智慧健康是一种全新的医疗保健模式,对其产生的海量、异构、多源健康知识资源进行有效的获取、组织、查询与分析,是实现健康保健“智慧化”的关键。本文聚焦在智慧健康领域,遵循“用户需求-多源异构知识融合-用户知识服务提供”的逻辑主线,旨在根据用户的健康知识需求,将分布在互联网、科学文献数据库、专科诊疗数据集等多个地方的医疗保健常识、医学研究发现和临床诊疗经验等多源异构智慧健康知识资源,通过社会网络分析方法、机器学习方法和语义Web技术等手段进行知识单元抽取、转化和融合,形成大规模可以解决具体领域问题的智慧健康知识图谱,为用户提供智能、高效的智慧健康知识服务。在此过程中,主要包括以下几个方面的具体工作:（1）梳理知识融合的定义和内涵,对与之相关的概念进行辨析和界定,将知识融合定义为:面向用户需求或具体领域问题,将不同来源的知识及其依附的载体,通过一定的方法和技术手段进行知识抽取和转换,获得隐藏在知识源中的知识单元及关联关系,进而在概念层和本体层面上进行知识评估、分析和合并,以形成可以解决具体领域问题的知识库或知识图谱,为用户提供更加智能化的知识服务。（2）构建面向智慧健康的多源异构知识融合模型与服务架构。根据智慧健康知识的定义和来源,将其划分为疾病标准文档、生物医学文献、医疗网络资源、结构化本体（知识库）和专科诊疗数据集（案例库）等类型。然后根据大数据环境下普通公众对智慧健康知识服务的需求,分析智慧健康知识融合所面临的任务和挑战,以及知识融合的流程、目标和实现路径;在此基础上提出多源异构智慧健康知识融合模型与服务架构。（3）挖掘在线健康社区中用户显性和隐性健康知识需求。分析在线健康社区中的用户健康知识需求类型、层级结构和演化模式。以国内外比较典型的患者-患者健康社区Patients Like Me和慢友帮中的高血压患者为例,挖掘国内外用户的显性和隐性健康知识需求,并将其对比分析。为挖掘用户的显性健康知识需求,采用主题模型HDP挖掘用户发帖内容中的潜在主题,根据主题内容分布分析用户表达出来的显性知识需求;然后,将基于HDP模型和LDA模型获取的主题之间的KL距离、内容困惑度、模型复杂度进行比较和分析。研究发现病因、治疗、药物、诊断、症状等主题是国内外用户共同感兴趣的,也是用户表达出来的显性健康知识需求。为挖掘用户隐性健康知识需求,通过构建病患用户交流网络,结合病患用户自身的基本信息和行为模式,采用指数随机图模型ERGM分析病患用户交流网络的影响因素和形成机制,以挖掘用户客观状态和意识层次的隐性知识需求。这种方法为研究用户隐性健康知识需求提供了一种新的研究思路。（4）探索不同类型智慧健康知识的抽取任务、流程和方法。首先将结构化医学本体/知识库、半结构化网页百科数据、非结构化自由文档的知识抽取任务和流程进行总结和举例说明;然后以Pub Med数据库中与高血压相关的生物医学文献为例,采用传统层析内容分析方法对Me SH主题词网络的层级结构和术语关联进行分析;同时采用深度学习方法Bi LSTM-CRF和Att-Bi LSTM模型从大规模生物医学文献中抽取实体、关系三元组;在此基础上,挖掘形成的实体-关系图谱中的主题内容进行语义标注,为下一步知识表示和融合做准备。（5）探索多源异构智慧健康知识融合过程和实现路径。提出概念层知识融合和语义层知识融合的实现路径,一方面通过实体融合、属性融合和概念融合,将从多源异构健康信息资源中抽取出的知识（三元组）融合到智慧健康领域顶层本体中,实现领域顶层本体的扩充;另一方面将从多源异构健康信息资源中抽取出的各种医疗保健知识表示为本体/知识库的形式,通过本体分块、本体对齐、实体匹配等过程,实现本体层知识融合。然后以高血压疾病为例,将基于DO本体和《高血压防治指南》构建的高血压领域顶层本体TO和基于从大规模生物医学文献中抽取出的实体-关系图谱中的主题内容形成的高血压领域经验知识本体EO进行合并和融合,探索多源异构知识融合的过程和实现路径。研究发现,经过融合之后的高血压领域本体,概念体系更加全面,本体内容更加丰富,领域知识门类更加多样。（6）构建智慧健康知识图谱,为用户提供智慧健康知识服务。将用户健康知识需求与健康知识资源进行匹配映射,在高血压领域顶层本体的基础上,填充从多源异构健康信息资源中抽取出的知识资源,形成可以解决具体领域问题的智慧健康知识图谱;并将其嵌入到智慧健康知识服务平台中,为用户提供知识可视化、知识检索、知识推荐和决策支持等智慧健康知识服务。全文共分为八章,包含图65幅,表23张,参考文献270篇。