给出一个用python建立医疗问答系统的知识图谱代码示例

在Python中，构建一个简单的医疗问答系统通常会结合自然语言处理（NLP）、知识图谱（如图谱数据库如Neo4j或基于文本的图谱）以及一些机器学习算法。这里给出一个简化的示例，使用Gensim库创建一个基于文本的知识图谱，并使用Flask框架搭建基本的问答接口：

from gensim import corpora, models
import sqlite3
from flask import Flask, request, jsonify

app = Flask(__name__)

# 假设我们有以下医疗知识数据（疾病、症状和关联）
knowledge_data = {
    "疾病": {"感冒": ["咳嗽", "流鼻涕"], "发热": []},
    "症状": {"咳嗽": ["上呼吸道感染", "肺炎"], "流鼻涕": []}
}

# 将数据转换为键值对列表
texts = list(knowledge_data.values())
dictionary = corpora.Dictionary(texts)
corpus = [dictionary.doc2bow(text) for text in texts]

# 创建TF-IDF模型
tfidf = models.TfidfModel(corpus)

@app.route('/query', methods=['POST'])
def query():
    data = request.get_json()
    query_text = data['question']

    # 使用TF-IDF查询相似的知识片段
    vector = dictionary.doc2bow(query_text)
    similarity_scores = tfidf[vector]
    top_doc_indices = sorted(range(len(similarity_scores)), key=lambda i: -similarity_scores[i])

    # 返回最相关的知识点
    answer = []
    for index in top_doc_indices[:3]:  # 取前三个结果
        if index == 0:  # 如果是最直接匹配的结果
            answer.append(f"最接近的问题：{list(knowledge_data.keys())[index]}")
        else:  # 否则取对应的知识点列表
            answer.append(f"{list(knowledge_data.keys())[index]}的相关症状或疾病：{texts[index]}")

    return jsonify({"answer": answer})

if __name__ == '__main__':
    app.run(debug=True)

这个例子非常基础，实际应用中还需要更复杂的NLP预处理（分词、去除停用词等），以及可能使用更先进的图谱搜索算法。此外，这只是一个静态的知识图谱，如果你需要动态添加和更新知识，可能需要配合实时数据库或API。