随着医疗数据的急速增长,传统的搜索引擎已经不能够满足人们检索医疗信息的需求,当人们使用搜索引擎进行检索时,返回的往往是一些网页链接,这些信息通常杂乱无章,需要人为去筛选。此外,医学知识的复杂多样以及用户医疗知识的匮乏都使得检索变得非常困难。问答系统的诞生给问题的解决带来了契机。将问答系统应用于医疗咨询领域形成医疗导诊系统,可以快速了解用户意图,为用户提供高质量的导诊服务。传统的导诊系统都是基于规则模板的方式去解析用户问题,面对日益增长的信息,需要大量的人力物力去构建模板库以及关键词库,受限于模板库以及关键词库的大小,此类方法对于用户问题的解析能力往往较差,查询效率不高。针对上述情况,本文利用医疗知识图谱来研究与实现智能导诊系统,通过此系统为用户提供诸如疾病查询、科室查询、鉴别诊断等医疗导诊服务,利用深度学习技术对用户问题进行智能化的解析,极大提高了问题解答的能力。本文主要包含以下几个方面的工作:1.构建一种基于医疗知识图谱的智能导诊系统模型。该模型由医疗知识图谱模块、用户交互模块、问题理解模块、问题解答模块、测试模块共五个模块构成。2.给出医疗知识图谱的构建方法。使用爬虫技术从医疗网站上爬取信息,并将其保存到数据库中,接着根据医疗知识图谱的概念层设计,将爬取的医疗数据以“实体-关系-实体”或“实体-属性-属性值”的三元组的形式存储到图数据库中,从而实现医疗知识图谱的构建。3.给出医疗问题智能理解方法。用户问题的理解包含医疗实体识别和意图分类两个任务。在医疗实体识别任务中,使用BERT-IDCNN-Attention-CRF算法去识别用户问题中是否包含疾病、症状、治疗方式等实体。在意图分类任务中,使用BERT+Bi LSTM+Multi Head-Attention算法来判断用户是否想要进行疾病查询、科室查询、鉴别诊断等医疗服务。本文通过这两个任务实现了对用户问题的智能化解析。通过对比实验可以看出本文使用的医疗实体识别算法相较于经典算法BERT-Bi LSTM-CRF,在查准率、召回率、F1值上分别提高了0.51%、2.08%、1.29%。使用的意图分类算法与经典算法BERT-Text CNN相比,在查准率、召回率、F1值上分别提高了0.21%、3.08%、1.86%。同时,本文还对问题理解的准确率进行了实验,将本文给出的两个算法作用于同一个问题上时,能够同时抽取正确实体和正确意图的准确率为89%,进一步表明了本文所给的医疗问题智能理解方法的有效性。4.给出医疗问题解答导诊方法。首先通过Sentencetransformers库函数将识别出的实体映射到医疗知识图谱对应的实体上,根据回复策略、链指后的实体以及用户意图生成对应的Cypher语句去知识图谱中进行答案的查询,最后将匹配的最佳结果通过网页形式反馈给用户。5.实现并运行测试智能导诊系统。首先对系统的各个功能进行了编码实现,然后对整个导诊系统进行了运行测试。运行测试结果表明,在共270个医疗相关问题上,本系统在疾病查询、科室查询、鉴别诊断等9个方面都可以做出很好的回答。通过对本文构建的医疗知识图谱智能导诊系统进行的测试以及系统的整体运行情况可以看出,一方面通过本文给出的问题理解方法提高了对用户问题理解的准确率,另一方面在问题解答时,使用实体链指、槽位填充、知识图谱查询技术的确能够得到高效、准确的导诊答案。因此,本文构建的医疗知识图谱智能导诊系统能够很好地帮助用户进行科室查询、自我诊察等导诊服务,减轻了医院医生的工作量,方便了用户的就诊。