随着互联网的发展,人们对医学知识搜索的需求迅速增长,然而现有的医学网站过于专业,无法让普通用户快速准确地找到所查询的知识。因此,基于知识图谱技术构建医疗专家辅助系统的任务应运而生。知识图谱是一种大规模的语义网络,以三元组的形式表示知识,在辅助决策、个性化推荐系统、信息检索等领域被广泛应用。但是,知识图谱数据来源多种多样,不同数据源之间通常有大量重合的三元组知识,必须融合后才能构成一个完整的知识图谱。知识图谱融合技术的挑战在于不同知识图谱的实体表示存在变种和歧义,本文针对这个问题进行了研究,首先详细介绍了表示学习、医学知识图谱构建与融合的研究背景和意义,同时对相关领域的国内外研究现状作了分析,接着设计实现一种基于深度学习的知识表示学习算法,通过自动抽取网络数据建立了高质量的医学知识图谱并利用表示学习模型和相关规则进行图谱融合,最后,设计了基于Web框架的知识图谱融合系统。本文的主要工作包括以下几个方面:一、设计实现一种基于深度学习的知识表示学习算法。将知识图谱中的三元组还原为句子,利用深度学习中常用的卷积神经网络和循环神经网络的特点,同时提取三元组的长期依赖关系和局部结构信息,保留其翻译特征。另外,提出了一种构造负例的新方法,该方法减少了模型训练阶段生成的错误负例,提升了算法的效果,同时也适用于其他知识表示学习模型,具有通用性。二、提出了医学知识图谱的融合流程,通过多源医学知识图谱的构建与融合来验证了该流程的有效性。本文采用网络数据爬虫技术从几个高质量的医学网站抽取医学知识,构建了包含疾病、症状、药品、检查、部位共计5类实体的医学本体和多种实体之间关系和属性的医学知识图谱。图谱融合阶段首先利用医学实体构造反映其特征的医学词根,然后根据知识表示学习算法为待融合医学实体推荐排名前十的候选实体,利用医学词根和规则对候选实体进行筛选,最后由专家对剩下的候选实体进行标注,融合后得到一个统一的医学知识图谱。三、实现了基于Web框架的知识图谱融合系统。系统包括知识表示学习算法推荐和实体标注功能,总体架构可分为数据层、执行层和交互层,核心在于执行层的图谱融合计算,候选实体推荐。系统嵌入了几种知识表示学习算法,适用于不同领域的知识图谱,用户可以根据具体数据特点进行算法选择。算法推荐实体后,对正确的实体进行标注,最后系统生成一个多源的大规模知识图谱。