如何自己免费做网站南宁seo推广服务

如何自己免费做网站,南宁seo推广服务,网站流量跟钱的关系,图片设计软件有哪些基于知识图谱深度学习的大数据NLP医疗知识问答可视化系统#xff08;全网最详细讲解及源码/建议收藏#xff09;一、项目概述二、实现知识图谱的医疗知识问答系统基本流程三、项目工具所用的版本号四、所需要软件的安装和使用五、系统实现数据的抓取与存储贪心算法策略知识图…基于知识图谱深度学习的大数据NLP医疗知识问答可视化系统全网最详细讲解及源码/建议收藏一、项目概述二、实现知识图谱的医疗知识问答系统基本流程三、项目工具所用的版本号四、所需要软件的安装和使用五、系统实现数据的抓取与存储贪心算法策略知识图谱实体类型实体关系类型知识图谱属性类型医疗问答KBQA查询功能表六、 构建neo4j知识图谱知识图谱建模实体识别和定义关系抽取和定义关系类型定义七、知识图谱数据入库问答系统支持的问答类型Aho-Corasick算法八、基于Cypher查询节点属性查询节点ID查询查询所有节点及其关系指定关系类型的查询限制结果数量通过节点关系查询九、项目启动实现方法与步骤知识图谱问答系统UI设计十、封装深度学习完整系统非开源——基于BERTLSTMCRF深度学习识别模型医疗知识图谱问答可视化系统十一、用Python实现增删改查 数据查询及维护用Python实现增加节点用Python实现修改节点用Python实现删除节点用Python实现查询节点十二、结语(项目源码及资料等)一、项目概述知识图谱是将知识连接起来形成的一个网络。由节点和边组成节点是实体边是两个实体的关系节点和边都可以有属性。知识图谱除了可以查询实体的属性外还可以很方便的从一个实体通过遍历关系的方式找到相关的实体及属性信息。基于知识图谱flask的KBQA医疗问答系统基于医疗方面知识的问答通过搭建一个医疗领域知识图谱并以该知识图谱完成自动问答与分析服务。 基于知识图谱flask的KBQA医疗问答系统以neo4j作为存储本系统知识图谱建模使用的最大向前匹配是一种贪心算法从句首开始匹配每次选择最长的词语。由于只需一次遍历因此在速度上相对较快。 算法相对简单容易实现和理解不需要复杂的数据结构。 对于中文文本中大部分是左向的情况最大向前匹配通常能够较好地切分。与最大向前匹配相反最大向后匹配从句尾开始匹配每次选择最长的词语。适用于大部分右向的中文文本。双向最大匹配结合了最大向前匹配和最大向后匹配的优势从两个方向分别匹配然后选择分词数量较少的一种结果。这种方法综合考虑了左向和右向的特点提高了切分的准确性以关键词执行cypher查询并返回相应结果查询语句作为问答。后面我又设计了一个简单的基于 Flask 的聊天机器人应用利用nlp自然语言处理通过医疗AI助手根据用户的问题返回结果用户输入和系统返回的输出结果都会一起自动存储到sql数据库。后面又封装了深度学习模型完成一个完整知识图谱问答可视化系统。具体详情见另一篇文章大数据知识图谱之深度学习——基于BERTLSTMCRF深度学习识别模型医疗知识图谱问答可视化系统在多模式匹配方面 Aho-Corasick算法专门用于在一个文本中同时搜索多个模式关键词。相比于暴力搜索算法Aho-Corasick算法的时间复杂度较低在本知识图谱建模问答系统中性能更为显著。在线性时间复杂度方面进行预处理的阶段Aho-Corasick算法构建了一个确定性有限自动机DFA使得在搜索阶段的时间复杂度为O(n)其中n是待搜索文本的长度。这种线性时间复杂度使得算法在本应用中非常高效。在灵活性方面 Aho-Corasick算法在构建有限自动机的过程中可以方便地添加、删除模式串而不需要重新构建整个数据结构提高了算法的灵活性和可维护性。在医疗领域中针对与医疗相关的疾病、症状、药物、问诊等内容进行系统性的内容定义也能够通过命名实体识别来对药剂、价格、收款等内容进行定义这种定义的方式可以通过精准匹配的方式来进行实体边界的识别并且可以实现对边界的正确标记。命名实体识别的方法主要有三种方式第一种是通过利用规则法来进行规则的人工编写第二种是通过HMM、CRF等模型来进行机器学习模板订制第三种是通过神经网络的方式以LSTM、RNN等算法来进行特征的提取。二、实现知识图谱的医疗知识问答系统基本流程配置好所需要的环境jdk,neo4j,pycharm,python等爬取所需要的医学数据获取所需基本的医疗数据。对医疗数据进行数据清洗处理。基于贪心算法进行分词策略。关系抽取定义与实体识别。知识图谱建模。基于Aho-Corasick算法进行多模式匹配。设计一个基于 Flask 的聊天机器人AI助手。设计用户输入和系统输出记录数据自动存储到sql数据库。封装深度学习模型完整系统——基于BERTLSTMCRF深度学习识别模型医疗知识图谱问答可视化系统三、项目工具所用的版本号Neo4j版本Neo4j Desktop1.4.15;neo4j里面医疗系统数据库版本4.4.5;Pycharm版本2021;JDK版本jdk1.8.0_211;MongoDB版本MongoDB-windows-x86_64-5.0.14;flask版本3.0.0Django版本3.2.3四、所需要软件的安装和使用(一)安装JAVA1.下载java安装包官网下载链接https://www.oracle.com/java/technologies/javase-downloads.html本人下载的版本为JDK-1.8,JDK版本的选择一定要恰当版本太高或者太低都可能导致后续的neo4j无法使用。安装好JDK之后就要开始配置环境变量了。 配置环境变量的步骤如下右键单击此电脑—点击属性—点击高级系统设置—点击环境变量在下方的系统变量区域新建环境变量命名为JAVA_HOME变量值设置为刚才JAVA的安装路径我这里是C:\Program Files\Java\jdk1.8.0_211编辑系统变量区的Path点击新建然后输入 %JAVA_HOME%\bin打开命令提示符CMDWINR,输入cmd)输入 java -version若提示Java的版本信息则证明环境变量配置成功。2.安装好JDK之后就可以安装neo4j了2.1 下载neo4j官方下载链接https://neo4j.com/download-center/#community也可以直接下载我上传到云盘链接Neo4j Desktop Setup 1.4.15.exe链接https://pan.baidu.com/s/1eXw0QjqQ9nfpXwR09zLQHA?pwd2023提取码2023打开之后会有一个自己设置默认路径可以根据自己电脑情况自行设置然后等待启动就行了打开之后我们新建一个数据库名字叫做“基于医疗领域的问答系统”详细信息看下图:数据库所用的是4.4.5版本其他数据库参数信息如下五、项目结构整体目录├──pycache\\编译结果的保存目录│ │ ├── answer_search.cpython-39.pyc│ │ ├── question_classifier.cpython-39.pyc│ │ │── 基于问句解析.cpython-39.pyc│ │ │── 基于问句解析结果查询.cpython-39.pyc│ │ │── 基于问题分类.cpython-39.pyc├── data\本项目的数据│ └── medical.json \本项目的数据通过build_medicalgraph.py导neo4j├── dict│ ├── check.txt \诊断检查项目实体库│ ├── deny.txt \否定词词库│ ├── department.txt \医疗科目实体库│ ├── disease.txt \疾病实体库│ ├── drug.txt \药品实体库│ ├── food.txt \食物实体库│ ├── producer.txt \在售药品库│ └── symptom.txt \疾病症状实体库├── prepare_data \爬虫及数据处理│ ├──__pycache__│ ├── build_data.py \数据库操作脚本│ ├── data_spider.py \网络资讯采集脚本│ └── max_cut.py \基于词典的最大向前/向后脚本│ ├── 处理后的medical数据.xlsx│ ├── MongoDB数据转为json格式数据文件.py│ ├──从MongoDB导出的medical.csv│ ├──data.json #从MongoDB导出的json格式数据├── static \静态资源文件├── templates│ ├──index.html \问答系统前端UI页面├── app.py \启动flask问答AI脚本主程序├── question_classifier.py \问句类型分类脚本├── answer_search.py \基于问题答复脚本├── build_medicalgraph.py \构建医疗图谱脚本├── chatbot_graph.py \医疗AI助手问答系统机器人脚本├── question_parser.py [\基于问句解析脚本](file://基于问句解析脚本)├── 删除所有关系.py \可有可无的脚本文件├── 删除关系链.py \可有可无的脚本文件├── 两节点新加关系.py \可有可无的脚本文件├── 交互 匹配所有节点.py \可有可无的脚本文件这里chatbot_graph.py脚本首先从需要运行的chatbot_graph.py文件开始分析。该脚本构造了一个问答类ChatBotGraph定义了QuestionClassifier类型的成员变量classifier、QuestionPase类型的成员变量parser和AnswerSearcher类型的成员变量searcher。question_classifier.py脚本构造了一个问题分类的类QuestionClassifier定义了特征词路径、特征词、领域actree、词典、问句疑问词等成员变量。question_parser.py问句分类后需要对问句进行解析。该脚本创建一个QuestionPaser类该类包含三个成员函数。answer_search.py问句解析之后需要对解析后的结果进行查询。该脚本创建了一个AnswerSearcher类。与build_medicalgraph.py类似该类定义了Graph类的成员变量g和返回答案列举的最大个数num_list。该类的成员函数有两个一个查询主函数一个回复模块。问答系统框架的构建是通过chatbot_graph.py、answer_search.py、question_classifier.py、question_parser.py等脚本实现。五、系统实现数据的抓取与存储安装MongoDB数据库MongoDB官方下载地址https://www.mongodb.com/try安装完成然后我们进行MongoDB的环境配置在变量Path里加入E:\MongoDB\bin打开终端cmd输入mongod --dbpath E:\MongoDB\data\db在浏览器输入127.0.0.1:27017查看MongoDB服务是否启动成功安装好MongoDB之后开始爬取数据数据来源于寻医问药网http://jib.xywy.com/具体的疾病详情页面如下首先对网址上的疾病链接进行分析以感冒为例感冒的链接http://jib.xywy.com/il_sii_38.htm可以看到上面包含了疾病的简介、病因、预防、症状、检查、治疗、并发症、饮食保健等详情页的内容。下面我们要使用爬虫把信息收集起来。要收集 url 下面对应的数据具体爬虫代码如下之前老版本的insert方法被弃用再用会出现警告。insert 替换为了 insert_one这样就不会再收到关于 insert 方法被弃用的警告了。基于寻医问药的医疗数据采集# 使用 insert_one 或 insert_many 方法。提供了更多的灵活性并且支持更多的功能比如插入后返回的文档的 _id 值。class MedicalSpider: def __init__(self): self.connpymongo.MongoClient()self.dbself.conn[medical2]self.colself.db[data]def insert_data(self, data):# 使用 insert_one 方法插入单个文档self.col.insert_one(data)根据url,请求html用于获取指定 URL 的 HTML 内容的函数使用了 Python 的 requests 库。在这个代码中设置请求的头部信息User-Agent代理信息proxies然后使用requests.get方法获取页面内容并指定了编码为 ‘gbk’。根据url,请求html def get_html(self,url): headers{user-agent:Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/69.0.3497.100 Safari/537.36}proxies{http:None,https:None}htmlrequests.get(urlurl,headersheaders,proxiesproxies)html.encodinggbkreturnhtml.text爬取医疗相关的信息包括疾病描述、疾病预防、疾病症状、治疗方法等。url_parser函数def url_parser(self, content): selectoretree.HTML(content)urls[http://www.anliguan.com iforiinselector.xpath(//h2[classitem-title]/a/href)]returnurlsurl_parser函数函数的作用是解析传入的 HTML 内容提取出页面中疾病相关的链接。具体来说etree.HTML(content): 使用 lxml 库中的 etree 模块将 HTML 内容转换成可被 XPath 解析的对象。selector.xpath(//h2[classitem-title]/a/href): 使用 XPath 选择器提取所有h2标签中class属性为item-title的子节点a的href属性得到的是一组相对链接。[http://www.anliguan.com i for i in ...]: 将相对链接转换成完整的链接拼接在http://www.anliguan.com前面。这个函数的作用是解析传入的 HTML 内容提取出页面中疾病相关的链接。具体来说spider_main函数是主要的爬虫逻辑循环遍历页面爬取不同类型的医疗信息并将结果存储到数据库中url解析 def url_parser(self,content):selectoretree.HTML(content)urls[http://www.anliguan.comiforiinselector.xpath(//h2[classitem-title]/a/href)]returnurls主要的爬取的链接 def spider_main(self):# 收集页面forpageinrange(1,11000): try:basic_urlhttp://jib.xywy.com/il_sii/gaishu/%s.htm%page# 疾病描述cause_urlhttp://jib.xywy.com/il_sii/cause/%s.htm%page# 疾病起因prevent_urlhttp://jib.xywy.com/il_sii/prevent/%s.htm%page# 疾病预防symptom_urlhttp://jib.xywy.com/il_sii/symptom/%s.htm%page#疾病症状inspect_urlhttp://jib.xywy.com/il_sii/inspect/%s.htm%page# 疾病检查treat_urlhttp://jib.xywy.com/il_sii/treat/%s.htm%page# 疾病治疗food_urlhttp://jib.xywy.com/il_sii/food/%s.htm% page# 饮食治疗drug_urlhttp://jib.xywy.com/il_sii/drug/%s.htm% page#药物basic_url、symptom_url、food_url、drug_url和cause_url是根据page变量构建的不同 URL 地址用于访问和爬取不同类型信息的网页。-data是一个字典用于存储从不同 URL 中获取的数据。2. 对不同 URL 进行爬取和信息提取-data[basic_info] self.basicinfo_spider(basic_url)调用basicinfo_spider方法从basic_url获取基础信息并将其存储在data字典的basic_info键下。-data[symptom_info] self.symptom_spider(symptom_url)类似地获取症状信息并存储在symptom_info键下。-data[food_info] self.food_spider(food_url)获取饮食信息并存储在food_info键下。-data[drug_info] self.drug_spider(drug_url)获取药物信息并存储在drug_info键下。-data[cause_info] self.cause_spider(cause_url)获取病因信息并存储在cause_info键下。3. 打印和数据库存储-print(page, basic_url)打印当前页面和基础 URL用于调试和跟踪程序执行过程。-print(data)打印从不同 URL 获取的数据同样用于调试和查看程序执行结果。-self.col.insert_one(data)将获取的数据存入 MongoDB 数据库中。4. 异常处理-except Exception as e:捕获所有类型的异常并将异常对象赋值给变量e。-print(e, page)在捕获到异常时打印异常信息和页面信息以便于调试和追踪出错的原因。data{}data[url]basic_url data[basic_info]self.basicinfo_spider(basic_url)data[cause_info]self.common_spider(cause_url)data[prevent_info]self.common_spider(prevent_url)data[symptom_info]self.symptom_spider(symptom_url)data[inspect_info]self.inspect_spider(inspect_url)data[treat_info]self.treat_spider(treat_url)data[food_info]self.food_spider(food_url)data[drug_info]self.drug_spider(drug_url)print(page, basic_url)self.col.insert_one(data)except Exception as e: print(e,page)需要爬取的信息包括疾病名、所属目录、症状、治疗方案等等都可以从页面上获取。MongoDB里面的数据也是刷新显示最新数据记录我们随便点一个我们爬取的网页链接点击查看网页详情综上内容所述这里做一个总结这里代码爬虫的主要功能是爬取疾病相关的信息并将数据存储到MongoDB数据库中。代码的主要结构是一个名为MedicalSpider的类它包含了各种方法来处理不同类型的数据采集任务。在代码的开头导入了一些必要的库如requests、urllib、lxml和pymongo。然后定义了一个MedicalSpider类该类的构造函数初始化了MongoDB的连接并指定了要使用的数据库和集合。接下来是一系列方法用于实现不同类型的数据采集。其中get_html方法用于发送HTTP请求并获取网页的HTML内容。url_parser方法用于解析HTML内容提取出需要的URL。basicinfo_spider方法用于解析疾病的基本信息如名称、描述和所属目录。treat_spider、drug_spider和food_spider方法分别用于解析治疗信息、药物信息和食物信息。symptom_spider方法用于解析疾病的症状信息。inspect_spider方法用于解析疾病的检查信息。common_spider方法用于解析通用模块下的内容如疾病预防和疾病起因。在spider_main方法中通过循环遍历页面构造不同类型的URL并调用相应的方法进行数据采集。采集到的数据以字典的形式存储并插入到MongoDB数据库中。最后代码调用了MedicalSpider类的实例并依次调用了inspect_crawl和spider_main方法完成了数据的采集和存储。通过爬取寻医问药网站的相关页面获取疾病的基本信息、治疗信息、药物信息、食物信息、症状信息和检查信息并将数据存储到MongoDB数据库中。结束之后我们可以在MongoDB数据库中查看我们爬取到的疾病链接和解析出的网页内容贪心算法策略贪心算法又称贪婪算法是指在对问题求解时总是做出在当前看来是最好的选择。也就是说不从整体最优上加以考虑他所做出的仅是在某种意义上的局部最优解。贪心算法不是对所有问题都能得到整体最优解但对范围相当广泛的许多问题他能产生整体最优解或者是整体最优解的近似解。贪婪算法(Greedy algorithm)是一种对某些求最优解问题的更简单、更迅速的设计技术。用贪婪法设计算法的特点是一步一步地进行常以当前情况为基础根据某个优化测度作最优选择而不考虑各种可能的整体情况它省去了为找最优解要穷尽所有可能而必须耗费的大量时间它采用自顶向下以迭代的方法做出相继的贪心选择每做一次贪心选择就将所求问题简化为一个规模更小的子问题通过每一步贪心选择可得到问题的一个最优解虽然每一步上都要保证能获得局部最优解但由此产生的全局解有时不一定是最优的所以贪婪法不要回溯。贪婪算法是一种改进了的分级处理方法。其核心是根据题意选取一种量度标准。然后将这多个输入排成这种量度标准所要求的顺序按这种顺序一次输入一个量。如果这个输入和当前已构成在这种量度意义下的部分最佳解加在一起不能产生一个可行解则不把此输入加到这部分解中。这种能够得到某种量度意义下最优解的分级处理方法称为贪婪算法。对于一个给定的问题往往可能有好几种量度标准。初看起来这些量度标准似乎都是可取的但实际上用其中的大多数量度标准作贪婪处理所得到该量度意义下的最优解并不是问题的最优解而是次优解。因此选择能产生问题最优解的最优量度标准是使用贪婪算法的核心。这里是用于中文分词的工具类名为CutWords。它实现了最大向前匹配、最大向后匹配和双向最大匹配三种分词算法。在类的构造函数中它首先初始化了一个词典路径并调用load_words方法加载词典。load_words方法读取词典文件将词语存储到一个列表中并记录词语的最大长度。max_forward_cut方法实现了最大向前匹配算法。它从左向右遍历待切分的中文句子根据词典中的词语进行匹配。如果匹配成功则将匹配的词语作为一个词切分出来。如果没有匹配成功则按字符切分。最后返回切分结果。max_backward_cut方法实现了最大向后匹配算法。它从右向左遍历待切分的中文句子根据词典中的词语进行匹配。如果匹配成功则将匹配的词语作为一个词切分出来。如果没有匹配成功则按字符切分。最后将切分结果倒序返回。max_biward_cut方法实现了双向最大匹配算法。它先调用max_forward_cut方法和max_backward_cut方法分别得到正向和逆向的切分结果。然后根据启发式规则比较两种切分结果决定正确的分词方法。如果正向和逆向的切分结果词数不同则选择词数较少的那个。如果词数相同则根据单字数量选择切分结果。双向最大匹配法是将正向最大匹配法得到的分词结果和逆向最大匹配法得到的结果进行比较,从而决定正确的分词方法。启发式规则:1.如果正反向分词结果词数不同,则取分词数量较少那个;2.如果分词结果词数相同:a.分词结果相同,说明没有歧义,可以返回任意一个结果;b.分词结果不同,返回其中单字较少的那个。在最大向前匹配和最大向后匹配中算法会从待切分的汉语句的左侧或右侧开始每次选择当前位置开始的最长匹配字段然后移动到下一个未匹配的位置。这个过程一直进行直到整个句子被切分完毕。在双向最大向前匹配中先使用最大向前匹配和最大向后匹配分别得到两组分词结果然后根据一定的启发式规则来确定最终的分词结果。这种方法可以一定程度上解决中文分词中的歧义问题。总体来说最大匹配法是一种贪心算法它每次选择当前位置的最长匹配字段希望通过局部最优的选择达到整体的最优结果。然后我们运行build_data.py脚本通过collect_medical函数完成数据的收集整理工作。再将整理好的数据重新存入数据库中。在init文件里配置数据库连接找到当前文件所在的目录指定连接的数据库及其下面的collection。再利用python脚本导出爬出的医疗数据并设置格式为data.json格式文件处理数据后对应的图谱系统数据关键词将从MongoDB导出的data.json数据格式处理之后保存为medical.json和medical2.json文件其中medical2.json为medical.json中的部分数据。考虑到构建全部知识图谱需要很久所以取出一部分数据medical2.json先进行构建图谱。处理后结构化的数据保存到excel文件:3所搭建的系统框架包括知识图谱实体类型实体关系类型知识图谱属性类型等。知识图谱实体类型一般来说一个医疗知识图谱问答系统Schema包括以下几个部分实体指代医疗领域中的具体概念或对象如药品、疾病、症状等。属性指代实体的特征或描述如药品的成分、剂型、适应症等。关系指代实体之间的联系或影响如疾病与药物的治疗关系、食物的忌吃关系等。问题指代用户对医疗领域的信息需求如“高血压应该吃什么药”、“感冒有哪些常见的症状”等。答案指代针对问题的回复或解释如“高血压可以服用降压药物如氨氯地平片、硝苯地平片等。”、“感冒常见的症状有发热、咳嗽、流鼻涕等。”等。departments[]#科室diseases[]# 疾病drugs[]# 药品foods[]# 食物producers[]#药品大类symptoms[]#症状实体关系类型# 构建节点实体关系共11类medical2做出来的只有10类因为数据量少rels_department[]rels_noteat[]# 疾病忌吃食物关系rels_doeat[]# 疾病宜吃食物关系rels_recommandeat[]# 疾病推荐吃食物关系rels_commonddrug[]# 疾病通用药品关系rels_recommanddrug[]# 疾病热门药品关系rels_check[]# 疾病检查关系rels_drug_producer[]# 厂商药物关系rels_symptom[]#疾病症状关系rels_acompany[]# 疾病并发关系rels_category[]# 疾病与科室之间的关系知识图谱属性类型医疗问答KBQA查询功能表4导入Neo4j数据库生成图谱。新建一个数据库基于医疗领域的问答系统六、 构建neo4j知识图谱开启Node4j数据库:连接数据库 通过bolt协议数据传输更快对绝对路径进行拼接 获取json文件路径 这里使用的Json为部分数据量这里数据txt和json格式都有我们用json就可以了。连接我们所建的neo4j数据库知识图谱建模在数据库中构建了三元组并且这些三元组形成了结构化的数据关系进行知识图谱建模。知识图谱是一种用于表示和组织实体、属性和它们之间关系的图形结构。三元组Subject, Predicate, Object是知识图谱中的基本构建块每个三元组都可以被看作是一个图中的边连接两个节点实体。这些节点和边的组合形成了一个图其中节点表示实体边表示实体之间的关系。这种方式可以用于构建一个基本的知识图谱。具体以下几个方面实体Entities 你的数据库中的记录是知识图谱中的实体。每个实体对应于一个节点。属性Properties 数据库中的字段可以被视为实体的属性。这些属性可以形成连接实体的边。关系Relationships 三元组中的谓词Predicate对应于实体之间的关系。关系连接两个实体。本体Ontology 如果你想要对实体和关系进行更详细的定义和注释可以考虑使用本体。实体识别和定义节点类型的定义checks, departments, diseases, drugs, foods, producers, symptoms: 这些都是不同类型的节点代表了医学领域中的检查、科室、疾病、药品、食物、药品大类和症状等实体。实体属性的定义name: 疾病的名称。desc: 描述疾病的属性。prevent: 预防措施。cause: 引起疾病的原因。easy_get: 疾病容易发生的原因或情况。cure_department: 治疗疾病的科室。cure_way: 治疗方式。cure_lasttime: 治疗持续时间。symptom: 疾病的症状。cured_prob: 治愈概率。关系抽取和定义关系抽取症状关系抽取pythonifsymptomindata_json:symptomsdata_json[symptom]*# 组合症状列表*forsymptomindata_json[symptom]:rels_symptom.append([disease,symptom])*# 对于每个症状建立一个疾病——症状的关系*\1. 如果数据中包含了关于症状的信息symptom’字段则将这些症状添加到症状列表中并为每个症状建立一个与当前疾病相关的关系。并发症关系抽取pythonifacompanyindata_json:foracompanyindata_json[acompany]:rels_acompany.append([disease,acompany])*# 建立一个疾病——伴随疾病的关系*\2. 如果数据中包含了关于并发症的信息acompany’字段则为每个并发症建立一个与当前疾病相关的关系。其他属性关系抽取pythonifdescindata_json:disease_dict[desc]data_json[desc]*# 定义疾病描述为属性而非关系**# 类似地处理预防、原因、发病率、易感人群等属性*\3. 对于疾病的描述、预防方法、引起原因、发病率、易感人群等信息将其作为疾病节点的属性而非建立关系。治疗科室关系抽取pythonifcure_departmentindata_json:cure_departmentdata_json[cure_department]**if**len(cure_department)1:rels_category.append([disease,cure_department[0]])*# 只有一个科室的情况***if**len(cure_department)2:bigcure_department[0]*# 大科室*smallcure_department[1]*# 细分小科室*rels_department.append([small,big])*# 提取科室——科室关系*rels_category.append([disease,small])*# 提取疾病——科室关系*disease_dict[cure_department]cure_department departmentscure_department\4. 如果数据中包含了关于治疗科室的信息cure_department’字段则根据科室的数量建立疾病与科室之间的关系。如果只有一个科室建立疾病与该科室的关系如果有两个科室建立疾病与细分小科室的关系同时提取科室之间的关系。治疗途径关系抽取pythonif ‘cure_way’indata_json:disease_dict[‘cure_way’] data_json[‘cure_way’]# 治疗途径作为疾病节点的属性\5. 如果数据中包含了关于治疗途径的信息cure_way’字段则将其作为疾病节点的属性而非建立关系。这段代码主要通过判断JSON数据中是否包含特定字段从而提取与疾病相关的信息并构建了疾病知识图谱的关系。关系主要包括症状、并发症、治疗科室等方面而属性则包括疾病的描述、预防方法、引起原因、发病率、易感人群以及治疗途径等。ifcure_lasttimeindata_json:disease_dict[cure_lasttime]data_json[cure_lasttime]#治疗时间ifcured_probindata_json:disease_dict[cured_prob]data_json[cured_prob]#治愈概率ifcommon_drugindata_json:common_drugdata_json[common_drug]#常用药物fordrugincommon_drug:rels_commonddrug.append([disease,drug])#提取疾病——药物的关系drugscommon_drugifrecommand_drugindata_json:recommand_drugdata_json[recommand_drug]#推荐药物drugsrecommand_drugfordruginrecommand_drug:rels_recommanddrug.append([disease,drug])#提取疾病——推荐药物的关系ifnot_eatindata_json:not_eatdata_json[not_eat]#不能吃的食物for_notinnot_eat:rels_noteat.append([disease,_not])#提取疾病——不能吃的食物的关系foodsnot_eat do_eatdata_json[do_eat]#可以吃的食物for_doindo_eat:rels_doeat.append([disease,_do])#提取疾病——能吃的食物的关系foodsdo_eat recommand_eatdata_json[recommand_eat]#推荐吃的食物for_recommandinrecommand_eat:rels_recommandeat.append([disease,_recommand])#提取疾病——推荐吃的食物的关系foodsrecommand_eatifcheckindata_json:checkdata_json[check]#检查项一个疾病对应多个检查for_checkincheck:rels_check.append([disease,_check])#提取疾病——检查项的关系checkscheckifdrug_detailindata_json:drug_detaildata_json[drug_detail]#药物详细信息producer[i.split(()[0]foriindrug_detail]rels_drug_producer[[i.split(()[0],i.split(()[-1].replace(),)]foriindrug_detail]producersproducer disease_infos.append(disease_dict)#添加疾病信息list上面代码段主要涉及疾病相关的信息和与之相关的关系抽取。下面是对每个条件的详细分析*治疗时间和治愈概率关系抽取*\6. 如果 cure_lasttime 在 data_json 中将其值存储到 disease_dict[‘cure_lasttime’] 中表示疾病的治疗时间。\7. 如果 cured_prob 在 data_json 中将其值存储到 disease_dict[‘cured_prob’] 中表示疾病的治愈概率。*常用药物和推荐药物关系抽取*\8. 如果 common_drug 在 data_json 中遍历每个药物将疾病和药物的关系存储在 rels_commonddrug 列表中并将药物添加到 drugs 中。\9. 如果 recommand_drug 在 data_json 中遍历每个药物将疾病和药物的关系存储在 rels_recommanddrug 列表中并将药物添加到 drugs 中。*食物与疾病关系抽取*\10. 如果 not_eat 在 data_json 中遍历不能吃的食物将疾病和食物的关系存储在 rels_noteat 列表中并将食物添加到 foods 中。\11. 如果 do_eat 在 data_json 中遍历可以吃的食物将疾病和食物的关系存储在 rels_doeat 列表中并将食物添加到 foods 中。\12. 如果 recommand_eat 在 data_json 中遍历推荐吃的食物将疾病和食物的关系存储在 rels_recommandeat 列表中并将食物添加到 foods 中。*检查项与疾病关系抽取*\13. 如果 check 在 data_json 中遍历每个检查项将疾病和检查项的关系存储在 rels_check 列表中并将检查项添加到 checks 中。*药物详细信息中的生产商关系抽取*\14. 如果 drug_detail 在 data_json 中通过对每个药物详细信息的处理提取生产商信息将疾病和生产商的关系存储在 rels_drug_producer 列表中并将生产商信息添加到 producers 中。returnset(drugs),set(foods),set(checks),set(departments),set(producers),set(symptoms),set(diseases),disease_infos,\ rels_check,rels_recommandeat,rels_noteat,rels_doeat,rels_department,rels_commonddrug,rels_drug_producer,rels_recommanddrug,\ rels_symptom,rels_acompany,rels_category使用了 Python 中的 return 语句返回了多个集合和列表。这些变量包括\1. set(drugs): 药物的集合\2. set(foods): 食物的集合\3. set(checks): 检查项的集合\4. set(departments): 科室的集合\5. set(producers): 生产商的集合\6. set(symptoms): 症状的集合\7. set(diseases): 疾病的集合\8. disease_infos: 包含疾病信息的列表\9. rels_check: 检查项关系的列表\10. rels_recommandeat: 推荐食物关系的列表\11. rels_noteat: 不能吃食物关系的列表\12. rels_doeat: 可以吃食物关系的列表\13. rels_department: 科室关系的列表\14. rels_commonddrug: 常用药物关系的列表\15. rels_drug_producer: 药物和生产商关系的列表\16. rels_recommanddrug: 推荐药物关系的列表\17. rels_symptom: 症状关系的列表\18. rels_acompany: 伴随症状关系的列表\19. rels_category: 类别关系的列表每个集合或列表包含了相应类型的信息例如药物、食物、症状、疾病等等并且存在着关系的提取比如药物和生产商之间的关系、症状和疾病之间的关系等。这些信息和关系的提取有助于对医疗数据进行分析、关联和进一步的应用。这些信息的提取有助于构建一个更全面的医疗知识图谱为后续的问答系统提供更丰富的信息支持关系类型定义rels_department: 科室之间的关系。rels_noteat, rels_doeat, rels_recommandeat: 疾病与食物之间的关系包括忌吃、宜吃和推荐吃。rels_commonddrug, rels_recommanddrug: 疾病与药品之间的关系包括通用药品和热门药品。rels_check: 疾病与检查之间的关系。rels_drug_producer: 药品与厂商之间的关系。rels_symptom: 疾病与症状之间的关系。rels_acompany: 疾病与并发症之间的关系。rels_category: 疾病与科室之间的关系。读取文件defread_nodes(self):​ \# 共类节点节点的设置与业务相关 ​ checks[]# 检查​ departments[]#科室​ diseases[]# 疾病​ drugs[]# 药品​ foods[]# 食物​ producers[]#药品大类​ symptoms[]#症状​ \#这一项没有出现在节点中在后面编程中用于创建疾病信息表 ​ disease_infos[]#疾病信息​ \# 构建节点实体关系共11类medical2做出来的只有10类因为数据量少 ​ rels_department[]# 科室科室关系这一项关系PPT中未列出后加入​ rels_noteat[]# 疾病忌吃食物关系​ rels_doeat[]# 疾病宜吃食物关系​ rels_recommandeat[]# 疾病推荐吃食物关系​ rels_commonddrug[]# 疾病通用药品关系​ rels_recommanddrug[]# 疾病热门药品关系​ rels_check[]# 疾病检查关系​ rels_drug_producer[]# 厂商药物关系​ rels_symptom[]#疾病症状关系​ rels_acompany[]# 疾病并发关系​ rels_category[]# 疾病与科室之间的关系七、知识图谱数据入库根据字典形式的数据创建结点以疾病为中心定义关系形成三元组表示的知识将结点和关系导入neo4j数据库形成知识图谱通过运行build_medicalgraph.py脚本构建图谱建立实体关系类型该脚本构建了一个MedicalGraph类定义了Graph类的成员变量g和json数据路径成员变量data_path。建立的图谱实体关系和属性类型数量有点多需要等待一会。耐心等待就可以因为我们这个爬取的数据量大知识图谱如果数据量不足构建的实体关系和属性类型再多再合适也没用大数据下的知识图谱才有更强的问答能力。建立的图谱实体关系和属性类型数量有点多需要等待一会。脚本运行完之后查看neo4j数据库中构建的知识图谱match(n)returnn提示Not all return nodes are being displayed due to Initial Node Display setting. Only 3000 of 44112 nodes are being displayed由于“初始节点显示”设置并非所有返回节点都显示。44112个节点中仅显示3000个这里因为我设置的参数只显示前3000个4万多个节点只显示了一部分。对于单个节点分析是先建一个label为disease、name为疾病名称的nodeproperty方面包括prevent、cure_way、cause等等另外对于症状、科室、检查方法等信息都建立单独的node同时通过has_symptom、belongs_to、need_check等关联把它们和疾病名称关联起来因为疾病之间存在并发关系疾病之间也可以通过症状串联起来所以最后我们利用大量的医疗数据就能构建一个大型的医疗知识图谱提示Started streaming 44112 records in less than 1 ms and completed in less than 1 ms.在不到1毫秒内开始流式传输44112条记录并在不到1秒内完成。这个节点和类型颜色可以随意更改选择自己喜欢的颜色就行。5Python 与Neo4j的交互实现。连接Node4j数据库from py2neoimportGraph class AnswerSearcher: def __init__(self):#调用数据库进行查询# self.g Graph(bolt://localhost:7687, usernameneo4j, password123456)#老版本neo4jself.gGraph(bolt://localhost:7687,auth(neo4j,123456))#输入自己修改的用户名mimaself.num_limit20#最多显示字符数量创建图对象class MedicalGraph: def __init__(self): cur_dir/.join(os.path.abspath(__file__).split(/)[:-1])self.data_pathos.path.join(cur_dir,data/medical.json)# self.g Graph(http://localhost:7474, usernameneo4j, password123456)self.gGraph(bolt://localhost:7687,auth(neo4j,123456))增加node节点:def create_node(self, label, nodes): count0fornode_nameinnodes: nodeNode(label,namenode_name)self.g.create(node)count1print(count, len(nodes))return创建实体关系def create_graphrels(self): Drugs, Foods, Checks, Departments, Producers, Symptoms, Diseases, disease_infos, rels_check, rels_recommandeat, rels_noteat, rels_doeat, rels_department, rels_commonddrug, rels_drug_producer, rels_recommanddrug,rels_symptom, rels_acompany, rels_categoryself.read_nodes()self.create_relationship(Disease,Food, rels_recommandeat,recommand_eat,推荐食谱)#调用下面的关系边创建函数self.create_relationship(Disease,Food, rels_noteat,no_eat,忌吃)self.create_relationship(Disease,Food, rels_doeat,do_eat,宜吃)self.create_relationship(Department,Department, rels_department,belongs_to,属于)self.create_relationship(Disease,Drug, rels_commonddrug,common_drug,常用药品)self.create_relationship(Producer,Drug, rels_drug_producer,drugs_of,生产药品)self.create_relationship(Disease,Drug, rels_recommanddrug,recommand_drug,好评药品)self.create_relationship(Disease,Check, rels_check,need_check,诊断检查)self.create_relationship(Disease,Symptom, rels_symptom,has_symptom,症状)self.create_relationship(Disease,Disease, rels_acompany,acompany_with,并发症)self.create_relationship(Disease,Department, rels_category,belongs_to,所属科室)更新节点更新先要找出Nodes再使用事务的push更新from py2neoimportGraph, Node, Relationship, NodeMatcher, Subgraph gGraph(http://localhost:7687,auth(neo4j,123456))from py2neoimportGraph, NodeMatcher txg.begin()# 找到要找的NodesmatcherNodeMatcher(g)init_nodematcher.match(Person,name节点名称)new_nodeinit_node.first()new_node[name]新的节点名称subSubgraph(nodes[new_node])tx.push(sub)g.commit(tx)删除关系链(节点也会删除)from py2neoimportGraph, Node, Relationship, NodeMatcher, Subgraph, RelationshipMatcher gGraph(http://localhost:7687,auth(neo4j,123456))matcherNodeMatcher(g)r_matcherRelationshipMatcher(g)fuguimatcher.match(Person,namename1).first()youqianmatcher.match(Person,namename2).first()relationr_matcher.match(nodes[fugui, youqian]).first()#也可以是none,表示任意节点print(relation)g.delete(relation)两个节点新加关系from py2neoimportGraph, Node, Relationship, NodeMatcher, Subgraph gGraph(http://localhost:7687,auth(neo4j,123456))matcherNodeMatcher(g)fuguimatcher.match(Person,name节点名称1).first()youqianmatcher.match(Person,name节点名称2).first()relationRelationship(节点名称1,所要建立的关系, 节点名称2)g.create(relation)问答系统支持的问答类型本项目问答对话系统的分析思路整体上接近一个基于规则的对话系统首先我们需要对用户输入进行分类其实就是分析用户输入涉及到的实体及问题类型也就是Neo4j中的node、property、relationship然后我们利用分析出的信息转化成Neo4j的查询语句最后再把查询的结果返回给用户就完成了一次问答。本项目问答系统支持的问答类型问答系统整体上涉及到三个模块问题的分类、问题的解析以及回答的搜索。对于property和relationship我们先预设定一系列的问句疑问词从而对问句的每个词进行对比分析判断出问句的类型Aho-Corasick算法这里需要用到Python的Ahocorasick库进行模式匹配因此记录该库所使用的到的Aho-Corasick算法AC算法Aho-Corasick算法是多模式匹配中的经典算法目前在实际应用中较多。Aho-Corasick算法对应的数据结构是Aho-Corasick自动机简称AC自动机Automaton。该算法能够识别出一个给定的语句中包含了哪些词典库中特定的词语具有很有的模式匹配作用。算法主要分为以下三个部分构造Goto表成功转移到另一个状态构造Failture指针如果某状态发生匹配失败需要跳转到一个特定的节点匹配匹配成功某一字符串我们构建一个基于Aho-Corasick算法的trie树用于加速过滤敏感词汇或关键词。构造actree加速过滤defbuild_actree(self,wordlist):actreeahocorasick.Automaton()# 初始化trie树ahocorasick 库 ac自动化 自动过滤违禁数据forindex,wordinenumerate(wordlist):actree.add_word(word,(index,word))# 向trie树中添加单词actree.make_automaton()# 将trie树转化为Aho-Corasick自动机returnactree使用Aho-Corasick自动机的目的是在输入文本中高效地检测和过滤多个关键词。这种数据结构的优势在于它能够同时匹配多个关键词而无需多次扫描输入文本因此在过滤大量文本时性能较高。ahocorasick.Automaton(): 初始化一个Aho-Corasick自动机使用了ahocorasick库。Aho-Corasick算法是一种多模式匹配算法用于在输入文本中同时查找多个关键词。for index, word in enumerate(wordlist):: 对给定的关键词列表进行遍历。enumerate函数用于同时获取关键词在列表中的索引和关键词本身。actree.add_word(word, (index, word)): 向Aho-Corasick自动机中添加关键词。这里的关键词是来自于wordlist列表(index, word)是一个元组包含关键词在列表中的索引和关键词本身。Aho-Corasick算法将这些关键词构建成一个trie树。actree.make_automaton(): 将trie树转化为Aho-Corasick自动机。这一步是Aho-Corasick算法的关键它会为每个节点添加失败转移failure transition和输出output信息使得在匹配过程中能够快速定位到匹配的关键词。return actree: 返回构建好的Aho-Corasick自动机。加粗样式然后根据问句的类型和之前识别出来的实体基于规则推断出property和relationship把问题转化为Neo4j的Cypher语句其实也是预先写好Cypher语句的模板根据实际的情况把之前分析得到的node、property、relationship填入Cypher语句中进行查询。得到了Cypher语句我们就能连接Neo4j数据库进行查询得到结果之后还需要对语句进行一点微调根据对应的qustion_type调用相应的回复模板八、基于Cypher查询节点属性查询使用节点的属性进行匹配。假设节点有一个名为 “name” 的属性可以按照以下方式修改Cypher查询MATCH(n{name:节点的名字})-[r]-(m)RETURN n, r, m节点ID查询MATCH(n)-[r]-(m)WHERE ID(n)123RETURN n, r, m查询匹配 ID 为 123 的节点及其出边的关系和连接的节点。你可以替换ID(n) 123为你实际节点的标识条件。查询所有节点及其关系MATCH(n)-[r]-(m)RETURN n, r, m这个查询将返回图中所有节点及其出边的关系和连接的节点。指定关系类型的查询MATCH(n)-[r:RELATION_TYPE]-(m)RETURN n, r, m这个查询将匹配指定类型的关系。限制结果数量MATCH(n)-[r]-(m)RETURN n, r, m LIMIT10这个查询将返回前10个匹配的节点及其关系。通过节点关系查询在Neo4j图数据库中查找标签为acompany_with的关系返回前25个匹配的路径。找到所有含有acompany_with关系的路径并返回这些路径的信息但仅限于前25个结果。这样的查询对于查找与给定关系类型相关的节点和关系的拓扑结构非常有用。MATCHp()-[r:acompany_with]-()RETURN p LIMIT25MATCH p()-[r:acompany_with]-(): 这部分是Cypher的模式匹配语句。它使用MATCH关键字指定了一个模式其中()-[r:acompany_with]-()描述了一个无向边该边的关系类型为acompany_with。这个模式中的圆括号表示任意节点r是关系的别名acompany_with是关系类型。RETURN p: 这部分指定了在匹配的模式中返回的内容。在这里p是路径的别名表示匹配的整个路径包括节点和关系。LIMIT 25: 这是一个限制语句用于指定返回的结果数量限制为前25个匹配的路径。这样的查询对于查找与给定关系类型相关的节点和关系的拓扑结构非常有用。九、项目启动实现方法与步骤问答框架包含问句分类、问句解析、查询结果三个步骤具体一步步分析。首先是问句分类是通过question_classifier.py脚本实现的。再通过question_parser.py脚本进行问句分类后对问句进行解析。然后通过answer_search.py脚本对解析后的结果进行查询最后通过app.py脚本进行问答实测。这个chatbot_graph脚本是整个问答系统的主程序。首先创建了一个ChatBotGraph类其中包含了问题分类器(QuestionClassifier)、问题解析器(QuestionPaser)和答案搜索器(AnswerSearcher)的实例。然后定义了一个chat_main方法用于处理用户输入的问题。在chat_main方法中首先将用户输入的问题进行分类得到分类结果res_classify。如果没有找到对应的分类直接返回初始答案。接下来将分类结果传入问题解析器进行解析得到SQL查询语句res_sql。然后将SQL查询语句传入答案搜索器进行搜索得到最终的答案final_answers。最后根据搜索结果如果没有找到合适的最终答案返回初始答案否则将最终答案连接成一个字符串返回给用户。在主程序文件里面的__main__中创建了一个ChatBotGraph对象并通过循环不断接收用户的问题并调用chat_main方法进行回答。当我们执行chatbot_graph.py主程序实现知识图谱医疗问答“请输入您所要咨询的问题医疗AI助手会帮您解决:”我们输入一个简单的问题感冒应该怎么治疗问答系统返回的结果如下再试试其它的问题比如什么是苯中毒等等问答系统返回结果如下经过测试本问答系统能回答的问题有很多基于问句中存在的关键词回答效果表现很好。做出来的基于知识图谱的医疗知识问答系统能够根据用户提出的问题很好的进行解答。做出来的问答系统还是很Nice的。基于很多粉丝私信我做一个简单的flask前端问答方便一些小伙伴云平台部署。我设计了一个简单的基于 Flask 的聊天机器人应用app.py并且用户提交的问题数据和问答系统返回的数据都会自动存储到mysql如果想存储到其他数据库也可以自行修改。这里mysql创建表比较简单就不介绍了。知识图谱问答系统UI设计先导入所需模块from flaskimportFlask, render_template, requestimportmysql.connector创建一个Flask应用程序实例appFlask(__name__)然后进行sql数据库连接主机名、用户、mima和sql数据库名称根据实际情况自行更改。将用户输入和问答系统返回结果输出一起插入sql数据库这里我设计的两个路由:app.route(‘/’)装饰器定义了一个路由当用户访问根路径时会调用index()函数并返回一个名为index.html的模板页面。另外app.route(‘/ask’, methods[‘POST’])装饰器定义了另一个路由当用户通过POST方法提交一个表单到/ask路径时会调用ask()函数。这个函数获取用户在表单中输入的问题然后通过调用handler.chat_main(question)方法来获取问题的答案。接着它将用户的问题和答案插入到一个名为chat_logs的SQL数据库表中并将结果渲染到index.html模板页面中返回给用户然后核心部分还是我们的ChatBotGraph 类这是聊天机器人的核心类。init() 方法初始化了 QuestionClassifier、QuestionPaser 和 AnswerSearcher 三个类的实例。chat_main() 方法接收用户输入的问题 sent首先使用 QuestionClassifier 对问题进行分类然后使用 QuestionPaser 对分类结果进行解析生成 SQL 语句最后使用 AnswerSearcher 对 SQL 语句进行搜索得到最终答案 final_answers。最后当我们这个脚本被直接执行时启动 Flask 应用程序并在调试模式下运行。如果脚本被作为模块导入app.run(debugTrue) 将不会执行因此不会启动 Flask 服务器。if__name____main__:app.run(debugTrue)添加了两个文件夹里面是对flask前端页面的渲染主要是一些静态文件的放置如果想加入更多动态页面的设计和js逻辑可以放置到这里。在系统页面加了一个显示时间的js逻辑代码定义了一个名为time的函数并使用setTimeout函数在页面加载后延迟1秒钟开始执行该函数。time函数的作用是更新页面中具有类名为showTime的元素的内容这里我设置的是time函数每隔1秒钟执行一次实现定时更新页面中的时间显示。控制台启动问答系统没问题启动我们设计的flask框架UI节目进行问答neo4j数据库打开、mysql数据库连接没问题、问答系统所需要的包都安装各种环境都没问题直接启动app.py脚本本地地址http://127.0.0.1:5000/加入了动态UI设计整体页面展示效果还是挺好的我们问一些医学上的问题医学AI助手会进行回答然后数据自动存储到sql数据库中的chat_logs表。比如“氢溴酸东莨菪碱片能治疗什么”医疗AI助手返回回答结果数据库中的表数据也是自动添加。十、封装深度学习完整系统非开源——基于BERTLSTMCRF深度学习识别模型医疗知识图谱问答可视化系统BERT是一种基于Transformer 架构的预训练语言模型能够捕捉双向上下文信息。BERT 模型在大规模语料上进行预训练然后可以通过微调来适应特定任务,BERT 可用于处理输入文本提取丰富的语义信息。它可以用于文本的编码和表征学习以便更好地理解医学问答中的问题和回答。LSTM 是一种递归神经网络RNN的变体专门设计用于处理序列数据。它通过使用门控机制来捕捉长期依赖关系适用于处理时间序列和自然语言等序列数据。 LSTM 可以用于处理医学文本中的序列信息例如病历、症状描述等。它有助于保留文本中的上下文信息提高模型对长文本的理解能力。CRF 是一种用于标注序列数据的统计建模方法。在序列标注任务中CRF 能够考虑标签之间的依赖关系从而更好地捕捉序列结构。 在医学文本中CRF 可以用于命名实体识别NER任务例如识别疾病、药物、实验室结果等实体。通过引入CRF层可以提高标签之间的一致性和整体序列标注的准确性。部分代码其它内容就不再过多描述。具体详情见另一篇文章大数据知识图谱之深度学习——基于BERTLSTMCRF深度学习识别模型医疗知识图谱问答可视化系统核心深度学习问答界面此次基于BERTLSTMCRF深度学习识别模型医疗知识图谱问答可视化系统的主要功能模块为深度学习问答模块用户可以通过该功能模块实现深度学习问答通过界面下方的输入栏实现医疗领域相关问题的录入通过点击发送实现提问系统会结合用户端的问题进行意图分析并反馈问题答复内容具体深度学习问答界面的主要功能栏内容呈现如下。部分系统截图展示其它详情不再过多描述感兴趣的可以扫码/私信探讨学习交流。十一、用Python实现增删改查 数据查询及维护用Python实现增加节点过于简单不再多说。用Python实现修改节点update_node方法用于更新节点。它接收要更新的节点的 ID 和新的属性作为参数并返回更新后的节点。你可以将node_id_to_update更改为你想要更新的节点的实际 ID将updated_properties更改为你想要设置的新属性然后调用update_node方法即可修改节点。用Python实现删除节点用Python实现查询节点find_node_by_property方法接收节点属性的键和值作为参数然后执行一个 Cypher 查询查找具有指定属性的节点。查询使用MATCH子句和WHERE子句来过滤节点然后返回符合条件的节点。参考文献陈明,刘蓉,熊回香.基于医疗知识图谱的智能问答系统研究[J/OL].情报科学,1-9[2024-04-13].黄涌,葸娟霞,关成斌.基于BERT-BiGRU模型的智慧医疗问答系统[J].软件工程,2024,27(03):11-1425.十二、结语(项目源码及资料等)项目部分资料截图需项目源码文档解析等资料/解析/商业合作/交流探讨~等可以评论留言/添加下面个人名片感谢各位的喜欢与支持后面有时间和精力也会分享更多优质内容喜欢的小伙伴可以点赞收藏加关注感谢各位的喜欢与支持[Rose]