谱技术最初是由知识表示技术的发展而形成的知识表示技术经历了漫长的发展历程，大致可以分为图形知识表示技术与符号逻辑知识表示技术图形知识表示的出现是因为Richens叫提出了语义网的概念，。

而符号逻辑知识的出现可以追溯到1959年的General Problem Solverl21知识首先与基于知识的系统一起用于推理和解决问题，而专家系统的出现也影响了知识图谱的发展，如医学诊断领域的MYCINP是著名的基于专家规则的知识库，。

拥有约600条专家规则之后，随着基于框架的语言、基于规则和混合表示的发展，Cyc项目应运而生，其目的在于搜集人类相关的知识紧接着，许多开放的知识库或本体相继被开发，例如WordNet、DBpedia以及Freebase等。

在2012年，知识图谱的概念首次被Google以优化搜索引擎的目的提出，并且在推出以来广受欢迎，其中知识融合框架Knowledge Vaultl4-7被提出来构建大规模的知识图谱许多通用知识图数据库和特定领域的知识库以此为基础进行构建。

根据知识图谱的相关定义可知，知识图谱可以定义为G=，其中E、R和F分别是实体、关系和事实的集合一个事实表示为三元组(head,relation, tail)eF，其中head与tail为存在于事实三元组中的头实体与尾实体，。

relation代表在该事实三元组中，头尾两个实体之间的关系知识图谱通过知识抽取技术将外界信息构建成知识三元组并将其集成到现存的本体中，然后再应用知识推理技术来获取新知识因此知识图谱从本质上来说，是由其所包含的实体和这些实体间所存在的关系来共同组成的多关系图。

在该图中，实体被定义为节点，而实体间的关系则被定义为边，故其可以实现对知识进行存储和推理

在医疗健康领域知识图谱的构建方面，医学领域是当下知识图谱应用最广的领域之一，各大企业已经开始构建自己的医疗健康知识图谱，例如IBM构建的Waston Health、阿里健康构建了名为“医学知鹿”的知识智库、搜狗的AI医学知识图谱APGC等。

在学术研究领域，阮彤8等人提出了利用专家知识和多策略学习方法半自动构建中医药知识图谱的流程，并设计了中医药知识图谱问答应用的引擎架构和辅助开药功能:于彤[9等人根据中医养身本体结合相关知识构建了大型中医养生知识图谱:邓宇[等人基于中医医案信息，依据XML三层模型实现系统架构，。

呈现出中医医案知识的结构化和层次化:赵凯等基于Neo4j对《伤寒论》桂枝汤类方构建了小型知识图谱实现了对桂枝汤类方的证、方、药的可视化分析以及检索等功能:奥德玛等人利用NLP (Natural Language Processing) 与信息挖掘技术。

为我国首版医学图谱的出现做出了卓越贡献，其构建的知识图谱覆盖了疾病、药物和诊疗技术，包括100余万个医学概念关系的实例总的来说,医疗领域知识图谱的重点任务主要集中在医疗健康知识抽取与知识融合方面在知识抽取技术方面，主要分为命名实体识别和关系抽取两方面。

早期的命名实体识别需要人工构造规则与模版121，但需要耗费大量的人力成本:随着机器学习技术的成熟条件随机场模型 (Conditional Random Field，CRF)、马尔可夫模型(Markov Model，MM) 等逐渐成为主流方法，Zhoul3]等人基于隐马尔可夫模型构造了实体识别器: Liu[4等人将CRF和KNN (K-Nearest Neighbor) 做了有效的组合，。

使其成为一种全新的模型来针对系统中的实体完成识别操作该模型的出现所展现出的最大优势在于其使得可以用于训练的数据集范围得到了明显扩大，缓解了训练数据匮乏的问题随着深度学习技术的兴起使得模型不再大量依赖于人工构造的特征，Collobert等人将CNN (Convolutional Ncural Network)模型用于命名实体识别[5-1s]; Qiu等人将CNN模型与CRF模型结合。

设计了残差膨胀卷积神经网络RDCNN-CRF ( Reduced Deep Convolutional Neural Network) ;Huang等人提出了基于BiLSTM (Bi-directional LSTM RNN)的模型BiLSTM-CRF利用了BiLSTM的特性使模型能够捕捉工下两个阶段的信息。

曾青霞等人结合BiLSTM与自注意力机制，用于捕捉实体之间的长距离依赖关系关系抽取方面[19.221，流水线方法和联合抽取方法是基于深度学习方法的两种重要方法流水线方法先对实体进行抽取，再对关系进行抽取，常采用基于RNN、CNN的模型进行关系抽取:。

实体关系联合抽取方法具体可以细分为以参数作为基础来进行共享和将序列做突出显示这两个方面[23]知识融合技术主要是为了解决构造同一个知识图谱时不同数据源之间的异构化问题知识图谱数据方面的融合主要在于实体对齐，。

用于消除实体指向不一致和冲突的问题。张伟莉等人将实体对齐建模为一个带约束的二分类问题,充分利用实体名、属性、描述文本及其中的时间、数值等关键信息，组合生成多维特征。

智能问答系统研究现状导诊功能作为医疗健康数据应用的核心功能，其原型即是对话系统，可追溯到判定计算机是否能够思考的“图灵测试”当受试者分不清与其对话的是计算机还是人时，则认为计算机具备了人的智能，这也可以看作是导诊系统的蓝图。

早期一些比较著名的问答系统如BASEBALL能用于回答美国一些棒球比赛的时间、 地点以及棒球队的分数等问题；LUNAR[24]则用于回答地质学家关于登月采样的 各种岩石的信息早期的做法基本都是将问题转化为SQL语句。

，通过SQL在数据 库中查询数据反馈给用户第一个公认的智能问答系统一般认为是Jaseph Weizenbaum在1966年实现的“Eliza”[25]，Eliza通过不断提问的方法诱导精神病 人回答问题，。

从而对病人进行心理治疗，而Eliza采用的是模式和关键字匹配和置 换的方式，并没有一套系统的技术作为支撑20世纪70年代，耶鲁大学人工智能 实验室开发的SAM用于阅读理解工作，但是SAM的能力被限制在脚本内的问题， 超出脚本外的问题会使得系统无法工作。

Start [26]是世界上第一个基于Web的QA[27- 29]系统，自从1993年12月开始，它持续在线运行至今。现在Start能够回答数百万 的多类英语问题，涉及地点、人物、词典定义类等。

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186