构建医药知识图谱问答系统：Python+BERT实践与教程

资源摘要信息:"本资源包含了一个基于Python、BERT和词典开发的医药知识图谱自动问答系统。该系统主要由三部分构成：医药知识图谱的构建、自动问答后端的搭建以及前端交互的实现。 一、构建医药知识图谱： 项目采用了爬虫技术，从网络上爬取并整理了症状描述文本和症状库，构建了症状名与疾病之间的关系。通过AC算法，从症状描述文本中识别并提取了与症状库对应的4377个症状。基于这些数据，系统重构了99492个疾病名-症状-症状名的三元组。此外，系统还对提及症状推理疾病的提问方式进行了优化，通过疾病交集的方式支持多症状提问。 二、搭建自动问答后端： 针对口语化症状描述无法精确匹配的问题，引入了BERT+CRF模型进行命名实体识别，使用BIO+C标注方法。通过随机从领域词典中抽取数据集，并用训练好的模型进行实体识别。利用SBERT模型，对识别出的提及词和词典中的词进行相似度计算，得到top20的候选实体，并结合重叠字的长度进行实体链接。 意图识别方面，项目沿用了基于规则的模板方法，但提出了进一步通过深度学习模型改进的计划。目前，项目尚未实现疾病的患病率属性构建，但提出了通过患病概率排序候选疾病的可能性。 三、增加前端交互： 系统使用echarts的力引导图增加前端交互和知识图谱展示。通过这种方式，用户可以通过友好的界面与知识图谱和问答系统进行交互。 系统安装与运行说明： 用户首先需要启动neo4j数据库，然后执行项目的主程序。源码已经过测试，确保功能正常。资源内还包含了一份详细文档说明以及要求的库依赖文件，方便用户快速上手。 本项目适合作为计算机相关专业的学习材料，既适合在校学生和老师，也适合企业员工和初学者。源码经过测试验证，可以作为毕设、课设、作业等用途。此外，源码也支持开发者在此基础上进行功能拓展和定制。 文件列表说明： - 文档说明.md：提供了详细的项目文档，说明了如何安装和运行系统，以及项目的技术细节和使用方法。 - requirement.txt：包含了项目运行所需的Python依赖库列表。 - med_kg：包含了医药知识图谱和问答系统的源代码和相关数据文件。 - kg：包含构建知识图谱的相关文件和脚本。 - img：包含了系统运行界面和结果的图片展示文件。 标签说明： - python：项目采用Python作为主要开发语言。 - bert：项目利用了BERT模型进行命名实体识别和意图识别。 - 医药知识图谱：项目的核心是构建和应用医药领域的知识图谱。 - 毕业设计：项目是作者的毕业设计作品。 - 问答系统：项目的核心功能是提供自动化的问答服务。 以上信息为对资源内容的详尽解读，旨在为计算机相关领域的学习者、研究者和从业者提供有价值的参考。"