1. 技术文章
  2. 语义计算、知识图谱与智能问答（医药常识问答实例）

语义计算、知识图谱与智能问答（医药常识问答实例）

由 ♀尐吖头ヾ 提交于 2020-02-07 15:47:40

语义计算、知识图谱与智能问答（实例）

本文，以医药知识图谱“神机医药”APP为例，简述如何通过“语义计算”构建知识图谱，利用知识图谱进行“智能问答”服务。
“神机医药”APP搜集了15606条“药品”信息，14172条“疾病”信息，5756条“症状”信息，12万条以上的“问答”信息，通过“语义计算”确定知识之间的相关性、相关度，自动构建“医药知识图谱”，动态解答医药常识问题。
在介绍“语义计算”自动构建“医药知识图谱”，动态解答医药常识问题之前，先讨论一些相关概念。

一、知识图谱相关概念
1、知识图谱与智能问答
Google公司于2012年提出知识图谱，目的是根据知识之间的关系、构建知识结构，在关键词搜索基础上，利用知识图谱自动搜索相关知识。
从广义上看，搜索引擎也是解答问题的一种形式，加入知识图谱后，可通过“知识图谱”寻找相关答案。知识图谱应用于智能问答的关键在于“语义计算”，具体为三点：
第一、 构建知识图谱
在构建知识图谱时，通过“语义计算”确定说明知识文本的含义；
第二、 理解问题
回答问题的前提是理解问题，通过“语义计算”确定问题的含义；
第三、 解答问题
在解答问题时，通过“语义计算”与知识图谱中的知识进行最优匹配。
2、知识图谱是“图”吗？
从字面上看，知识图谱是图，是知识结构图。对于少量知识，用图来表示知识结构更为清晰，容易理解，但Google是互联网搜索引擎公司，网页数量巨大，无法在一个屏幕上用图来表示知识结构，显然，简单地将“知识图谱”理解为“图”或“知识可视化”是片面的，Google 公司提出“知识图谱”目的是构建搜索引擎，而不是“知识可视化”，显示知识结构图。
3、知识图谱表达的是“知识结构关系”吗？
通常，所谓“图谱”，是用图的形式来表示某种事物关系结构，如“家谱”，表示家族关系结构。因此，知识图谱是“知识关系结构”，用图来表示为，由“节点”和“连线”（边）组成，“节点”为“知识”，“连线”（边）为“知识”之间的关系。
4、什么是知识图谱中的“知识”？
既然知识图谱表达的是“知识结构关系”，那么，什么是“知识”？
对汉字而言，一个“词”、甚至是一个“字”都有特定含义，都是“知识”。那么，一个“词”或一个“字”就是知识图谱中的“知识”吗？显然不是，因为，“字”或“词”存在多义性，在不同的语境下含义不同，仅看一个“字”或“词”不知道其具体含义是什么？必须用一段文字进行说明，配合一定的语境才可确定其具体含义。因此，从自然语言处理NLP来看，“知识”是一段文本说明的含义，对于互联网搜索引擎来说，是URL页面记载内容说明的含义 。
5、知识图谱是“语义网络”吗？
所谓“语义”是语言的含义，从自然语言处理NLP角度看，“知识”是一段自然语言文本所表达的含义。即便是数学，其中用数学符号语言（公式）来定义数学模型，但离开文字说明，人们也很难理解其含义。因此，对于计算机处理而言，“知识”是一段文本表达的含义，也可以说是“语义”。
用二维平面图来表示，知识图谱是由节点和连线做组成的网络图：
图（图-1）
一个“知识”是一个节点，可能与其他很多“知识”相关，在图上表现为有很多连接的边，由此形成复杂的连接网络。
因为，“知识”是一段文本说明的含义，所以说，是知识图谱是“语义网络”，是将诸多说明“知识”的文本进行“语义计算”后，组成的“语义网络”。
6、如何运用“语义计算”进行“知识节点”关联？
构建知识图谱的关键在于，如何确定知识之间的关联？因为，“节点”之间的“连线”表示为“知识”与“知识”之间存在关系，但是什么关系？关联度有多大？如何计算？这是构建知识图谱的重点。
（1）定性关系
在知识图谱中，“知识”之间的“关系”可以是一个简单的定性说明，仅仅是一个文本描述，如：父子关系、夫妻关系、业务关系、隶属关系等。在计算上，这样的关系是0,1二值关系，即为是否存在关系？什么关系？无需计算。
（2）定量关系
在自然界很多情况，一个“知识”与其他很多“知识”都有关系，关系有强弱之分。简单的0,1关系不足以表达关系的强弱，需要更详细的定量分析，计算“相关度”（或关联度）。对搜索引擎来说，“相关度”也就是搜索结果排序Page Rank；对“知识图谱搜索引擎”来说，“相关度”需要“语义计算”，也就是计算语言含义的相似度，因此，定量分析为根据“语义”的相似度，以此来确定知识之间的定量关系。
定义：
（1）设：K（X）为一个知识“节点”，是一段说明“知识”的文本；
（2）设：KR（X，Y）为知识 X与知识Y之间的关联度，在图中，为“知识”节点之间连线（边）的计算权重。
（3）设：相关度KR（X，Y）是一个0-1之间的数，0≤KR（X，Y）≤1=100%。
若，KR（X，Y）=0， 则，两个“知识”没有关系；
若，KR（X，Y）= 100%，则，两个“知识”相等；
若，KR（X，Y）≥80%， 则，两个“知识”相近，在具体应用时可以设定阀值，根据应用情况来设置。
虽然K（X）知识“节点”是一段说明“知识”的文本，但不能简单地用字符串比较来计算关联度KR（X，Y）。因为，文本的长度也不同，证人语言中有很多同义词或意思相近的词，因此，虽然文本长度不同、用词不同，但说明的内容相同或相近，所以，简单的字符串比较无法确定知识的相关性，而“内容相似度计算”可以解决“语义计算”问题，计算知识之间的关联度KR（X，Y）。
7、“知识本体”、“知识实体（实例）”、半结构化数据
（1）知识本体
所谓“知识本体”相当于关系数据库RDB中的表结构，是记录知识的结构，也就是用X维特征来描述“知识”。
（2）知识实体（实例）
所谓“知识实例”相当于关系数据库RDB中的记录，是一个独立的知识记录。
（3）半结构化数据
虽然知识可以存储为格式化记录，但知识记录并非关系数据库RDB中的结构化数据。因为，虽然“知识记录”有结构，但字段存放的是文本说明的内容，无法用字符串比较进行计算，无法用结构化查询语言SQL查询，因此，“知识记录”虽然有结构，但不是“结构化数据”，而是“半结构化数据”。
二、“语义计算”自动构建“知识图谱”
以下用一个实例来说明，如何利用“语义计算”来自动构建医药知识图谱，该实例可在华为应用商店，搜索“神机医药”进行下载。
在“神机医药”APP中，有“药品”和“病症”两类知识，在互联网上爬网页，每个“药品”、“病症”都是一个知识K（X），“药品”和“病症”存在以下4种关系：
“药品”对应的“病症”（药品治疗的病症）；
“病症”对应的“药品”（病症用什么药品治疗）；
“药品”相关的“药品”（可以治疗相同或相近疾病的药品）；
“病症”相关的“病症”（相似或相关的病症）；
通过“语义计算”，得到上述4种关系的相关度KR（X，Y），建立索引，由此完成自动构建 “医药知识图谱搜索引擎”，加上手机交互界面，形成“神机医药”APP。以下是具体步骤和方法。
1、抽取知识本体（实例），形成知识记录
构建知识图谱第一步是，定义“知识本体”，也就是根据知识的特点，定义存储知识记录的格式。
对同一类的知识K（X），可用多个维度来描述，在关系数据库RDB中也就是记录的字段变量：
例如，对“疾病”可有：症状、检验方法、治疗手段等字段；
例如，对“药品”可有：适应病症、用法、成分、副作用、禁忌、注意事项等。
可见，对于一类的知识本体，可用统一的格式来描述，形成格式化记录（知识实例），不同类型的知识，有不同格式的记录，在知识图谱中，每个K（X）知识节点，都是一个独立的知识记录。
2、知识记录
“神机医药”APP通过对自由格式网页处理，得到半结构化知识记录，其中包括两种知识本体：“药品”和“疾病”，有两种格式的知识记录，每个都是一条独立的“知识记录”。
（图-2）
3、计算相关性
用“内容相似度计算”，对“知识记录”进行相关性计算，得到“知识记录”之间的相关度KR（X，Y），也是“节点”之间的连接权重，是0 – 100%之间的小数。
4、非对称性
相关度KR（X，Y）具有非对称性，KR（X，Y）≠ KR（Y，X）。
也就是说，知识K（X）对知识K（Y）的关联度，与知识K（Y）对知识K（X）的关联度不同，需要单独计算。
5、构建“医药知识图谱”
通过“内容相似度计算”，得到“药品”、“疾病”知识记录的相关度，由此得到关系结构图（知识图谱）。
（图-3）
将关系结构图保存，组成倒排序索引，构成“医药知识图谱”的关系表。
6、知识网络KN
每个知识K（X），都可能与很多其他知识K（Y）相关，相关度KR（X，Y）>0的知识形成“知识网络”KN（Knowledge Network）。
例如：在“图-3”中，有4个知识网络KN（i），i=1,2,3,4：
知识1、知识3、知识7，具有相关性， KN（1） = {知识1，知识3，知识7}；
知识2、知识4、知识5，具有相关性， KN（2） = {知识2，知识4，知识5}；
知识3、知识8， 具有相关性， KN（3） = {知识3，知识8}；
知识4、知识6、知识7，具有相关性， KN（4） = {知识4，知识6，知识7}。
7、知识网络桥KNB
知识图谱最重要的用途是相似内容“推荐”，可根据知识之间的相关性进行智能化“推荐”，但这只能在一个“知识网络”KN（i）中进行，因为，只有在一个“知识网络”KN（i）中的知识节点具有“连线”，无法“推荐”其他“知识网络”KN（j）中的知识，由此形成了“知识壁垒”。
如何建立不同“知识网络”KN（i，j）之间的通道，打通“知识壁垒”？将不同的知识体系融会贯通，这就需要在各“知识网络”KN寻找通道。具体方法如下：
在各“知识网络”KN中，寻找相同的“知识”K（X），得到交集：
“知识交集”= KN（i）∩ KN( j )，
“知识交集”为不同“知识网络”KN（ i - j ）之间的连接“桥”，称之为“知识网络桥”KNB（Knowledge Network Bridge），KNB连接各个“知识网络”。
（图-4）
例如：在“图-3”中：
知识1、知识3、知识7，具有相关性， KN（1） = {知识1，知识3，知识7}；
知识2、知识4、知识5，具有相关性， KN（2） = {知识2，知识4，知识5}；
知识3、知识8， 具有相关性， KN（3） = {知识3，知识8}；
知识4、知识6、知识7，具有相关性， KN（4） = {知识4，知识6，知识7}。
KN 1与KN 3存在交集KN 1 ∩ KN 3 = {“知识3”}，KN 1与KN 3通过“知识3”进行连接，“知识3”是KN 1与KN 3连接的“桥”KNB（1-3）；
KN 2与KN 4存在交集KN 2 ∩ KN 4 = {“知识4”}，KN 2与KN 4通过“知识4”进行连接，“知识4”是KN 2与KN 4连接的“桥”KNB（2-4）。
8、知识融合
“知识网络桥”KNB连接不同的“知识”体系，因此，“知识网络桥”KNB可以打破“知识壁垒”，使不同体系的知识相互融会贯通。
科技领域很多重要进步，正是因为将其他“知识体系”的引入到本“知识体系”，推动技术进步。
9、知识系统组成知识神经元网络
首先，将众多分散、独立的“知识”连接起来，组成相互联通的“知识网络”KN。
其次，将众多的“知识网络”KN用“知识网络桥”KNB连接起来，组成“知识网络系统”KNS（Knowledge Network System），将分散的知识有机地连接起来，便于相关主题知识聚类和自动搜索。
在“知识网络系统”KNS中，每个问题的“解”都是一组“知识集合”组成的“知识网络”KN。
例如在通过“语义计算”，确定连接关系如下：
在这里插入图片描述
{ 药品1，药品2，病症3，病症5}关联，KN 1={ 药品1，药品2，病症3，病症5}；
{ 药品2，病症1、病症2、病症3}关联，KN 2={ 药品2，病症1，病症2，病症3}。
在KN 1、KN 2中，都存在“药品2”和“病症3”，交集：
KN 1 ∩ KN 2 = {“药品2”，“病症3”}，
KN 1与KN 2通过“药品2”、“病症3”进行关联，KNB={药品2、病症3}。
从KN 1与KN 2的关联可知，在看似相互独立的知识体系之间，存在复杂的关联。人类的知识系统是由众多相互连通的“知识网络”组成得多回路复杂的知识系统，由此构成“知识神经元网络”。而恰恰正是因为在独立的知识之间存在复杂的关联，因此，普通人不经过长期的强化训练，很难形成解决具体问题的系统知识。
三、知识图谱搜索
“神机医药”APP是基于“语义计算”构建的知识图谱搜索引擎，在网上搜集了：
15606条“药品”信息；
14172条“疾病”信息；
5756条“症状”信息；
12万条“问答”信息。
。由于爬取网页信息本身不规范，信息不规范，因此，没有进行完全的规范“知识本体”设计（知识格式化）。
1、“语义计算”
构建知识图谱的第一步是“语义计算”。
（1）“药品”与“疾病”相关性语义计算
通过对15606条“药品”说明书文本“语义计算”，抽取对应“疾病”的语义；再与14172条“疾病”信息文本、5756条“症状”信息文本进行“语义计算”，得到：
15606 X （14172 + 5756）个“药品”与“疾病”、“症状”的相关度。
（2）“药品”与“药品”相关性语义计算
通过对15606 条“药品”说明书文本的“语义计算”，抽取对应“疾病”的“语义”，分别与其他“药品”信息进行“语义计算”，得到：
15606 X（15606 -1）个“药品”的相关度。
（3）“疾病”与“疾病”相关性语义计算
通过对14172条“疾病”信息、5756条“症状”信息进行“语义计算”，得到：
（14172 + 5756）X （14172 + 5756 – 1 ）个“疾病”的相关度。
（4）“问答”与“药品”、“疾病”、“疾病”相关性语义计算
通过对12万条“问答”，与14172条“疾病”信息、15606条“药品”信息、5756条“症状”信息进行“语义计算”，得到：
12万X（14172+15606+5756）个“问答”与“药品”、“疾病”、“疾病”的相关度。
2、构建“语义网络”
通过上述“语义计算”，得到“药品与疾病”、“药品与药品”、“疾病与疾病”、“问答与药品、疾病”相关度，由此构成医药知识相关“语义网络”。
3、医药知识图谱“神机医药”APP
在华为应用商店，搜索“神机医药”进行下载APP，安装后，在手机桌面出现“神机医药”APP图标，点击图标，进入“神机医药”APP。
在这里插入图片描述
点击搜索框，进入搜索页面，
在这里插入图片描述
选择“药品”或“疾病”，在搜索框内输入查询的关键词（或选择历史搜索关键词），搜索包含关键词的“药品”或“疾病”。
如，选择“药品”，在搜索框内输入“干眼症”， 搜索出“知识记录”文本中，包含“干眼症”的药品，
在这里插入图片描述
如，选择“卡波姆滴眼液”，屏幕上显示详细信息，
在这里插入图片描述
上面显示“相关药品”（关联药品）、“相关疾病”（该药品治疗的疾病）。这是通过“语义计算”得到“药品”与“药品”之间的相关性，确定了“卡波姆滴眼液”与其他“药品”的相关度。
点击“相关药品”，
在这里插入图片描述
屏幕上出现与其相关的药品，其中，“复方门冬维甘滴眼液”、“七叶洋地黄双苔滴眼液”、“维生素C”、“鱼肝油”等，都是与“卡波姆滴眼液”治疗病症相关的药品。
点击“相关问答”，屏幕出现：
在这里插入图片描述
四、智能问答
1、目前的“智能问答”
目前在各大“电商”网站上看到的所谓“智能问答”，其实没有任何“智能”，都是模式化问答。事先准备“问题”和匹配的“答案”，用户选择事先准备好的问题，计算机给出实现准备好的答案，没有任何智能而言。
2、“语义计算 - 知识图谱”与“智能问答”
“语义计算 – 知识图谱”不同于各大“电商”网站上的自动问答。从“神机医药”APP可以看出，与现在各大“电商”网站上所谓的“智能问答”比较，存在以下区别：
（1）问题
目前，各大“电商”网站上所谓的“智能问答”没有任何“智能”而言，其中的“问题”，都是针对用户经常提问问题的整理、归纳，而用户提出的问题五花八门，如果不是事先准备好的提问，“智能问答”无法进行回答。
“神机医药”上搜集了12万个医生问答，但并没有像“电商”网站上所谓的“智能问答”给出12万个“提问”，而是根据用户当前阅读浏览的内容（语义），通过“知识图谱”，自动地给出相关的问答。
（2）答案
虽然搜集的12万个医生问答，都是医生根据用户的提问所做的回答，是“一对一”的问答，但“神机医药”通过对医生回答进行“语义计算”，抽取“语义”，再通过“语义计算”与“药品”、“疾病”、“症状”描述文本进行“语义计算”，得到相关性，可以将12万“医生回答”应用到：15606条“药品”、14172条“疾病”和5756条“症状”中，计算机可以自动回答提问的任何问题，而不是“一对一解答问题”。
从“神机医药”可以看出，“语义计算 - 知识图谱”可以做到真正的“智能问答”，无需实现准备模式化的提问、也无需事先指定回答，“知识图谱搜索引擎”可根据提问的只言片语（关键词），给出回答问题的“解集合”，再通过“知识图谱”的语义计算得到的“相关度”，迅速在现有回答知识中，最符合问题的回答。
六、结束语
《神机医药》app，通过“语义计算”，形成“语义网络”，进一步通过“知识网络桥”KNB打通不同“语义网络”，构建知识图谱搜索引擎。改变了传统“关键词搜索引擎”的结构，将用户输入关键词的搜索引擎“被动搜索”，变成了知识图谱的“主动搜索”，大幅度搜索提高了搜索效率，使搜索引擎更加“智能化”。
在“智能问答”方面，“知识图谱”可以根据语义计算，快速、动态地寻找最优答案，准确回答用户提出的问题。

欢迎使用Markdown编辑器

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

  1. 全新的界面设计 ，将会带来全新的写作体验；
  2. 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
  3. 增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
  4. 全新的 KaTeX数学公式 语法；
  5. 增加了支持甘特图的mermaid语法1 功能；
  6. 增加了 多屏幕编辑 Markdown文章功能；
  7. 增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
  8. 增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

删除文本

引用文本

H2O is是液体。

210 运算结果是 1024.

插入链接与图片

链接: link.

图片: Alt

带尺寸的图片: Alt

居中的图片: Alt

居中并且带尺寸的图片: Alt

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

  • 项目
    • 项目
      • 项目
  1. 项目1
  2. 项目2
  3. 项目3
  • 计划任务
  • 完成任务

创建一个表格

一个简单的表格是这么创建的：

项目 Value
电脑 $1600
手机 $12
导管 $1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列 第二列 第三列
第一列文本居中 第二列文本居右 第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE ASCII HTML
Single backticks 'Isn't this fun?' ‘Isn’t this fun?’
Quotes "Isn't this fun?" “Isn’t this fun?”
Dashes -- is en-dash, --- is em-dash – is en-dash, — is em-dash

创建一个自定义列表

Markdown
Text-to-HTML conversion tool
Authors
John
Luke

如何创建一个注脚

一个具有注脚的文本。2

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 Γ(n)=(n−1)!∀n∈N\Gamma(n) = (n-1)!\quad\forall n\in\mathbb N 是通过欧拉积分

Γ(z)=∫0∞tz−1e−tdt . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

Mon 06Mon 13Mon 20已完成 进行中 计划一 计划二 现有任务Adding GANTT diagram functionality to mermaid
  • 关于 甘特图 语法，参考 这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

张三李四王五你好！李四, 最近怎么样?你最近怎么样，王五？我很好，谢谢!我很好，谢谢!李四想了很长时间,文字太长了不适合放在一行.打量着王五...很好... 王五, 你怎么样?张三李四王五

这将产生一个流程图。:

链接
长方形
圆
圆角长方形
菱形
  • 关于 Mermaid 语法，参考 这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

Created with Raphaël 2.2.0开始我的操作确认？结束yesno
  • 关于 Flowchart流程图 语法，参考 这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

  1. mermaid语法说明 ↩︎

  2. 注脚的解释 ↩︎

标签
知识图谱
药品
易学教程内所有资源均来自网络或用户发布的内容，如有违反法律规定的内容欢迎反馈！
该文章没有解决你所遇到的问题?点击提问,说说你的问题,让更多的人一起探讨吧!