Datawhale 知识图谱组队学习 Task 2 基于医疗知识图谱的问答系统操作介绍

引言

该项目主要分为两部分：

• 第一部分：搭建知识图谱。该部分的具体讲解将在 [Datawhale 知识图谱组队学习 Task 3 Neo4j图数据库导入数据进行介绍；
• 第二部分：启动问答测试。构建一个简单的基于 知识图谱 的对话系统，该部分的具体讲解将在Datawhale 知识图谱组队学习 Task 4 用户输入、知识库的查询语句和 Datawhale 知识图谱组队学习 Task 5 Neo4j 图数据库查询进行分别介绍

项目介绍

该项目是GITHUB上的一个开源项目QASystemOnMedicalGraph。是基于医疗领域知识图谱的问答系统。具体内容为从无到有搭建一个医疗领域知识图谱(知识图谱规模较小)，并基于此知识图谱搭建问答系统实现自动问题解析和回答。

项目效果

下图是系统实际运行效果：

image.png

项目运行方式

运行环境：Python3 数据库：neo4j 预训练词向量：https://github.com/Embedding/Chinese-Word-Vectors或https://pan.baidu.com/s/14JP1gD7hcmsWdSpTvA3vKA

1、搭建知识图谱：python build_grapy.py。大概几个小时，耐心等待。 2、启动问答测试：python kbqa_test.py
2、项目测试：python kbqa_test.py

医疗知识图谱

数据源：39健康网。包括15项信息，其中7类实体，约3.7万实体，21万实体关系。

本系统的知识图谱结构如下：

image.png

1.1 知识图谱实体类型

实体类型	中文含义	实体数量	举例
Disease	疾病	14336	乙肝，癫痫
Alias	别名	8877	小儿褐黄病综合征，广疮
Symptom	症状	5622	手足烦热，四肢麻木
Part	发病部位	82	手部，上肢
Department	所属科室	82	感染科，外科
Complication	并发症	3201	落枕，流感
Drug	药品	4625	西黄胶囊，司帕沙星
Total	总计	36825

1.2 知识图谱实体关系类型

实体关系类型	中文含义	关系数量	举例
ALIAS_IS	别名是	52578	癫痫 别名是 羊角风
HAS_SYMPTOM	症状有	62105	乙肝 症状有 肝功能异常
PART_IS	发病部位是	26660	乙肝 发病部位是 肝
DEPARTMENT_IS	所属科室是	33867	乙肝 所属科室是 传染科
HAS_COMPLICATION	并发症有	25183	乙肝 并发症有 肝硬化
HAS_DRUG	可用药品	35914	乙肝 可用药品 恩替卡韦分散片
TOTAL	总计	210018	约210018对关系

1.3 知识图谱疾病属性

疾病属性	中文含义	举例
age	发病人群	老人，小孩
insurance	是否医保	医保
infection	是否传染	有传染性
checklist	检查项目	肝功能检查
treatment	治疗方法	药物治疗、心理治疗
period	治愈周期	一周
rate	治愈率	0.1%
money	费用	1000-2000元

问题意图识别

基于特征词分类的方法来识别用户查询意图

意图类型	中文含义	举例
query_disease	查询疾病	肝肿大是什么病
query_symptom	查询症状	慢性乙肝有什么表现
query_cureway	查询治疗方案	肚子一直痛怎么办
query_checklist	查询检查项目	乙肝需要做哪些检查
query_department	查询所属科室	乙肝去哪个科
query_rate	查询治愈率	乙肝能治好吗
query_period	查询治愈周期	乙肝多久能治好
disease_describe	查询疾病所以属性	慢性咽炎

总结

1、本项目构建简单，通过本项目能了解KBQA的工作流程。

2、本次通过手工标记210条意图分类训练数据，并采用朴素贝叶斯算法训练得到意图分类模型。其最佳测试效果的F1值达到了96.68%。选用NB的原因是通过与SVM训练效果比较后决定的。

3、不足之处：

• 训练数据还是太少，且对问题进行标注时易受主观意见影响。意图类别还是太少，本系统得到分类模型只能预测出上面设定的7类意图。(修改于2019.02.26)
• 对于问题句子中有多个意图的情况只能预测出一类，今后有时间再训练多标签模型吧。(最近在写论文，没时间)。
• 知识图谱太小了，对于许多问题都检索不出答案。今后可以爬取其它的健康网站数据或者利用命名实体识别和关系抽取技术从医学文献中抽取出实体与关系，以此来扩充知识图谱。
• 在本项目中采用了预训练的词向量来找近似词。由于该词向量特别大，加载非常耗时，因此影响了整个系统的效率。这个可能是因为电脑配置太低的原因吧。
• 没有实现推理的功能，后续将采用多轮对话的方式来理解用户的查询意图。同时将对检索出的结果进行排序，可靠度高的排在前面。