随着人工智能技术的飞速发展以及知识图谱在垂直领域应用技术的成熟,知识图谱在医疗领域有着广阔的应用前景。医疗知识图谱可以帮助医生做决策、帮助大众了解疾病常识、帮助病人了解患病情况,知识图谱在医疗领域的价值不仅仅是一个医学知识库,更重要的是提供诸如医疗智能搜索等功能,是辅助诊疗的基础。随着医学信息化水平的提高以及大数据的发展,医疗领域积累了大量未被充分利用的数据,构建医疗知识图谱可以充分挖掘数据的潜在价值。本文研究了搭建医疗知识图谱的流程和方法,使用深度学习、图神经网络等技术进行医疗实体抽取;搭建基于医疗知识图谱的知识查询、知识图谱自动问答、在线医疗实体抽取平台。本论文的工作主要有以下几点:(1)研究了标签注意力机制,把注意力机制应用到序列标签中来学习标签信息的嵌入表示。针对传统的LSTM实体抽取模型只能对输入序列进行特征抽取而没有考虑标签特征,本文应用一种逐层改进的基于标签注意力机制的网络LAN(Hierarchically-Refined Label Attention Network),该模型使用LSTM对输入序列进行特征抽取,使用注意力机制学习标签特征,注意力机制能够捕获标签上下文之间依赖关系。在医疗NER任务中使用CCKS2018医疗实体识别竞赛数据集,通过实验证明BiLSTM-LAN模型的识别准确率高于BiLSTM-CRF模型,但是识别结果略差与下文研究的GGNN模型。(2)研究了图神经网络技术以及文本序列在图网络中的表示方法。针对中文命名实体识别存在着词语边界不确定、组成复杂的缺点,本文研究了图神经网络在实体识别模型中的应用,并应用基于词典的门控图神经网络(GGNN)构造中文医疗实体识别模型,使用GGNN网络学习图节点的隐状态嵌入表示,然后把学习到的隐状态输入到BiLSTM-CRF进行预测,使用相同的数据集经试验证明图神经网络模型的识别准确率比BiLSTM-LAN和BiLSTM-CRF更高。(3)研究了知识图谱的构建流程,包括知识表示、知识抽取、知识存储及知识可视化。根据通用领域知识图谱的搭建流程和方法,抽取医疗百科半结构化数据构建医疗知识图谱;研究知识图谱的可视化方法,利用 Django、JavaScript、Bootstrap、Echarts 组件构建基于知识图谱的实体查询、关系查询可视化展示web界面。此外研究了基于规则匹配的知识图谱自动问答,搭建自动问答模块和在线医疗实体识别模块。