近年来,中国肿瘤的发病率和死亡率持续上升,据2019年国家癌症中心发布的中国癌症数据结果显示,近10年恶性肿瘤发病率每年保持约3.9%的增幅,死亡率每年保持2.5%的增幅。如何利用已有的数据资料进行归纳总结,挖掘出潜在的、有效的数据关系,以加强肿瘤防治工作,成为研究者们迫切需要解决的问题。随着全球信息化进程的发展,互联网上散落了越来越多的数据,其中蕴含丰富的医学及肿瘤学知识,挖掘其中有价值的信息,构建肿瘤知识图谱,可以推动语义技术在医疗信息领域中的研究与应用,协助医生更方便的获取知识指导,带来更高效精确的医疗服务。针对肿瘤知识图谱的构建需求,本文的主要工作包括以下两部分:(1)针对医疗数据中常见的嵌套实体问题,提出了一个基于BERT的嵌套命名实体识别模型BLBC(BERT-Layered-Bi LSTM-CRF)。该模型使用动态堆叠平面NER层来识别嵌套实体,本文将当前层检测到实体输出进行融合,为实体建立新的表示形式,然后将它们输入到下一个平面NER层中,这样可以充分利用内部实体中的编码信息来提取外部实体。另外,针对传统预训练模型特征提取能力不足的问题,为了提升其精确率、召回率,本文引入具有更强文本特征表示能力的预训练模型BERT作为特征表示层。本文在中文的医学数据集CCKS2017与英文的医学数据集GENIA上进行实验,证实BLBC模型的效果更佳。(2)利用百度百科和知网论文中的肿瘤相关资源,设计并构建起了一个具有一定规模的肿瘤知识图谱。本文对百度百科的肿瘤相关页面和知网的肿瘤相关论文进行爬取,将半结构化数据直接整理生成三元组。对非结构化数据,首先针对数据中嵌套实体的情况使用BLBC模型进行命名实体识别;之后使用半结构化数据形成的三元组与CN-DBpedia知识库共同进行远程监督,利用PCNN模型进行关系抽取;最后将非结构化数据与半结构化数据形成的三元组合并,形成一个拥有5247个三元组、3189个实体及204个关系的肿瘤知识图谱,利用Neo4j图数据库完成对知识图谱的存储。