五月婷婷在线观看|国产成人精品3p人妻网站|日本老熟妇maturebbw|日韩 欧美 综合

這是 阿拉燈神丁Vicky 的第 23 篇文章

1、項目背景

為通過項目實戰增加對知識圖譜的認識，幾乎找了所有網上的開源項目及視頻實戰教程。

果然，功夫不負有心人，找到了中科院軟件所劉煥勇老師在上的開源項目，基于知識圖譜的醫藥領域問答項目。

用了兩個晚上搭建了兩套，Mac版與版，哈哈，運行成功！！！

從無到有搭建一個以疾病為中心的一定規模醫藥領域知識圖譜，以該知識圖譜完成自動問答與分析服務。該項目立足醫藥領域，以垂直型醫藥網站為數據來源，以疾病為核心，構建起一個包含7類規模為4.4萬的知識實體，11類規模約30萬實體關系的知識圖譜。 本項目將包括以下兩部分的內容：1、基于垂直網站數據的醫藥知識圖譜構建

2、基于醫藥知識圖譜的自動問答

2、項目環境

2.1 系統

搭建中間有很多坑，且行且注意。

配置要求：要求配置neo4j數據庫及相應的依賴包。neo4j數據庫用戶名密碼記住，并修改相應文件。

安裝neo4j，neo4j 依賴java jdk 1.8版本以上：

根據neo4j 安裝時的端口、賬戶、密碼配置設置設置項目配置文件：.py & .py (下載項目時根據個人需要也可使用git)

數據導入： .py，導入的數據較多，估計需要幾個小時。

.py導入數據之前，需要在該文件main函數中加入：.py

啟動問答： .py

2.2 Mac系統

mac本身自帶、java jdk環境，可直接安裝neo4j圖數據庫，項目運行步驟與基本一樣。

問題解答：安裝過程中如遇問題可聯系: -sbb。

2.3 Neo4j數據庫展示

2.4 問答系統運行效果

3、項目介紹

該項目的數據來自垂直類醫療網站尋醫問藥，使用爬蟲腳本.py，以結構化數據為主，構建了以疾病為中心的醫療知識圖譜，實體規模4.4萬，實體關系規模30萬。的設計根據所采集的結構化數據生成醫療問答python，對網頁的結構化數據進行xpath解析。

項目的數據存儲采用Neo4j圖數據庫，問答系統采用了規則匹配方式完成，數據操作采用neo4j聲明的。

項目的不足之處在于疾病的引發原因、預防等以大段文字返回，這塊可引入事件抽取，可將原因結構化表示出來。

3.1 項目目錄

.

├── .md

├── \\編譯結果保存目錄

│ ├── .-36.pyc

│ ├── .-36.pyc

│ └── .-36.pyc

├── .py

├── .pyc

├── .py \\知識圖譜數據入庫腳本

├── .py \\問答程序腳本

├── data

│ └── .json \\本項目的全部數據，通過.py導neo4j

├── dict

│ ├── check.txt \\診斷檢查項目實體庫

│ ├── deny.txt \\否定詞庫

│ ├── .txt \\醫療科目實體庫

│ ├── .txt \\疾病實體庫

│ ├── drug.txt \\藥品實體庫

│ ├── food.txt \\食物實體庫

│ ├── .txt \\在售藥品庫

│ └── .txt \\疾病癥狀實體庫

├──

│ ├── chat1.png \\系統運行問答截圖01

│ ├── chat2.png \\系統運行問答截圖01

│ ├── .png \\知識圖譜構建框架

│ ├── .png \\問答系統框架圖

├── img \\.md中的所用圖片

│ ├── chat1.png

│ ├── chat2.png

│ ├── .png

│ ├── .png

│ └── .png

├──

│ ├── .py \\數據庫操作腳本

│ ├── .py \\網絡資訊采集腳本

│ └── .py \\基于詞典的最大向前/向后腳本

├── .py \\問句類型分類腳本

├── .pyc

├── .py \\問句解析腳本

├── .pyc

3.2 知識圖譜的實體類型

3.3 知識圖譜的實體關系類型

3.4 知識圖譜的屬性類型

3.5 問答項目實現原理

本項目的問答系統完全基于規則匹配實現，通過關鍵詞匹配，對問句進行分類，醫療問題本身屬于封閉域類場景，對領域問題進行窮舉并分類，然后使用的match去匹配查找neo4j，根據返回數據組裝問句回答，最后返回結果。

問句中的關鍵詞匹配：

根據匹配到的關鍵詞分類問句

問句解析

查找相關數據

根據返回的數據組裝回答

3.6 問答系統支持的問答類型

4、項目總結

基于規則的問答系統沒有復雜的算法，一般采用模板匹配的方式尋找匹配度最高的答案，回答結果依賴于問句類型、模板語料庫的覆蓋全面性，面對已知的問題，可以給出合適的答案，對于模板匹配不到的問題或問句類型，經常遇到的有三種回答方式：1、給出一個無厘頭的答案；

2、婉轉的回答不知道，提示用戶換種方式去問；

3、轉移話題，回避問題；

例如，本項目中采用了婉轉的方式回答不知道：

基于知識圖譜的問答系統的主要特征是知識圖譜，系統依賴一個或多個領域的實體，并基于圖譜進行推理或演繹，深度回答用戶的問題，基于知識圖譜的問答系統更擅長回答知識性問題，與基于模板的聊天機器人有所不同的是它更直接、直觀的給用戶答案。對于不能回答、或不知道的問題，一般直接返回失敗，而不是轉移話題避免尷尬。