六、 构建neo4j知识图谱
开启Node4j数据库:



连接数据库 通过bolt协议（数据传输更快）

对绝对路径进行拼接 获取json文件路径 这里使用的Json为部分数据量，这里数据txt和json格式都有，我们用json就可以了。
连接我们所建的neo4j数据库：



知识图谱建模
在数据库中构建了三元组并且这些三元组形成了结构化的数据关系，进行知识图谱建模。知识图谱是一种用于表示和组织实体、属性和它们之间关系的图形结构。三元组（Subject, Predicate, Object）是知识图谱中的基本构建块，每个三元组都可以被看作是一个图中的边，连接两个节点（实体）。这些节点和边的组合形成了一个图，其中节点表示实体，边表示实体之间的关系。这种方式可以用于构建一个基本的知识图谱。

具体以下几个方面：

实体（Entities）： 你的数据库中的记录是知识图谱中的实体。每个实体对应于一个节点。

属性（Properties）： 数据库中的字段可以被视为实体的属性。这些属性可以形成连接实体的边。

关系（Relationships）： 三元组中的谓词（Predicate）对应于实体之间的关系。关系连接两个实体。

本体（Ontology）： 如果你想要对实体和关系进行更详细的定义和注释，可以考虑使用本体。

实体识别和定义
节点类型的定义：

checks, departments, diseases, drugs, foods, producers, symptoms: 这些都是不同类型的节点，代表了医学领域中的检查、科室、疾病、药品、食物、药品大类和症状等实体。

实体属性的定义：

name: 疾病的名称。

desc: 描述疾病的属性。

prevent: 预防措施。

cause: 引起疾病的原因。

easy_get: 疾病容易发生的原因或情况。

cure_department: 治疗疾病的科室。

cure_way: 治疗方式。

cure_lasttime: 治疗持续时间。

symptom: 疾病的症状。

cured_prob: 治愈概率。

关系抽取和定义
关系抽取

症状关系抽取

pythonif 'symptom' in data_json: 
symptoms += data_json['symptom'] *# 组合症状列表* 
for symptom in data_json['symptom']: 
rels_symptom.append([disease, symptom]) *# 对于每个症状建立一个疾病——症状的关系*
1
2
3
4
\1. 如果数据中包含了关于症状的信息（'symptom’字段），则将这些症状添加到症状列表中，并为每个症状建立一个与当前疾病相关的关系。

并发症关系抽取

pythonif 'acompany' in data_json: 
for acompany in data_json['acompany']: 
rels_acompany.append([disease, acompany]) *# 建立一个疾病——伴随疾病的关系*
1
2
3
\2. 如果数据中包含了关于并发症的信息（'acompany’字段），则为每个并发症建立一个与当前疾病相关的关系。

其他属性关系抽取

pythonif 'desc' in data_json: 
disease_dict['desc'] = data_json['desc'] *# 定义疾病描述为属性而非关系* 
*# 类似地处理预防、原因、发病率、易感人群等属性*
1
2
3
\3. 对于疾病的描述、预防方法、引起原因、发病率、易感人群等信息，将其作为疾病节点的属性而非建立关系。

治疗科室关系抽取

pythonif 'cure_department' in data_json: 
cure_department = data_json['cure_department'] 
**if** len(cure_department) == 1: 
rels_category.append([disease, cure_department[0]]) *# 只有一个科室的情况* 
**if** len(cure_department) == 2: 
big = cure_department[0] *# 大科室* 
small = cure_department[1] *# 细分小科室* 
rels_department.append([small, big]) *# 提取科室——科室关系* 
rels_category.append([disease, small]) *# 提取疾病——科室关系* 
disease_dict['cure_department'] = cure_department 
departments += cure_department
1
2
3
4
5
6
7
8
9
10
11
\4. 如果数据中包含了关于治疗科室的信息（'cure_department’字段），则根据科室的数量，建立疾病与科室之间的关系。如果只有一个科室，建立疾病与该科室的关系；如果有两个科室，建立疾病与细分小科室的关系，同时提取科室之间的关系。

治疗途径关系抽取

pythonif ‘cure_way’ in data_json:
disease_dict[‘cure_way’] = data_json[‘cure_way’] # 治疗途径作为疾病节点的属性

\5. 如果数据中包含了关于治疗途径的信息（'cure_way’字段），则将其作为疾病节点的属性而非建立关系。

这段代码主要通过判断JSON数据中是否包含特定字段，从而提取与疾病相关的信息，并构建了疾病知识图谱的关系。关系主要包括症状、并发症、治疗科室等方面，而属性则包括疾病的描述、预防方法、引起原因、发病率、易感人群以及治疗途径等。

if 'cure_lasttime' in data_json:

disease_dict['cure_lasttime'] = data_json['cure_lasttime']#治疗时间



if 'cured_prob' in data_json:

disease_dict['cured_prob'] = data_json['cured_prob']#治愈概率



if 'common_drug' in data_json:

common_drug = data_json['common_drug']#常用药物

for drug in common_drug:

rels_commonddrug.append([disease, drug])#提取疾病——药物的关系

drugs += common_drug



if 'recommand_drug' in data_json:

recommand_drug = data_json['recommand_drug']#推荐药物

drugs += recommand_drug

for drug in recommand_drug:

rels_recommanddrug.append([disease, drug])#提取疾病——推荐药物的关系



if 'not_eat' in data_json:

not_eat = data_json['not_eat']#不能吃的食物

for _not in not_eat:

rels_noteat.append([disease, _not])#提取疾病——不能吃的食物的关系



foods += not_eat

do_eat = data_json['do_eat']#可以吃的食物

for _do in do_eat:

rels_doeat.append([disease, _do])#提取疾病——能吃的食物的关系



foods += do_eat

recommand_eat = data_json['recommand_eat']#推荐吃的食物



for _recommand in recommand_eat:

rels_recommandeat.append([disease, _recommand])#提取疾病——推荐吃的食物的关系

foods += recommand_eat



if 'check' in data_json:

check = data_json['check']#检查项，一个疾病对应多个检查

for _check in check:

rels_check.append([disease, _check])#提取疾病——检查项的关系

checks += check

if 'drug_detail' in data_json:

drug_detail = data_json['drug_detail']#药物详细信息

producer = [i.split('(')[0] for i in drug_detail]

rels_drug_producer += [[i.split('(')[0], i.split('(')[-1].replace(')', '')] for i in drug_detail]

producers += producer

disease_infos.append(disease_dict)#添加疾病信息list
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
上面代码段主要涉及疾病相关的信息和与之相关的关系抽取。下面是对每个条件的详细分析：

*治疗时间和治愈概率关系抽取*：

\6. 如果 cure_lasttime 在 data_json 中，将其值存储到 disease_dict[‘cure_lasttime’] 中，表示疾病的治疗时间。

\7. 如果 cured_prob 在 data_json 中，将其值存储到 disease_dict[‘cured_prob’] 中，表示疾病的治愈概率。

*常用药物和推荐药物关系抽取*：

\8. 如果 common_drug 在 data_json 中，遍历每个药物，将疾病和药物的关系存储在 rels_commonddrug 列表中，并将药物添加到 drugs 中。

\9. 如果 recommand_drug 在 data_json 中，遍历每个药物，将疾病和药物的关系存储在 rels_recommanddrug 列表中，并将药物添加到 drugs 中。

*食物与疾病关系抽取*：

\10. 如果 not_eat 在 data_json 中，遍历不能吃的食物，将疾病和食物的关系存储在 rels_noteat 列表中，并将食物添加到 foods 中。

\11. 如果 do_eat 在 data_json 中，遍历可以吃的食物，将疾病和食物的关系存储在 rels_doeat 列表中，并将食物添加到 foods 中。

\12. 如果 recommand_eat 在 data_json 中，遍历推荐吃的食物，将疾病和食物的关系存储在 rels_recommandeat 列表中，并将食物添加到 foods 中。

*检查项与疾病关系抽取*：

\13. 如果 check 在 data_json 中，遍历每个检查项，将疾病和检查项的关系存储在 rels_check 列表中，并将检查项添加到 checks 中。

*药物详细信息中的生产商关系抽取*：

\14. 如果 drug_detail 在 data_json 中，通过对每个药物详细信息的处理，提取生产商信息，将疾病和生产商的关系存储在 rels_drug_producer 列表中，并将生产商信息添加到 producers 中。

return set(drugs), set(foods), set(checks), set(departments), set(producers), set(symptoms), set(diseases), disease_infos,\

rels_check, rels_recommandeat, rels_noteat, rels_doeat, rels_department, rels_commonddrug, rels_drug_producer, rels_recommanddrug,\

rels_symptom, rels_acompany, rels_category
1
2
3
4
5
使用了 Python 中的 return 语句，返回了多个集合和列表。这些变量包括：

\1. set(drugs): 药物的集合

\2. set(foods): 食物的集合

\3. set(checks): 检查项的集合

\4. set(departments): 科室的集合

\5. set(producers): 生产商的集合

\6. set(symptoms): 症状的集合

\7. set(diseases): 疾病的集合

\8. disease_infos: 包含疾病信息的列表

\9. rels_check: 检查项关系的列表

\10. rels_recommandeat: 推荐食物关系的列表

\11. rels_noteat: 不能吃食物关系的列表

\12. rels_doeat: 可以吃食物关系的列表

\13. rels_department: 科室关系的列表

\14. rels_commonddrug: 常用药物关系的列表

\15. rels_drug_producer: 药物和生产商关系的列表

\16. rels_recommanddrug: 推荐药物关系的列表

\17. rels_symptom: 症状关系的列表

\18. rels_acompany: 伴随症状关系的列表

\19. rels_category: 类别关系的列表

每个集合或列表包含了相应类型的信息，例如药物、食物、症状、疾病等等，并且存在着关系的提取，比如药物和生产商之间的关系、症状和疾病之间的关系等。这些信息和关系的提取有助于对医疗数据进行分析、关联和进一步的应用。这些信息的提取有助于构建一个更全面的医疗知识图谱，为后续的问答系统提供更丰富的信息支持

关系类型定义
rels_department: 科室之间的关系。

rels_noteat, rels_doeat, rels_recommandeat: 疾病与食物之间的关系，包括忌吃、宜吃和推荐吃。

rels_commonddrug, rels_recommanddrug: 疾病与药品之间的关系，包括通用药品和热门药品。

rels_check: 疾病与检查之间的关系。

rels_drug_producer: 药品与厂商之间的关系。

rels_symptom: 疾病与症状之间的关系。

rels_acompany: 疾病与并发症之间的关系。

rels_category: 疾病与科室之间的关系。

'''读取文件'''

def read_nodes(self):

\# 共７类节点，节点的设置与业务相关



checks = [] # 检查

departments = [] #科室

diseases = [] # 疾病

drugs = [] # 药品

foods = [] # 食物

producers = [] #药品大类

symptoms = []#症状



\#这一项没有出现在节点中，在后面编程中用于创建疾病信息表

disease_infos = []#疾病信息



\# 构建节点实体关系，共11类，medical2做出来的只有10类，因为数据量少

rels_department = [] #　科室－科室关系，这一项关系PPT中未列出，后加入

rels_noteat = [] # 疾病－忌吃食物关系

rels_doeat = [] # 疾病－宜吃食物关系

rels_recommandeat = [] # 疾病－推荐吃食物关系

rels_commonddrug = [] # 疾病－通用药品关系

rels_recommanddrug = [] # 疾病－热门药品关系

rels_check = [] # 疾病－检查关系

rels_drug_producer = [] # 厂商－药物关系

rels_symptom = [] #疾病症状关系

rels_acompany = [] # 疾病并发关系

rels_category = [] #　疾病与科室之间的关系
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53


七、知识图谱数据入库
根据字典形式的数据创建结点，以疾病为中心定义关系形成三元组表示的知识，将结点和关系导入neo4j数据库形成知识图谱，通过运行build_medicalgraph.py脚本构建图谱：


建立实体关系类型：




该脚本构建了一个MedicalGraph类，定义了Graph类的成员变量g和json数据路径成员变量data_path。

建立的图谱实体关系和属性类型数量有点多，需要等待一会。耐心等待就可以，因为我们这个爬取的数据量大，知识图谱如果数据量不足，构建的实体关系和属性类型再多再合适也没用，大数据下的知识图谱才有更强的问答能力。

建立的图谱实体关系和属性类型数量有点多，需要等待一会。
脚本运行完之后查看neo4j数据库中构建的知识图谱：

match (n) return n
1



提示：Not all return nodes are being displayed due to Initial Node Display setting. Only 3000 of 44112 nodes are being displayed
由于“初始节点显示”设置，并非所有返回节点都显示。44112个节点中仅显示3000个
这里因为我设置的参数只显示前3000个，4万多个节点只显示了一部分。

对于单个节点分析是先建一个label为disease、name为疾病名称的node，property方面包括prevent、cure_way、cause等等，另外，对于症状、科室、检查方法等信息都建立单独的node，同时通过has_symptom、belongs_to、need_check等关联把它们和疾病名称关联起来，因为疾病之间存在并发关系，疾病之间也可以通过症状串联起来，所以最后我们利用大量的
医疗数据，就能构建一个大型的医疗知识图谱：


提示：Started streaming 44112 records in less than 1 ms and completed in less than 1 ms.
在不到1毫秒内开始流式传输44112条记录，并在不到1秒内完成。

这个节点和类型颜色可以随意更改，选择自己喜欢的颜色就行。


5）Python 与Neo4j的交互实现。
连接Node4j数据库：

from py2neo import Graph
class AnswerSearcher:
def __init__(self):#调用数据库进行查询
# self.g = Graph("bolt://localhost:7687", username="neo4j", password="123456")#老版本neo4j
self.g = Graph("bolt://localhost:7687", auth=("neo4j", "123456"))#输入自己修改的用户名，mima
self.num_limit = 20#最多显示字符数量
1
2
3
4
5
6


创建图对象：

class MedicalGraph:
def __init__(self):
cur_dir = '/'.join(os.path.abspath(__file__).split('/')[:-1])
self.data_path = os.path.join(cur_dir, 'data/medical.json')
# self.g = Graph("http://localhost:7474", username="neo4j", password="123456")
self.g = Graph("bolt://localhost:7687", auth=("neo4j", "123456"))

1
2
3
4
5
6
7

增加node节点:

def create_node(self, label, nodes):
count = 0
for node_name in nodes:
node = Node(label, name=node_name)
self.g.create(node)
count += 1
print(count, len(nodes))
return
1
2
3
4
5
6
7
8


创建实体关系：

def create_graphrels(self):
Drugs, Foods, Checks, Departments, Producers, Symptoms, Diseases, disease_infos, rels_check, rels_recommandeat, rels_noteat, rels_doeat, rels_department, rels_commonddrug, rels_drug_producer, rels_recommanddrug,rels_symptom, rels_acompany, rels_category = self.read_nodes()
self.create_relationship('Disease', 'Food', rels_recommandeat, 'recommand_eat', '推荐食谱')#调用下面的关系边创建函数
self.create_relationship('Disease', 'Food', rels_noteat, 'no_eat', '忌吃')
self.create_relationship('Disease', 'Food', rels_doeat, 'do_eat', '宜吃')
self.create_relationship('Department', 'Department', rels_department, 'belongs_to', '属于')
self.create_relationship('Disease', 'Drug', rels_commonddrug, 'common_drug', '常用药品')
self.create_relationship('Producer', 'Drug', rels_drug_producer, 'drugs_of', '生产药品')
self.create_relationship('Disease', 'Drug', rels_recommanddrug, 'recommand_drug', '好评药品')
self.create_relationship('Disease', 'Check', rels_check, 'need_check', '诊断检查')
self.create_relationship('Disease', 'Symptom', rels_symptom, 'has_symptom', '症状')
self.create_relationship('Disease', 'Disease', rels_acompany, 'acompany_with', '并发症')
self.create_relationship('Disease', 'Department', rels_category, 'belongs_to', '所属科室')
1
2
3
4
5
6
7
8
9
10
11
12
13


更新节点：
更新先要找出Nodes，再使用事务的push更新

from py2neo import Graph, Node, Relationship, NodeMatcher, Subgraph

g = Graph('http://localhost:7687', auth=("neo4j", "123456"))

from py2neo import Graph, NodeMatcher

tx = g.begin()# 找到要找的Nodes
matcher = NodeMatcher(g)

init_node = matcher.match("Person", name="节点名称")
new_node = init_node.first()
new_node['name'] = "新的节点名称"
sub = Subgraph(nodes=[new_node])
tx.push(sub)
g.commit(tx)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

删除关系链(节点也会删除)：

from py2neo import Graph, Node, Relationship, NodeMatcher, Subgraph, RelationshipMatcher

g = Graph('http://localhost:7687', auth=("neo4j", "123456"))

matcher = NodeMatcher(g)
r_matcher = RelationshipMatcher(g)
fugui = matcher.match('Person', name='name1').first()
youqian = matcher.match('Person', name='name2').first()

relation = r_matcher.match(nodes=[fugui, youqian]).first() #也可以是none,表示任意节点
print(relation)
g.delete(relation)
1
2
3
4
5
6
7
8
9
10
11
12

两个节点新加关系：

from py2neo import Graph, Node, Relationship, NodeMatcher, Subgraph

g = Graph('http://localhost:7687', auth=("neo4j", "123456"))

matcher = NodeMatcher(g)

fugui = matcher.match('Person', name='节点名称1').first()
youqian = matcher.match('Person', name='节点名称2').first()

relation = Relationship(节点名称1, '所要建立的关系', 节点名称2)

g.create(relation)
1
2
3
4
5
6
7
8
9
10
11
12


问答系统支持的问答类型
本项目问答对话系统的分析思路，整体上接近一个基于规则的对话系统，首先我们需要对用户输入进行分类，其实就是分析用户输入涉及到的实体及问题类型，也就是Neo4j中的node、property、relationship，然后我们利用分析出的信息，转化成Neo4j的查询语句，最后再把查询的结果返回给用户，就完成了一次问答。
本项目问答系统支持的问答类型：


问答系统整体上涉及到三个模块，问题的分类、问题的解析以及回答的搜索。

对于property和relationship，我们先预设定一系列的问句疑问词，从而对问句的每个词进行对比分析，判断出问句的类型

Aho-Corasick算法
这里需要用到Python的Ahocorasick库进行模式匹配，因此记录该库所使用的到的Aho-Corasick算法（AC算法），Aho-Corasick算法是多模式匹配中的经典算法，目前在实际应用中较多。Aho-Corasick算法对应的数据结构是Aho-Corasick自动机，简称AC自动机Automaton。该算法能够识别出一个给定的语句中包含了哪些词典库中特定的词语，具有很有的模式匹配作用。
算法主要分为以下三个部分：

构造Goto表：成功转移到另一个状态
构造Failture指针：如果某状态发生匹配失败，需要跳转到一个特定的节点
匹配：匹配成功某一字符串
我们构建一个基于Aho-Corasick算法的trie树，用于加速过滤敏感词汇或关键词。

'''构造actree，加速过滤'''
def build_actree(self, wordlist):
actree = ahocorasick.Automaton() # 初始化trie树，ahocorasick 库 ac自动化 自动过滤违禁数据
for index, word in enumerate(wordlist):
actree.add_word(word, (index, word)) # 向trie树中添加单词
actree.make_automaton() # 将trie树转化为Aho-Corasick自动机
return actree
1
2
3
4
5
6
7
使用Aho-Corasick自动机的目的是在输入文本中高效地检测和过滤多个关键词。这种数据结构的优势在于，它能够同时匹配多个关键词而无需多次扫描输入文本，因此在过滤大量文本时性能较高。

ahocorasick.Automaton(): 初始化一个Aho-Corasick自动机，使用了ahocorasick库。Aho-Corasick算法是一种多模式匹配算法，用于在输入文本中同时查找多个关键词。
for index, word in enumerate(wordlist):: 对给定的关键词列表进行遍历。enumerate函数用于同时获取关键词在列表中的索引和关键词本身。
actree.add_word(word, (index, word)): 向Aho-Corasick自动机中添加关键词。这里的关键词是来自于wordlist列表，(index, word)是一个元组，包含关键词在列表中的索引和关键词本身。Aho-Corasick算法将这些关键词构建成一个trie树。
actree.make_automaton(): 将trie树转化为Aho-Corasick自动机。这一步是Aho-Corasick算法的关键，它会为每个节点添加失败转移（failure transition）和输出（output）信息，使得在匹配过程中能够快速定位到匹配的关键词。
return actree: 返回构建好的Aho-Corasick自动机。加粗样式

然后，根据问句的类型和之前识别出来的实体，基于规则推断出property和relationship：

把问题转化为Neo4j的Cypher语句，其实也是预先写好Cypher语句的模板，根据实际的情况把之前分析得到的node、property、relationship填入Cypher语句中进行查询。

得到了Cypher语句，我们就能连接Neo4j数据库进行查询，得到结果之后，还需要对语句进行一点微调，根据对应的qustion_type，调用相应的回复模板：



八、基于Cypher查询
节点属性查询
使用节点的属性进行匹配。假设节点有一个名为 “name” 的属性，可以按照以下方式修改Cypher查询：

MATCH (n {name: '节点的名字'})-[r]->(m)
RETURN n, r, m
1
2


节点ID查询
MATCH (n)-[r]->(m)
WHERE ID(n) = 123
RETURN n, r, m
1
2
3
查询匹配 ID 为 123 的节点及其出边的关系和连接的节点。你可以替换 ID(n) = 123 为你实际节点的标识条件。



查询所有节点及其关系
MATCH (n)-[r]->(m)
RETURN n, r, m
1
2
这个查询将返回图中所有节点及其出边的关系和连接的节点。

指定关系类型的查询
MATCH (n)-[r:RELATION_TYPE]->(m)
RETURN n, r, m
1
2
这个查询将匹配指定类型的关系。

限制结果数量
MATCH (n)-[r]->(m)
RETURN n, r, m
LIMIT 10
1
2
3
这个查询将返回前10个匹配的节点及其关系。



通过节点关系查询
在Neo4j图数据库中查找标签为 acompany_with 的关系，返回前25个匹配的路径。找到所有含有 acompany_with 关系的路径，并返回这些路径的信息，但仅限于前25个结果。这样的查询对于查找与给定关系类型相关的节点和关系的拓扑结构非常有用。

MATCH p=()-[r:acompany_with]->()
RETURN p LIMIT 25
1
2


MATCH p=()-[r:acompany_with]->(): 这部分是Cypher的模式匹配语句。它使用 MATCH 关键字指定了一个模式，其中 ()-[r:acompany_with]->() 描述了一个无向边，该边的关系类型为 acompany_with。这个模式中的圆括号表示任意节点，r 是关系的别名，acompany_with 是关系类型。
RETURN p: 这部分指定了在匹配的模式中返回的内容。在这里，p 是路径的别名，表示匹配的整个路径（包括节点和关系）。
LIMIT 25: 这是一个限制语句，用于指定返回的结果数量，限制为前25个匹配的路径。
这样的查询对于查找与给定关系类型相关的节点和关系的拓扑结构非常有用。

九、项目启动实现方法与步骤
问答框架包含问句分类、问句解析、查询结果三个步骤，具体一步步分析。
首先是问句分类，是通过question_classifier.py脚本实现的。
再通过question_parser.py脚本进行问句分类后对问句进行解析。
然后通过answer_search.py脚本对解析后的结果进行查询
最后通过app.py脚本进行问答实测。



这个chatbot_graph脚本是整个问答系统的主程序。首先创建了一个ChatBotGraph类，其中包含了问题分类器(QuestionClassifier)、问题解析器(QuestionPaser)和答案搜索器(AnswerSearcher)的实例。然后定义了一个chat_main方法，用于处理用户输入的问题。在chat_main方法中，首先将用户输入的问题进行分类，得到分类结果res_classify。如果没有找到对应的分类，直接返回初始答案。接下来，将分类结果传入问题解析器进行解析，得到SQL查询语句res_sql。然后，将SQL查询语句传入答案搜索器进行搜索，得到最终的答案final_answers。最后，根据搜索结果，如果没有找到合适的最终答案，返回初始答案；否则，将最终答案连接成一个字符串，返回给用户。

在主程序文件里面的__main__中，创建了一个ChatBotGraph对象，并通过循环不断接收用户的问题，并调用chat_main方法进行回答。

当我们执行chatbot_graph.py主程序，实现知识图谱医疗问答：
“请输入您所要咨询的问题医疗AI助手会帮您解决:”


我们输入一个简单的问题：感冒应该怎么治疗？
问答系统返回的结果如下：

再试试其它的问题：比如什么是苯中毒等等
问答系统返回结果如下：


经过测试本问答系统能回答的问题有很多，基于问句中存在的关键词回答效果表现很好。做出来的基于知识图谱的医疗知识问答系统能够根据用户提出的问题很好的进行解答。



做出来的问答系统还是很Nice的。


基于很多粉丝私信我做一个简单的flask前端问答，方便一些小伙伴云平台部署。我设计了一个简单的基于 Flask 的聊天机器人应用app.py，并且用户提交的问题数据和问答系统返回的数据都会自动存储到mysql，如果想存储到其他数据库也可以自行修改。这里mysql创建表比较简单就不介绍了。

知识图谱问答系统UI设计
先导入所需模块

from flask import Flask, render_template, request
import mysql.connector
1
2
创建一个Flask应用程序实例

app = Flask(__name__)
1
然后进行sql数据库连接，主机名、用户、mima和sql数据库名称根据实际情况自行更改。

将用户输入和问答系统返回结果输出一起插入sql数据库
这里我设计的两个路由:
@app.route(‘/’)装饰器定义了一个路由，当用户访问根路径时，会调用index()函数并返回一个名为index.html的模板页面。
另外，@app.route(‘/ask’, methods=[‘POST’])装饰器定义了另一个路由，当用户通过POST方法提交一个表单到/ask路径时，会调用ask()函数。这个函数获取用户在表单中输入的问题，然后通过调用handler.chat_main(question)方法来获取问题的答案。接着，它将用户的问题和答案插入到一个名为chat_logs的SQL数据库表中，并将结果渲染到index.html模板页面中返回给用户

然后核心部分还是我们的ChatBotGraph 类：这是聊天机器人的核心类。init() 方法初始化了 QuestionClassifier、QuestionPaser 和 AnswerSearcher 三个类的实例。chat_main() 方法接收用户输入的问题 sent，首先使用 QuestionClassifier 对问题进行分类，然后使用 QuestionPaser 对分类结果进行解析，生成 SQL 语句，最后使用 AnswerSearcher 对 SQL 语句进行搜索，得到最终答案 final_answers。最后当我们这个脚本被直接执行时，启动 Flask 应用程序，并在调试模式下运行。如果脚本被作为模块导入，app.run(debug=True) 将不会执行，因此不会启动 Flask 服务器。

if __name__ == '__main__':
app.run(debug=True)
1
2
添加了两个文件夹，里面是对flask前端页面的渲染，主要是一些静态文件的放置，如果想加入更多动态页面的设计和js逻辑可以放置到这里。

在系统页面加了一个显示时间的js逻辑代码，定义了一个名为time的函数，并使用setTimeout函数在页面加载后延迟1秒钟开始执行该函数。time函数的作用是更新页面中具有类名为showTime的元素的内容，这里我设置的是time函数每隔1秒钟执行一次，实现定时更新页面中的时间显示。


控制台启动问答系统没问题，启动我们设计的flask框架UI节目进行问答，neo4j数据库打开、mysql数据库连接没问题、问答系统所需要的包都安装，各种环境都没问题，直接启动app.py脚本

本地地址 http://127.0.0.1:5000/


加入了动态UI设计，整体页面展示效果还是挺好的

我们问一些医学上的问题，医学AI助手会进行回答，然后数据自动存储到sql数据库中的chat_logs表。
比如：“氢溴酸东莨菪碱片能治疗什么？”



医疗AI助手返回回答结果


数据库中的表数据也是自动添加。


十、封装深度学习完整系统（非开源）——基于BERT+LSTM+CRF深度学习识别模型医疗知识图谱问答可视化系统
BERT是一种基于Transformer 架构的预训练语言模型，能够捕捉双向上下文信息。BERT 模型在大规模语料上进行预训练，然后可以通过微调来适应特定任务,BERT 可用于处理输入文本，提取丰富的语义信息。它可以用于文本的编码和表征学习，以便更好地理解医学问答中的问题和回答。LSTM 是一种递归神经网络（RNN）的变体，专门设计用于处理序列数据。它通过使用门控机制来捕捉长期依赖关系，适用于处理时间序列和自然语言等序列数据。 LSTM 可以用于处理医学文本中的序列信息，例如病历、症状描述等。它有助于保留文本中的上下文信息，提高模型对长文本的理解能力。CRF 是一种用于标注序列数据的统计建模方法。在序列标注任务中，CRF 能够考虑标签之间的依赖关系，从而更好地捕捉序列结构。 在医学文本中，CRF 可以用于命名实体识别（NER）任务，例如识别疾病、药物、实验室结果等实体。通过引入CRF层，可以提高标签之间的一致性和整体序列标注的准确性。
部分代码，其它内容就不再过多描述。


具体详情见另一篇文章：大数据知识图谱之深度学习——基于BERT+LSTM+CRF深度学习识别模型医疗知识图谱问答可视化系统

核心深度学习问答界面：
此次基于BERT+LSTM+CRF深度学习识别模型医疗知识图谱问答可视化系统的主要功能模块为深度学习问答模块，用户可以通过该功能模块实现深度学习问答，通过界面下方的输入栏实现医疗领域相关问题的录入，通过点击发送实现提问，系统会结合用户端的问题进行意图分析并反馈问题答复内容，具体深度学习问答界面的主要功能栏内容呈现如下。
部分系统截图展示：




其它详情不再过多描述，感兴趣的可以扫码/私信探讨学习交流。

十一、用Python实现增删改查 数据查询及维护
用Python实现增加节点
过于简单不再多说。

用Python实现修改节点
update_node 方法用于更新节点。它接收要更新的节点的 ID 和新的属性作为参数，并返回更新后的节点。你可以将 node_id_to_update 更改为你想要更新的节点的实际 ID，将 updated_properties 更改为你想要设置的新属性，然后调用 update_node 方法即可修改节点。



用Python实现删除节点


用Python实现查询节点
find_node_by_property 方法接收节点属性的键和值作为参数，然后执行一个 Cypher 查询，查找具有指定属性的节点。查询使用 MATCH 子句和 WHERE 子句来过滤节点，然后返回符合条件的节点。