基于深度学习的医药知识图谱问答系统构建研究

发布时间：2020-10-23 15:58

　　 问答系统在自然语言处理领域得到的了广泛的研究,并被应用到很多特定的领域,如客户服务和金融信息服务等。开放知识图谱中基于知识的实体和关系持续增长,为基于知识图谱的问答系统提供了更完备的信息基础。但开放领域知识图谱对于特定领域的问答查询有一定的局限性,缺乏特定领域的相关知识信息。同时,用户查询多采用自然语言描述的问题,与知识图谱中存储的数据结构之间存在差异。基于深度学习的面向医药领域知识图谱问答系统构建,致力于医药领域知识图谱和基于该图谱问答系统的构建工作。该系统首先,利用爬虫相关技术,抓取医疗网站原始数据,并通过数据处理和清洗转化为结构化数据存储,通过对数据的分析,定义医药知识图谱中的实体、关系和属性,构建医药知识图谱。然后利用Word2Vec网络训练词向量并结合TextCNN问题分类算法,构建高精度的问题分类模块。为提高准确性,系统引入基于双向长短时记忆网络的启发式扩展实体检测和基于相似矩阵匹配的ARSMCNN关系检测算法,构建问答模块,并在基准数据集上针对该模块进行对比实验,验证问答效果。最后,在构建的医疗知识图谱上,将基于模板匹配方式和基于深度学习方式构建的问答系统,进行问答比较,验证效果。本文利用Flask轻量级开发框架,将问答系统中数据收集、数据处理和存储、知识图谱构建、问答查询等各模块整合起来,提供问答页面方便用户对医药或疾病等信息进行问答,提供疾病数据查询和展示页面展示疾病的关联信息,同时用户可以对特定疾病进行查询,提供知识图谱查询和管理页面方便对知识图谱的知识的管理。
【学位单位】：华中科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R-05;TP391.3;TP18
【部分图文】：

图 2.2 系统开发框架图前端系统首页、问答界面、数据查询与显示界面，采用 ¨ a | ¤t 语言写，实现用户问答和后台服务的数据交互。服务端的控制层、业务逻辑层和数据访层采用 Python 语言编写，完成前端数据的获取和处理 请求。并将本文问答模块实现的 ¨ 问题分类算法、启发式 实体检测算法和基于相似矩阵的 关系检测算法整合到系统中，完善系统功能。数据持久层，采用非关系型图数据库 ￡ 来存储医药知识图谱中的实体、关和属性，由于 ￡ 非关系型图数据库查询语句接近于 SQL 语句，且通过比较¤- ￠包提供的查询接口和使用原始语句的查询的效率，原始语句表现更加优异故本系统持久层中，采用编写 -¤ |查询模板的方式来实现对数据库的高效查询。2.2 功能模块设计与实现构建知识图谱的一般的流程为，分析所需要构建知识图谱所面向领域，对于开

CBOW模型示意图

Skip-Gram模型示意图
【参考文献】

相关期刊论文 前1条

1 杜亚军;吴越;;微博知识图谱构建方法研究[J];西华大学学报(自然科学版);2015年01期

本文编号：2853235