基于知识图谱的问答

2012年，为了提升用户的搜索体验，谷歌发布了知识图谱（Knowledge Graph），当时的宣传语是“Things not strings”，即搜索不再是无意义的字符串匹配，而是对字符串背后隐含事物理解后的推荐。例如，在谷歌搜索“姚明的女儿是谁”，谷歌会直接返回结果“姚沁蕾”。

能够给出更精准的搜索结果的原因，是因为其背后有谷歌的知识图谱作为辅助。知识图谱是一种用图模型来描述知识和建模世界万物之间的关联关系的技术方法，从本质上来说，知识图谱是由一些相互连接的实体和他们的属性构成的，实体的每一条属性和关系就是一条三元组。在上面的例子中，只需要知识库中包含三元组（姚明，女儿，姚沁蕾），当执行搜索时，可以通过关键词提取，确定“姚明”，“女儿”，然后通过知识库中的匹配获得答案。这种搜索方式可以直接给出最终答案，而传统的搜索引擎，则是返回给用户包含“姚明的女儿”这几个字的网页。

知识图谱的概念提出之后，基于知识图谱的应用越来越多，包括知识推理、语义搜索和知识问答等，其中基于知识库的问答系统（Knowledge-Based Question Answering, KBQA）是知识图谱的核心应用之一。基于知识库的问答是针对给定的自然语言问题，在对问题进行语义理解和解析后，理解用户的意图，利用知识库进行查询和推理，获取相关的知识，并形成答案返回给用户的过程。一般基于知识库的问答系统包括自然语言理解单元、答案构造器和知识图谱三个部分构成，处理步骤一般包括问题分析、词汇关联、歧义消解和构建查询等。

例如，对于前面的例子，换个方式问谷歌“姚明老婆的女儿是谁”，谷歌给出的答案依然是“姚沁蕾”，这一过程基本可以概括为：先通过分词和命名实体识别识别出问句中的“姚明”是一个人名，然后将“姚明”与自身知识图谱中的实体“（著名篮球运动员）姚明”建立映射，同时识别出“老婆”“女儿”对应了知识图谱中的两种关系名称，将“老婆”与知识图谱中关系的“配偶”建立映射，最终通过对知识图谱中的知识进行查询和推理得到了答案。从结果上看，“姚明的女儿是谁”和“姚明老婆的女儿是谁”这两个问题的答案虽然一致，但是在结果的左上角，对于第一问题的结果谷歌的注释是“姚明/女儿”，而对第二个问题的结果谷歌的注释却是“叶莉/女儿”，说明谷歌对第二个问题是做出了两步查询推理才给出的答案，符合第二个问题用户设问的逻辑。

近些年，随着医学知识图谱的发展，医学领域的KBQA已经是医学知识图谱的一个很重要的应用方向，例如，医院现场的智能导诊机器人，线上挂号和线上问诊的推荐等系统中都可以融合KBQA系统作为支撑。特别是今年新冠疫情的出现，使得互联网医疗迎来了快速发展的时机，在防疫形式严峻的时候，越来越多人选择线上形式的就诊。高质量的知识库和KBQA系统，可以给线上就诊的患者带来更好的用户体验。

例如，通过“疾病-科室”的图谱关系科室可以实现网上挂号和问诊的导诊，“疾病-症状”的关系可以实现患者的自查和科普。一般来说KBQA可以通过三种方式来实现：语义解析、信息抽取和向量建模，但是鉴于这是一个垂直领域特定场景的问答，所以可以用一些简单的方式来实现。下面就是一个非常简单实现过程示例：

1. 总结患者可能的问题方式，如“高血压应该挂什么号/挂什么科/去哪个科室？”；

2. 将总结出的句子进行分词，对句子成分进行解析，例如，将“应该”这类词设置为停用词，“挂什么号/挂什么科/去哪个科室”这些关键词与知识图谱中的“科室”这条关系建立映射；

3. 对用户输入的句子进行分词后，去掉停用词，与知识图谱中的实体进行映射，确定实体是“高血压”，关系是“科室”，在图谱中运行查询，得到结果“心血管内科/心脏内科”，与此同时查询出高血压的相关症状，一起返回给用户，在给用户推荐科室的时候也可以推荐高血压的相关知识给用户进行科普和自检。

“疾病-科室”、“疾病-症状”的知识图谱可以辅助智能导诊、线上挂号和问诊系统，还有很多其他医学领域的知识图谱可以在医疗垂直领域的特定场景中起到作用。例如，药品的适应证、禁忌证图谱可以帮助患者和医生的合理用药，临床路径和临床指南的知识图谱可以作为知识库为医生提供相关专业文献的推荐，这些知识图谱都可以嵌入到物联网设备和智能软件中，为人们提供重要的帮助。

OMAHA HiTA：元数据 | 术语 | 知识图谱

为了治愈，我们选择开放和共享