自動問答系統(tǒng)逐漸成為人與機器進行自然交互的新趨勢,而基于知識圖譜的自動問答系統(tǒng)是以知識圖譜作為答案來源的問答系統(tǒng)。知識圖譜使得數(shù)據(jù)更好地以接近人類認知的形式被組織和理解,能夠在精準化問答服務(wù)中起到關(guān)鍵作用。由于醫(yī)療健康領(lǐng)域的服務(wù)建設(shè)仍不完善,我國推出智慧醫(yī)療建設(shè)的政策�；趪倚l(wèi)健委科研所智慧醫(yī)療服務(wù)的項目需求,本文選定醫(yī)療垂直領(lǐng)域的問答應(yīng)用來切入研究。但是,當前中文領(lǐng)域缺乏公開的臨床醫(yī)療知識圖譜,如何構(gòu)建高質(zhì)量的醫(yī)療領(lǐng)域知識圖譜存在著困難。知識庫問答系統(tǒng)需要較強的自然問句理解能力,而醫(yī)療領(lǐng)域缺乏知識庫問答訓(xùn)練語料,基于深度學(xué)習(xí)的問答任務(wù)在實踐上充滿挑戰(zhàn)。針對以上的問題,本文圍繞臨床醫(yī)療領(lǐng)域提出了知識圖譜構(gòu)建與知識圖譜自動問答系統(tǒng)的解決方案,并完成了醫(yī)療輔助問診服務(wù)平臺的設(shè)計與實現(xiàn)。研究內(nèi)容主要包含以下三個方面:（1）研究如何構(gòu)建臨床醫(yī)療領(lǐng)域知識圖譜,主要包括知識抽取、知識融合和知識存儲三部分。其中,采用基于Bi-LSTM-CRF和Jointly標注策略的實體關(guān)系抽取模型實現(xiàn)知識的自動抽取,采用基于醫(yī)療實體局部關(guān)系屬性相似的實體對齊方法實現(xiàn)知識的融合,采用Neo4j和MongoDB混合... 

【文章頁數(shù)】：77 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 領(lǐng)域知識圖譜構(gòu)建研究現(xiàn)狀
        1.2.2 醫(yī)療領(lǐng)域問答系統(tǒng)應(yīng)用研究現(xiàn)狀
        1.2.3 研究現(xiàn)狀總結(jié)
    1.3 論文主體研究內(nèi)容與目標
    1.4 碩士在讀期間主要完成工作
    1.5 論文組織結(jié)構(gòu)
第二章 關(guān)鍵技術(shù)相關(guān)理論知識綜述
    2.1 實體識別與實體關(guān)系抽取任務(wù)
        2.1.1 命名實體識別
        2.1.2 實體關(guān)系抽取
    2.2 實體對齊
    2.3 基于語義解析的知識庫問答
第三章 面向臨床醫(yī)療領(lǐng)域的知識圖譜構(gòu)建方法與實現(xiàn)
    3.1 知識圖譜構(gòu)建的挑戰(zhàn)分析與整體方案設(shè)計
    3.2 臨床醫(yī)療知識抽取
        3.2.1 挑戰(zhàn)分析與方案設(shè)計
        3.2.2 基于規(guī)則包裝的人工抽取器
        3.2.3 基于Bi-LSTM-CRF的聯(lián)合學(xué)習(xí)模型的自動抽取器
    3.3 臨床醫(yī)療知識融合
        3.3.1 挑戰(zhàn)分析與方案設(shè)計
        3.3.2 醫(yī)療同義實體庫構(gòu)建
        3.3.3 多知識庫融合
    3.4 臨床醫(yī)療知識混合存儲
        3.4.1 基于Neo4j的關(guān)系類知識存儲
        3.4.2 基于MongoDB的屬性類知識存儲
    3.5 實驗評估與分析
        3.5.1 實體與關(guān)系聯(lián)合抽取實驗與分析
        3.5.2 實體對齊實驗與分析
        3.5.3 臨床醫(yī)療領(lǐng)域知識圖譜規(guī)模分析
    3.6 本章小結(jié)
第四章 基于臨床醫(yī)療知識圖譜的自動問答方法與系統(tǒng)實現(xiàn)
    4.1 醫(yī)療知識圖譜問答系統(tǒng)挑戰(zhàn)與整體方案設(shè)計
    4.2 基于數(shù)據(jù)冷啟動與自動標注的語料生成器
    4.3 基于實體識別與關(guān)系映射的問句語義解析
        4.3.1 基于字-詞網(wǎng)格LSTM-CRF的NER模型
        4.3.2 基于字-詞編碼的CNN關(guān)系分類模型
    4.4 知識庫答案檢索
        4.4.1 術(shù)語歸一化
        4.4.2 分流與查詢邏輯轉(zhuǎn)化
    4.5 實驗評估與分析
        4.5.1 問句實體識別實驗與分析
        4.5.2 問句關(guān)系/屬性映射實驗與分析
        4.5.3 問題類型支持度評估
    4.6 本章小結(jié)
第五章 醫(yī)療智能輔助問診服務(wù)平臺的設(shè)計與實現(xiàn)
    5.1 需求分析
        5.1.1 系統(tǒng)業(yè)務(wù)需求
        5.1.2 系統(tǒng)功能需求
    5.2 系統(tǒng)設(shè)計與實現(xiàn)
        5.2.1 系統(tǒng)總體架構(gòu)設(shè)計與實現(xiàn)
        5.2.2 系統(tǒng)功能流程設(shè)計與實現(xiàn)
        5.2.3 技術(shù)架構(gòu)設(shè)計與實現(xiàn)
    5.3 平臺系統(tǒng)測試
        5.3.1 知識庫問診助手
        5.3.2 圖譜關(guān)系可視化
        5.3.3 WeChat醫(yī)療助手
        5.3.4 平臺服務(wù)整合測試
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文工作總結(jié)
        6.1.1 研究背景與已完成研究工作
        6.1.2 研究成果與論文創(chuàng)新點
    6.2 未來工作展望
參考文獻
致謝
攻讀學(xué)位期間取得的研究成果


【參考文獻】：
期刊論文
[1]基于LSTM-SPA的醫(yī)學(xué)領(lǐng)域問答技術(shù)研究[J]. 畢銘文,左敏,張青川.  山東工業(yè)技術(shù). 2019(01)
[2]融合多種特征的實體對齊算法[J]. 喬晶晶,段利國,李愛萍.  計算機工程與設(shè)計. 2018(11)
[3]表示學(xué)習(xí)知識圖譜的實體對齊算法[J]. 朱繼召,喬建忠,林樹寬.  東北大學(xué)學(xué)報(自然科學(xué)版). 2018(11)
[4]基于專家生成內(nèi)容的領(lǐng)域知識圖譜構(gòu)建[J]. 李保珍,蘇菁.  情報科學(xué). 2018(10)
[5]基于圖計算和知識圖譜的疾病輔助診別研究[J]. 李苗苗,邢凱,張利萍,鐘春琳,龔海華.  電子技術(shù). 2018(09)
[6]基于甲狀腺知識圖譜的自動問答系統(tǒng)的設(shè)計與實現(xiàn)[J]. 馬晨浩.  智能計算機與應(yīng)用. 2018(03)
[7]基于自然語言處理的醫(yī)療健康問答系統(tǒng)[J]. 顏昕.  通訊世界. 2018(06)
[8]人工智能在醫(yī)學(xué)診斷知識圖譜構(gòu)建中的應(yīng)用研究[J]. 聶莉莉,李傳富,許曉倩,朱川川,徐志鵬,武紅利.  醫(yī)學(xué)信息學(xué)雜志. 2018(06)
[9]醫(yī)學(xué)百科知識圖譜構(gòu)建[J]. 劉燕,傅智杰,李姣,侯麗.  中華醫(yī)學(xué)圖書情報雜志. 2018(06)
[10]基于實體對齊的知識圖譜構(gòu)建研究[J]. 賈丙靜,馬潤.  佳木斯大學(xué)學(xué)報(自然科學(xué)版). 2018(03)

碩士論文
[1]面向醫(yī)療領(lǐng)域的實體對齊研究[D]. 宋文欣.哈爾濱工業(yè)大學(xué) 2018
[2]醫(yī)療知識圖譜構(gòu)建與應(yīng)用[D]. 張元博.哈爾濱工業(yè)大學(xué) 2018
[3]基于醫(yī)學(xué)知識圖譜的疾病智能診斷研究[D]. 劉路.湖南大學(xué) 2018
[4]智能疾病導(dǎo)診及醫(yī)療問答方法研究與應(yīng)用[D]. 李超.大連理工大學(xué) 2016



本文編號：3664965