基于医疗知识图谱的问答系统

一、项目来源

由于之前用Rasa构建过对话系统，因此一直想脱离Rasa这个开源框架，从底层开始构建一个可以实现相似功能的对话系统，毕竟框架用的再溜，都不如自己做一遍。

恰巧在Rasa群里看到了 

@王乐

 前辈分享的一个项目：基于知识图谱的医疗诊断知识问答系统，先看了一遍视频，然后把代码下载下来，自己实现了一遍，遇到不懂得地方就再看视频，现在基本把这个项目搞明白了，写个总结分享一下，后期会在现有的基础上做一些横向拓展。

由于前辈已经有了视频讲解(项目主页有视频链接)，我的总结和分享尽量避开已有的讲解内容，避免重复。

因此建议本文和前辈的视频配合食用~

二、项目架构[1]

目前实现的是最小演示版本，后期前辈可能会加上Redis、Elasticsearch、tf-serving等技术栈，但是于我而言，现在的版本已经足够了。

本文的介绍也是基于目前的这个Demo进行的，后期会不断更新。

这个项目已实现的功能：

• 闲聊类的单论对话
• 基于知识图谱的多轮问答

先看一下对话流程，或者也叫文本解析流程，是根据代码逻辑整理出来的：

以用户输入“请问得了心脏病怎么办呢”为例：

NLU模块

1）先进入分类模型1，判断是否是闲聊类的意图，包括：greet、goodbye、deny、isbot、accept、 diagnosis：

• 命中前四个意图，那就进入Chitchat_bot，从准备好的回复语料中随机抽取一条返回给用户，对话结束；
• 命中accept，accept意图是在进行问题澄清时发挥作用；
• 命中diagnosis，进入2）Medical_bot；

本例中，命中的是diagnosis ，进入 2）Medical_bot

2）在Medical_bot中，先进入分类模型2进行意图二次识别，这里包括13个医疗类的意图；然后进入NER模型进行实体识别与提取；

意图识别的结果是

{'confidence': 0.8997645974159241, 'intent': '治疗方法'}

实体识别的结果是

[{'entities': [{'type': 'disease', 'word': '心脏病'}], 'string': '请问得了心脏病怎么办呢'}, {'entities': [{'recog_label': 'dict', 'type': 'disease', 'word': '心
脏病'}], 'string': '请问得了心脏病怎么办呢'}]

前面这两步相当于任务型对话机器人中的NLU模块

DST模块

3）得到意图和实体之后，先用实体填充槽位

这里说一下NLU和DST的联系与区别，NLU和DST的关系其实非常紧密，它们都在槽位填充过程中发挥了作用，但是在这个过程中扮演了不同的角色：

• NLU模块是对用户的输入进行意图的分类，同时对输入中的实体进行标注，下面是上面实体识别结果的节选：

{'entities': [{'type': 'disease', 'word': '心脏病'}], 'string': '请问得了心脏病怎么办呢'}

在此项目中，是标出实体的类型(type)，对应知识图谱中的节点，同时标出对应的字段(word)，但是还没有填充，只是把实体找出来而已。

• DST模块则是基于对话历史，为槽位列表中的每一个槽位找到一个槽位值

"治疗方法":{
        "slot_list" : ["Disease"],