基于知识图谱的医疗专家系统

发布时间：2021-06-29 08:04

　　随着互联网的发展,互联网医疗科普搜索需求急剧增加,但互联网上现有的医疗科普网站不仅导航过于专业,让普通用户无法快速找到所需的内容,而且缺乏针对性,无法根据用户的不同问题给出针对性的回答。为了缓解这一矛盾,基于知识图谱技术,本文设计并开发了一种基于知识图谱的医疗专家辅助系统,通过运用自然语言处理相关技术,对医疗电子病历中的自有文本提取知识,构建知识图谱;在知识图谱基础上运用语义搜索和问答系统相关技术,提供医疗语义搜索和医疗智能问答服务。使得本系统可以直接理解用户的意图,用户不用在专业网站中寻找自己所需的信息;同时可以根据用户的不同输入做出针对性的回答。本文的贡献有:1)设计并实现了针对非结构化数据的医疗知识图谱构建系统,从命名实体识别、关系抽取和知识融合三个方面进行了详述。2)设计并实现了基于知识图谱的医疗语义搜索和问答模型,从问答数据集构建、算法选择和结果展示三个方面进行了详述。3)设计并实现了基于知识图谱的医疗问答系统,提供医疗命名实体识别、医疗关系抽取、知识图谱可视化、医疗语义搜索和医疗智能问答服务。 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：91 页

【学位级别】：硕士

【部分图文】：

图２．２数据库２０１３－２０１５年发展情况??当知识图谱结构简单，并且不会出现复杂关联查询时，也可以用关系型数据??

（ｌｏｇｉｃ?ｆｏｒｍ），自底向上进行解析，得到一种可以表达整个问题语义的逻辑形式，??通过相应的查询语句在知识图谱查询得出答案。Ｂｅｒａｎｔ?Ｊ等人２０１３年使用该思想??构建了知识库问答系统［２２］，在当时取得了最高的评价结果，大致思路如图２．３所??不。??１２??

?ｐｅｒｓｏｎ??图２．４对问题进行信息抽取??图２．４展示了?Ｙａｏ?Ｘ等人２０１４年利用信息抽取法构建问答系统中第一步提??取子图的过程［２３］。首先提取问题中的问题词，如图上所示“ｗｈａｔ”，这个词暗示了??答案类型。然后对问题作依存句法分析，得到语法结构树，然后删除一些不重要??的节点，例如限定词、介词和标点符号。这一步的实质就是对问题进行信息抽取，??删除不重要特征，确定答案范围。??该方法相比语义解析法，减少了很多人工和语言学规则，但对问题本身构建??特征的质量对该方法的影响较大，通过深度学习思想自动提取特征可以很好地提??升该方法的效果。??（３）向量建模法。核心思想是将问题和答案全部向量化，通过训练模型使问??题和答案的向量化分数（一般以点乘的形式组合）尽可能高

【参考文献】：
期刊论文
[1]知识图谱的技术实现流程及相关应用[J]. 曹倩,赵一鸣.  情报理论与实践. 2015(12)
[2]知识库实体对齐技术综述[J]. 庄严,李国良,冯建华.  计算机研究与发展. 2016(01)
[3]开放式信息抽取研究进展[J]. 杨博,蔡东风,杨华.  中文信息学报. 2014(04)
[4]命名实体识别研究进展综述[J]. 孙镇,王惠临.  现代图书情报技术. 2010(06)
[5]本体知识库的自然语言查询重写研究[J]. 王志,夏士雄,牛强.  微电子学与计算机. 2009(08)



本文编号：3256074