張雨琪　李宗友　王映輝　李敬華　于琦　朱玲　姜威　于彤

摘要中醫(yī)藥知識記錄分散、隱性知識眾多，又富含關系知識，因此在關聯(lián)、表達、利用知識上具有優(yōu)勢的知識圖譜能夠為領域提供有益輔助。系統(tǒng)梳理中醫(yī)藥領域知識圖譜的構建及其應用的研究工作，可見基于中醫(yī)藥知識圖譜的應用正在不斷發(fā)展，將知識圖譜構建技術運用于中醫(yī)藥知識圖譜中時則需慮及領域特點。根據領域知識特點與實踐需求，一些研究設計了知識框架，選擇了合適的知識抽取、融合和存儲技術，嘗試了知識補全，構建中醫(yī)藥知識圖譜并實現(xiàn)信息理解、搜索、推薦、自動問答以及輔助決策等應用。不過，在豐富關系種類、理論知識與多模態(tài)知識，拓展知識來源，完善質量評估與控制，加強子領域知識圖譜的構建以及共享與協(xié)作等方面，還需許多努力。

關鍵詞中醫(yī)藥;知識圖譜;知識表示;知識抽取;知識融合;語義理解;知識服務;質量評估

Research Progress on the Construction and Applications of Traditional Chinese Medicine Knowledge Graphs

ZHANG Yuqi，LI Zongyou，WANG Yinghui，LI Jinghua，YU Qi，ZHU Ling，JIANG Wei，YU Tong

（Institute of Information on Traditional Chinese Medicine，China Academy of Chinese Medical Sciences，Beijing 100700，China）

AbstractTraditional Chinese medicine（TCM） knowledge is scattered in records，and has plenty of tacit knowledge.It′s also rich in relationships.So，Knowledge Graphs（KG），which possess the advantage of the linking，representation，and usage of knowledge，can provide beneficial assistant in the field.A systematic review of the research work on the construction and application of knowledge graphs in the field of TCM shows that applications based on knowledge graphs of TCM are constantly developing.When applying knowledge graph construction techniques to the knowledge graphs of TCM，it is necessary to consider the characteristics of the field.According to the characteristics of domain knowledge and practical requirements，some studies have designed a knowledge framework，selected appropriate knowledge extraction，fusion and storage technologies，tried knowledge completion，constructed a knowledge map of TCM and realized information understanding，search，recommendation，automatic question and answer，and assisted decisionmaking and other applications.However，much effort is needed to enrich relationship types，theoretical knowledge and multimodal knowledge，expand knowledge sources，improve quality assessment and control，and strengthen the construction of subdomain knowledge graphs and sharing and collaboration.

KeywordsTraditional Chinese medicine; Knowledge graph; Knowledge representation; Knowledge extraction; Knowledge fusion; Semantic understanding; Knowledge service; Quality evaluation

中圖分類號：R203文獻標識碼：Adoi：10.3969/j.issn.1673-7202.2022.04.020

中醫(yī)藥注重的整體觀使中醫(yī)藥知識一方面富含關系知識，另一方面，面對不同時代、地域、個體時各有特色，以致知識被分散記錄，不易應用。眾多隱性知識難以表述，也使中醫(yī)藥領域期望于此探索新的方法。因此，知識圖譜在關聯(lián)、表達、利用知識上的優(yōu)勢，使中醫(yī)藥知識圖譜的研究不斷發(fā)展。

1知識圖譜概念及現(xiàn)有中醫(yī)藥知識圖譜

知識圖譜源于知識工程和語義網2個領域[1]。知識工程是人工智能子領域之一，以讓計算機使用專家知識以及推理能力解決實際問題為主要目標，一系列知識表示方法由此得到發(fā)展，如描述邏輯、框架、語義網絡等[2]。語義網則期望為網絡數據提供語義支撐，以提升信息服務效果，這推動了在大數據環(huán)境中表達數據語義方法的研究[3]。2012年，知識圖譜（Knowledge Graph）被提出。它從數據中獲取知識，并表示為易于維護、理解和使用的統(tǒng)一格式[4]。知識圖譜可被視為一張巨大的網，其中節(jié)點表示實體，邊表示關系，是一種用圖模型來描述知識和建模世界萬物之間關聯(lián)關系的技術方法[5]。它被用于支持知識驅動的各項智能任務?！爸R圖譜”還對應另一個概念“科學知識圖譜”，為顯示科學知識的發(fā)展進程與結構關系的一種圖形，屬于科學計量學[6]。現(xiàn)有中醫(yī)藥知識圖譜可根據知識范圍、應用目標分類。見表1。

從構建和應用2個方面回顧中醫(yī)藥知識圖譜的研究現(xiàn)狀。首先，以知識圖譜的構建過程為主線，闡述構建技術如何根據領域特點應用于中醫(yī)藥知識圖譜中。接著，介紹現(xiàn)有中醫(yī)藥知識圖譜的應用進展。從這2個角度出發(fā)，最后將討論研究中的問題與建議。

2中醫(yī)藥知識圖譜的構建方法

知識圖譜構建主要包括知識框架設計、知識獲取、知識融合、知識存儲4個環(huán)節(jié)[7]，知識補全等任務則可提升其質量[8]。中醫(yī)藥領域對自動構建技術進行了探索使用，不過由于錯誤代價高昂使得醫(yī)療領域容錯程度低，人工參與仍然具有重要地位。

2.1知識框架設計復用和自建知識框架在中醫(yī)藥知識圖譜中均有應用，本體是知識框架常見的形式。對于前者，可基于概念、詞表、上下位關系等方式抽取子本體加以改造[9]，例如從中醫(yī)藥學語言系統(tǒng)抽取子本體的舌象診療系統(tǒng)知識圖譜[10]、中藥知識圖譜[11]、月經病知識圖譜[12];也可以整體復用，例如整體復用中醫(yī)臨床術語系統(tǒng)的中醫(yī)臨床知識圖譜[13]。對于后者，則既可嚴格構建本體，例如中醫(yī)基礎理論本體基礎上的中醫(yī)核心知識圖譜[14]、中醫(yī)養(yǎng)生領域本體基礎上的中醫(yī)養(yǎng)生知識圖譜[15];也可以根據領域知識或已有數據制定單層、少量概念的知識框架，例如曙光醫(yī)院知識圖譜[1617]、中醫(yī)健康知識圖譜等[18]。使用這種方法常常是因為預計涉及的概念、關系種類有限，故而選擇一種簡便的方式。除癥狀、疾病、證候、方劑、藥物及病癥、證癥、病證、治療、藥物組成等最常見的概念、關系外，不同知識圖譜涉及的知識各有特色，如養(yǎng)生方法[15]、陰陽五行[14]、共現(xiàn)疾病[18]等，還可包括非領域知識，如人員、決策模型等[19]。其中，“實例”往往是指各中醫(yī)藥知識圖譜中不再有下級知識者，對應的具體知識層次在不同研究中并不統(tǒng)一。例如，“銀杏葉”在有的知識圖譜中指實例，在有的知識圖譜中則是概念，后者的“批號為XX的銀杏葉”才是實例[19]。一些研究應用了更豐富的方法表達復雜的領域知識。例如，使用關系的權重屬性表達主次癥等角色[2021]，設置與名醫(yī)、病、證、方等均關聯(lián)的“診次”概念以表達病歷和醫(yī)案[22]，通過以關系命名的實體與一般實體的關聯(lián)來表達多元關系[17]。

2.2知識獲取

知識獲取可分為來源選擇和知識抽取2個部分。已建的中醫(yī)藥知識圖譜主要是文本知識圖譜，各研究根據中醫(yī)文本的特點對知識抽取的方法進行了選擇。

2.2.1來源選擇病歷、醫(yī)案最直接反映了中醫(yī)藥知識運用、需求現(xiàn)狀，是重要知識源。為保證其內容可被解讀，以及知識的覆蓋面、準確度，它常與其他來源知識一同用于構建知識圖譜，如中醫(yī)骨科病歷與網絡知識，名老中醫(yī)病歷、醫(yī)案與科研論文等[2223]。中醫(yī)古籍是中醫(yī)藥領域的獨特數據。目前完全使用古籍知識構建的知識圖譜體量還比較小[21，24]，更大規(guī)模的中醫(yī)方劑知識圖譜[25]、中醫(yī)養(yǎng)生知識圖譜則聯(lián)合了現(xiàn)代數據[15]。后者來源眾多，包括非結構化的科研論文、領域書籍、行業(yè)網站數據、制藥工程數據，半結構化的詞典、行業(yè)標準、百科數據、藥品說明書，結構化的術語系統(tǒng)、數據庫、西醫(yī)本體等[1213，1516，1820，2528]。

2.2.2知識抽取已經積累的中醫(yī)藥領域結構化數據，可通過與本體間的語義映射轉換為知識圖譜[13，15，26]，或使用D2RQ從關系型數據庫映射為虛擬的圖數據結構[16]。自動抽取方法則在半結構、非結構化數據中得到實踐。見表2。

為避免中文分詞不當給實體識別帶來不利影響，依照漢字的信息攜帶特性，有研究選擇生成字向量而非詞向量。這在中醫(yī)古籍、醫(yī)案、教材中表現(xiàn)更好[20，3031，44]，不過由于增加了類型判別任務，并使得特征粒度減小，特征信息降低，在現(xiàn)代用語更多的病歷中效果不佳[32]。此外，待消歧實體的存在，如自然之“水”與五行之“水”，也會影響實體識別效果[31]。為獲取更豐富的知識，貝葉斯分類算法、TFIDF算法被用于方劑癥狀、證候癥狀等關系的權重計算[2021]。還有研究以中西醫(yī)內容兼具的病歷為對象，進行了時間關系識別[47]。

2.2知識融合共指消解是中醫(yī)藥知識圖譜中開展較多的知識融合任務，同為實例層融合任務的實體消歧則尚少研究;由于領域知識圖譜數量尚少、開放較少、應用較淺，故而知識圖譜層次的知識融合也不多見。有研究根據領域專家的判斷和領域詞典，進行了方劑、中藥的共指消解[25，28]。中醫(yī)概念表達用詞豐富，如“手足厥冷”與“四逆”“口渴多飲”與“口渴煩飲”，使得計算編輯距離或指稱向量相似度的效果不盡人意，需輔以大量人工審核[10，18]。因此，實體擴展特征如別名、英文名稱、定義，以及方劑的組成、功用、主治，疾病的癥狀描述，中藥的藥性等得到使用[18，23，25]。如前所述，也有研究選擇設置“相同癥狀”關系來連接相似度高的癥狀[18]，或在屬性值融合時對其根據出現(xiàn)次數和數據源可信度進行排序[16]，而不執(zhí)行“消解”。

2.3知識存儲根據病歷數據空值多、謂詞數量多且不固定等特性，結合實際搜索中連接操作比較少的特點，有研究改進了三元組表存儲方案，在表中將知識以其id存儲，id數據與類型知識另表存儲[17]。近期多數工作都采用圖數據庫Neo4j存儲知識圖譜數據，也有輔以關系型數據庫以存儲非結構化數據、應用中的交互信息等[10，2122，2426]。針對中醫(yī)藥知識與其應用的特點的存儲方案的探討還不多。

2.4知識補全知識補全是知識圖譜中的推理任務之一[48]。根據同病因疾病可同時出現(xiàn)等人工制定的推理規(guī)則，以及關系的傳遞性等通用規(guī)則，有研

究使用Jena推理機進行推理，獲取了更多病證對應關系、疾病共現(xiàn)關系[18]。不過，其推理規(guī)則在正確性上尚有瑕疵，中醫(yī)藥在漫長時間中的不斷演變也使得知識補全的結果難以評測，因此有待進一步研究。在實際的中醫(yī)藥知識圖譜系統(tǒng)中應用知識補全技術仍需十分慎重。

3中醫(yī)藥知識圖譜的應用

與知識在人類認知活動中的作用相對應，知識圖譜使得機器能夠理解新的信息、實現(xiàn)邏輯推理、進行問題求解以及做出決策。因此，在中醫(yī)藥領域，知識圖譜將輔助領域信息理解，提升搜索、推薦和問答中知識提供的準確度，幫助醫(yī)生制定診療方案等。

3.1信息理解中醫(yī)藥文獻涉及眾多領域知識，但后者分布分散、表述多變，即使人工解讀文獻，解讀的質量也與個人知識儲備十分相關。有研究構建了中醫(yī)藥知識圖譜以獲取實體的向量化表示，使向量得到大量領域知識的“加持”，從而提升計算機分析癥狀與藥物對應關系的性能[28]。另一方面，將知識圖譜可視化為拓撲結構圖，可幫助人類快速掌握知識;知識圖譜便于表達關系的特點使實體屬性、相關實體等知識便于獲取，也能輔助人類對知識的理解、探索和判斷。多項研究采用知識卡片和知識可視化的形式對這些知識進行展示[13，15，26，34]。

3.2搜索與推薦知識圖譜可通過對語義的理解提升搜索與推薦服務的性能，幫助用戶更準確地獲取所需知識[49]。例如，中藥制藥知識圖譜針對制藥過程參數辨識、藥物質量溯源等多項主題查詢關聯(lián)數據，以便進行分析并開展中藥制藥過程質量控制[19];中醫(yī)養(yǎng)生知識圖譜提出根據用戶個人資料中的體質信息，通過知識圖譜豐富用戶畫像、獲取語義關聯(lián)，為用戶推薦養(yǎng)生方法，并對推薦結果綜合來源權威性、專家打分、用戶點擊率等信息進行排序[15]?；谥嗅t(yī)藥學語言系統(tǒng)的問答系統(tǒng)則根據用戶的提問為用戶推薦中醫(yī)醫(yī)案[12]。為解決構建搜索時實體向知識圖譜映射失敗的情況，有研究利用JaroWinkler Distance算法計算編輯距離衡量實體間語義相似度、Apriori算法挖掘關聯(lián)規(guī)則獲取如“腹脹”與“便溏”等的語義相關實體以應用[26]。

3.3自動問答自動問答通過自然語言對話的形式幫助人們從知識庫中獲取知識[50]，尤其便于非領域人士獲取中醫(yī)藥知識，因此已成為中醫(yī)藥知識圖譜一個熱門的應用研究方向。多項研究使用模板匹配的方法解析自然語言問題，大多為事實性或選擇性問題的句法規(guī)則形式的模板[16，5152]。其中，例如以“概念、實體、屬性、屬性值”為一條知識，模板一般會空出實體或屬性值，如“脈弦是什么證”或“氣滯的癥狀”;詢問概念和屬性的模板如“氣滯是什么”或“肝與氣血的關系”則比較少。有研究根據匹配結果是否能構成知識圖譜中的子圖來選擇匹配率最高的模板[16]。將知識圖譜與機器學習相結合的混合型方法也得到較多應用。有研究基于GBDT算法訓練了問題的分類模型，其分類空間也即答案類型比較有限，包括知識圖譜涉及的病、證、癥、方、藥、舌、脈7類實體;根據答案與已知命名實體是否直接關聯(lián)，例如“陰虛證的主方里用了哪些中藥”，中藥與陰虛證即非直接關聯(lián)，每類又分2小類[20]。該研究還在面對辨證等包含多項條件的問題時，通過計算候選答案與多個已知實體關系權值的累加，進行結果排序[20]。也有研究使用多輪對話不斷向用戶發(fā)問以獲取更多已知信息，例如癥狀，以此最終確定問題答案[12，26，34]。

3.4輔助決策知識圖譜的推理能力與深層關系發(fā)現(xiàn)能力使其能支持復雜問題解答[53]，從而輔助臨床決策。有研究開發(fā)了程序，將知識圖譜內容自動轉換成推理規(guī)則，并將患者數據關聯(lián)到知識圖譜中的知識，利用Drools引擎進行推理與關系發(fā)現(xiàn)，提供治療方案以輔助醫(yī)生進行開方[16]。另一項研究則設計了推理流程，包括計算藥物組成的相似度，設置藥物功效、禁忌即為用藥患者癥狀的推理規(guī)則等，嘗試回答方劑的主方及其加減原因[24]。

4小結

本研究根據知識圖譜構建與應用技術在中醫(yī)藥領域的應用，總結了中醫(yī)藥知識圖譜研究現(xiàn)狀，分析了仍待發(fā)展之處。

中醫(yī)藥知識參與了知識圖譜構建和應用的各個環(huán)節(jié)，被用于設計知識框架、選擇合適的技術、確保知識圖譜的質量、指導應用的方向等。可見，中醫(yī)藥與信息科學的知識在中醫(yī)藥知識圖譜的構建中都必不可少。與許多領域相比，從非結構化的中醫(yī)藥文本中獲取知識并將其充分表達難度更大;為支持實際應用，中醫(yī)藥知識圖譜對知識的質量和可解釋性要求也更高。為了兼顧這些特點與構建、應用中的效率，尚需許多探索。

5討論

5.1建立關聯(lián)豐富的知識框架，適配多來源數據中醫(yī)藥發(fā)展至今，知識體系逐漸穩(wěn)定，但古今許多場景中仍有不注重病證、不擬定治法、進行單藥或單穴治療等情況存在，不一定包括辨證論治的完整環(huán)節(jié)。例如，依據《傷寒論》構建的桂枝湯類方知識圖譜涉及的概念只有癥狀、方劑、藥物3者[21]。因此，不拘泥于一般診療邏輯，在多種概念間建立豐富關聯(lián)，有助于知識框架適配各來源數據中的體系多變或信息缺失的情況。

5.2豐富中醫(yī)理論知識醫(yī)療風險可致嚴重后果，這使醫(yī)學知識圖譜格外需要可解釋性，以便用戶判斷、信賴其提供的知識。因此，能為實踐經驗提供解釋的中醫(yī)基礎理論、各家學術思想等知識需被納入中醫(yī)藥知識圖譜中。并且，中醫(yī)藥的整體觀使理論知識中關系豐富，增加這些知識也有利于中醫(yī)藥知識圖譜的實際應用。例如，情志不暢知識的推薦可能有助于消化不良的治療，因為它們的五行屬性木、土具有直接聯(lián)系。

5.3匯集中醫(yī)古籍知識時獲取其研究文獻作為輔助注釋是中醫(yī)文獻整理研究的主要內容之一，一則掃除文字障礙，一則闡明義理[54]，注釋對象包括詞語解釋、古代的度量衡、歷史事實、古代的地理以及名物制度等，范圍很廣[55]。此類知識不僅存在于專門的中醫(yī)文獻研究中，現(xiàn)代論文在引用古籍知識時常常也會進行原文解讀。在集成古籍知識構建知識圖譜時，這些對古籍的注釋研究可作為擴展特征，提供更多信息。

5.4完善質量評估、控制構建時使用大量人力雖使中醫(yī)藥知識圖譜的準確性相對較高，但由于領域缺乏公認標準，依據個人經驗難免人為造成偏倚[27]，而且構建后較少涉及對其一致性、完整性和時效性的審核。目前，中醫(yī)藥領域只有少量研究使用自定義問題集測試了基于知識圖譜的問答系統(tǒng)的性能[20，26]，尚未真正開展質量評估。這導致已有中醫(yī)藥知識圖譜構建技術的可復用程度難以衡量。在質量控制上，對選擇權威來源、制定加工規(guī)范、改進知識自動獲取或融合技術等方法仍難避免的錯誤，各研究主要通過人工審核消除，效率還難以應對大規(guī)模知識圖譜。因此，中醫(yī)藥知識圖譜領域還須建立具體評估方法和效率更高的質量控制手段。

5.5構建非文本中醫(yī)藥知識圖譜僅依靠文本數據難以覆蓋足夠的中醫(yī)藥領域知識，例如《補遺雷公炮制便覽》《本草綱目》中的豐富插圖等。中醫(yī)藥領域中也有一些知識在結合多媒體信息時才能更好地理解，例如脈診、舌診，以及取象比類思想指導下的醫(yī)療實踐等。這些信息可集成于視覺知識圖譜、多模態(tài)知識圖譜等非文本知識圖譜中[56]，中醫(yī)藥領域須對此進行探索。

5.6構建、融合各子領域知識圖譜構建領域通用的知識圖譜的工作量非常大，耗時長且難以維護。目前一些子領域劃分不太明確的中醫(yī)藥知識圖譜之間的主要差異在于知識來源，實際上可能有大量重疊的工作。如果各構建者根據自己的應用需求構建高質量的子領域知識圖譜，并允許另一些需求將它們重復利用或融合使用，則可更為高效。此外，在臨床實際中，中醫(yī)、西醫(yī)、公共衛(wèi)生知識常?；檩o助，因此中醫(yī)藥知識圖譜也需要與其他領域知識圖譜融合使用。

5.7社會化共享與協(xié)作已有研究提出在知識服務中以類似眾包的形式促進中醫(yī)藥知識圖譜的完善[14]。作為鏈接數據背景下的產物，中醫(yī)藥知識圖譜應能支持社會化共享與協(xié)作。其形式包括知識圖譜本身開放共享、實現(xiàn)基于知識圖譜的服務2種;這也可以促進領域知識圖譜的研究進展。

參考文獻

[1]趙軍.人工智能叢書：知識圖譜[M].北京：高等教育出版社，2018：7.

[2]肖仰華.知識圖譜：概念與技術[M].北京：電子工業(yè)出版社，2019：910.

[3]趙軍.人工智能叢書：知識圖譜[M].北京：高等教育出版社，2018：9.

[4]張雨琪，李宗友，王映輝，等.中醫(yī)藥知識圖譜的構建與應用研究進展[J/OL].世界中醫(yī)藥：110[20210530].http：//kns.cnki.net/kcms/detail/11.5529.R.20210524.1348.014.html..

[5]曹麗英，邸玉琦，陳帥.基于知識圖譜的玉米病蟲害研究可視化分析[J/OL].東北農業(yè)科學：17[20210530].http：//kns.cnki.net/kcms/detail/22.1376.S.20210511.1436.005.html.

[6]陳悅，劉則淵.悄然興起的科學知識圖譜[J].科學學研究，2005，23（2）：149154.

[7]趙軍.人工智能叢書：知識圖譜[M].北京：高等教育出版社，2018：20.

[8]王昊奮，漆桂林，陳華鈞.知識圖譜：方法、實踐與應用[M].北京：電子工業(yè)出版社，2019：15.

[9]于彤，劉靜，李海燕，等.中醫(yī)藥子本體抽取方法研究進展[J].中國數字醫(yī)學，2017，12（1）：2628.

[10]張瑩瑩.基于知識圖譜的舌像診療系統(tǒng)研究與構建[D].成都：電子科技大學，2019.

[11]賈李蓉，劉靜，于彤，等.中醫(yī)藥知識圖譜構建[J].醫(yī)學信息學雜志，2015，36（8）：5153.

[12]賈李蓉，劉麗紅，劉靜，等.基于中醫(yī)藥學語言系統(tǒng)的知識問答系統(tǒng)的設計與構建[J].中華醫(yī)學圖書情報雜志，2019，28（5）：1114.

[13]于彤，李敬華，朱玲，等.中醫(yī)臨床知識圖譜的構建與應用[J].科技新時代，2017，22（4）：5154.

[14]張德政，謝永紅，李曼，等.基于本體的中醫(yī)知識圖譜構建[J].情報工程，2017，3（1）：3542.

[15]于彤，李敬華，于琦，等.中醫(yī)養(yǎng)生知識圖譜的構建與應用[J].中國數字醫(yī)學，2017，12（12）：6466.

[16]阮彤，孫程琳，王昊奮，等.中醫(yī)藥知識圖譜構建與應用[J].醫(yī)學信息學雜志，2016，37（4）：813.

[17]夏宇航，高大啟，阮彤，等.基于知識圖譜的醫(yī)療病歷數據存儲研究[J].計算機工程，2019，45（1）：916，22.

[18]郝偉學.中醫(yī)健康知識圖譜的構建研究[D].北京：北京交通大學，2017.

[19]仲懌，茹晨雷，張伯禮，等.基于知識圖譜的中藥制藥過程質量控制方法學研究[J].中國中藥雜志，2019，44（24）：52695276.

[20]羅計根.面向中醫(yī)領域知識圖譜構建的關鍵技術研究及應用[D].南昌：江西中醫(yī)藥大學，2019.

[21]趙凱，王華星，施娜，等.基于Neo4j桂枝湯類方知識圖譜的研究與實現(xiàn)[J].世界中醫(yī)藥，2019，14（10）：26362639，2646.

[22]朱丹.名老中醫(yī)治療脂肪性肝病的證治規(guī)律研究及知識圖譜構建探索[D].北京：中國中醫(yī)科學院，2019.

[23]謝先章.面向中醫(yī)骨科問診的疾病知識圖譜構建技術研究[D].昆明：昆明理工大學，2019.

[24]尹丹，周璐，周雨玫，等.中醫(yī)經方知識圖譜“圖搜索模式”設計研究[J].中國中醫(yī)藥信息雜志，2019，26（8）：9498.

[25]郭文龍.中醫(yī)方劑知識圖譜構建研究與實現(xiàn)[D].蘭州：蘭州大學，2019.

[26]肖猛.面向中醫(yī)證候的健康領域知識圖譜構建與應用研究[D].長春：吉林大學，2019.

[27]鄧宇，周衛(wèi)強，張振銘，等.基于名老中醫(yī)醫(yī)案的知識圖譜構建[J].湖南中醫(yī)雜志，2019，35（7）：186187.

[28]張穎.中醫(yī)診療數據的隱語義分析技術[D].上海：華東師范大學，2019.

[29]蔣羽.面向中醫(yī)方劑配伍的中藥文本挖掘研究[D].成都：電子科技大學，2019.

[30]張藝品，關貝，呂蔭潤，等.深度學習基礎上的中醫(yī)實體抽取方法研究[J].醫(yī)學信息學雜志，2019，40（2）：5863.

[31]高甦，金佩，張德政.基于深度學習的中醫(yī)典籍命名實體識別研究[J].情報工程，2019，5（1）：113123.

[32]原旎，盧克治，袁玉虎，等.基于深度表示的中醫(yī)病歷癥狀表型命名實體抽取研究[J].世界科學技術中醫(yī)藥現(xiàn)代化，2018，20（3）：355362.

[33]趙立鵬.面向中醫(yī)文本的關系抽取技術研究[D].唐山：華北理工大學，2019.

[34]鄭子強.面向慢性腎臟病中醫(yī)醫(yī)案的知識圖譜學習與推理研究[D].成都：電子科技大學，2020.

[35]李煥.基于深度學習與主動學習的中醫(yī)術語識別研究[D].北京：北京工業(yè)大學，2019.

[36]王莉軍，李旭婕，劉志輝，等.基于開放信息源的實體挖掘方法研究[J].情報科學，2019，37（8）：139144.

[37]魏尊強，舒紅平，王亞強.基于序列標注的中醫(yī)癥狀名識別技術研究[J].山東工業(yè)技術，2015，34（8）：237238.

[38]袁玉虎，周雪忠，張潤順，等.面向中醫(yī)臨床現(xiàn)病史文本的命名實體抽取方法研究[J].世界科學技術中醫(yī)藥現(xiàn)代化，2017，19（1）：7077.

[39]葉輝，姬東鴻.基于多特征條件隨機場的《金匱要略》癥狀藥物信息抽取研究[J].中國中醫(yī)藥圖書情報雜志，2016，40（5）：1417.

[40]孟洪宇，謝晴宇，常虹，等.基于條件隨機場的《傷寒論》中醫(yī)術語自動識別[J].北京中醫(yī)藥大學學報，2015，38（9）：587590.

[41]劉凱，周雪忠，于劍，等.基于條件隨機場的中醫(yī)臨床病歷命名實體抽取[J].計算機工程，2014，40（9）：312316.

[42]王世昆，李紹滋，陳彤生.基于條件隨機場的中醫(yī)命名實體識別[J].廈門大學學報：自然科學版，2009，48（3）：359364.

[43]袁玉虎.面向癥狀表型的命名實體抽取方法研究[D].北京：北京交通大學，2017.

[44]李明浩，劉忠，姚遠哲.基于LSTMCRF的中醫(yī)醫(yī)案癥狀術語識別[J].計算機應用，2018，38（S2）：4246.

[45]原旎.醫(yī)學疾病表型實體及其關系抽取方法研究[D].北京：北京交通大學，2019.

[46]羅計根，杜建強，聶斌，等.基于雙向LSTM和GBDT的中醫(yī)文本關系抽取模型[J].計算機應用研究，2019，36（12）：37443747.

[47]孫健，高大啟，阮彤，等.中文電子病歷中的時間關系識別[J].計算機應用，2018，38（3）：626632.

[48]王昊奮，漆桂林，陳華鈞.知識圖譜：方法、實踐與應用[M].北京：電子工業(yè)出版社，2019：282.

[49]肖仰華.知識圖譜：概念與技術[M].北京：電子工業(yè)出版社，2019：407.

[50]王昊奮，漆桂林，陳華鈞.知識圖譜：方法、實踐與應用[M].北京：電子工業(yè)出版社，2019：366.

[51]陳程，翟潔，秦錦玉，等.基于中醫(yī)藥知識圖譜的智能問答技術研究[J].中國新通信，2018，20（2）：204207.

[52]鄭懿鳴，翟潔，胡曉龍，等.基于中醫(yī)藥知識圖譜的智能問答與用藥推薦系統(tǒng)[J].電子技術與軟件工程，2019，26（20）：134135.

[53]肖仰華.知識圖譜：概念與技術[M].北京：電子工業(yè)出版社，2019：23.

[54]張燦玾.中醫(yī)文獻整理研究簡議[J].高教戰(zhàn)線，1984，5（6）：3133.

[55]任海霞，楊越朝.做好中醫(yī)古籍整理出版工作的5個關鍵點[J].科技與出版，2013，32（2）：4142.

[56]朱木易潔，鮑秉坤，徐常勝.知識圖譜發(fā)展與構建的研究進展[J].南京信息工程大學學報：自然科學版，2017，9（6）：575582.

（2020-08-27收稿本文編輯：張雄杰）

基金項目：國家重點研發(fā)計劃“云計算和大數據”重點專項（2017YFB1002300）——大數據驅動的中醫(yī)智能輔助診斷服務系統(tǒng);中國工程科技知識中心項目（CKCEST2020118）——中醫(yī)學專業(yè)知識服務系統(tǒng);中國中醫(yī)科學院中醫(yī)藥“一帶一路”合作專項（GH201708）——國際中醫(yī)藥臨床知識服務平臺構建研究;中國中醫(yī)科學院基本科研業(yè)務費自主選題項目（ZZ11053）——基于深度學習的中成藥知識圖譜構建與輔助決策研究

作者簡介：張雨琪（1996.04—），女，碩士研究生在讀，研究方向：中醫(yī)信息學，Email：zhyui@outlook.com

通信作者：于彤（1981.03—），男，博士后，副研究員，研究方向：中醫(yī)藥信息學，Email：yutongoracle@hotmail.com