随着时代的进步,科技的发展,科技正在逐步改变我们的生活。如今,机器学习和深度学习等人工智能技术正在不断更新并且迅速发展。表示实体之间结构关系的知识图谱和能够准确、快速地获取信息并给出答案的智能问答系统已成为人工智能越来越热门的研究方向。现实生活中包含着各种各样的关系,如何充分利用知识图谱来挖掘和表示信息之间的关系变的尤为重要。知识图谱本质上是一个语义网络,可以揭示实体间的关系。本文研究的主要目的,是使构建的知识图谱更有效、快捷、准确并形成一定规模。智能问答系统本质上是一种高级形式的信息检索系统。深度学习技术的出现为知识图谱与智能问答系统的建立和研究开辟了新的途径,大大促进了知识图谱和智能问答系统的研究与发展。本文主要根据医疗领域专业知识对其进行深度挖掘,针对医疗知识之间的信息关系构建大规模中文医疗知识图谱,并且在知识图谱之上实现智能问答。在知识图谱和智能问答系统上展开研究。本文主要研究内容包括以下三个方面:1、医疗知识图谱的构建:针对目前国内大型医疗知识图谱数量较少这一情况,本文对其开展研究,首先采用爬虫技术对国内流行的医疗知识网站进行爬虫,主要针对非结构化数据、半结构化数据和结构化数据的采集,并对其进行预处理,经过预处理之后的数据对其进行实体识别与关系抽取,本文采用的是基于Bi Lstm+Attention的联合抽取模型。经过对比实验表明本文的联合抽取器F1得分为86.2%远高其他模型。通过联合抽取器之后得到关于医学实体、实体间关系和实体的自身属性。对其进行词语相似性计算和多知识库的知识融合,得到三元组并形成知识图谱并存放在Neo4j和Mongo DB数据库中。最终形成一个中文医疗知识图谱,其中包括8807种疾病、4982种药品、3519个诊断和检查项目、6919种食品、54个医疗部门、15023种销售药品和4901种疾病症状,形成了一个总规模包含44205个医疗实体信息的知识图谱。2、智能问答模型:由于传统智能问答系统的方法大多基于规则匹配形式,针对传统的智能问答系统速度慢效果差等缺点,本文提出一种基于动态记忆网络结合注意力机制的模型,该模型能够准确把握用户提出的问题,并且模型可以实时更新内部信息,以此来提高模型的准确率,经实验表明该模型准确率可以达到88.7%,在与各项模型的对比实验中效果最好。3、医疗知识图谱和智能问答系统web开发:本文以构建的医疗知识图谱为基础将其应用在智能问答模型中,为了使用户得到良好的体验,本文对该系统进行web开发,主要实现两大功能,其一是实现与用户交互的智能问答功能,使得用户以聊天的方式即可获取准确的答案。其二是知识图谱的可视化研究,为用户呈现出结构化并且高度关联的知识图谱,用户只需要输入少量关键字就可直观看到以图片形式展出的知识图谱。开发采用的前后端分离技术,使用python语言的Flask框架进行开发,针对其测试后发现该系统具有良好的稳定性和准确性,可以达到用户的使用标准。