语义计算、知识图谱与智能问答（实例）

本文，以医药知识图谱“神机医药”APP为例，简述如何通过“语义计算”构建知识图谱，利用知识图谱进行“智能问答”服务。
“神机医药”APP搜集了15606条“药品”信息，14172条“疾病”信息，5756条“症状”信息，12万条以上的“问答”信息，通过“语义计算”确定知识之间的相关性、相关度，自动构建“医药知识图谱”，动态解答医药常识问题。
在介绍“语义计算”自动构建“医药知识图谱”，动态解答医药常识问题之前，先讨论一些相关概念。

一、知识图谱相关概念
1、知识图谱与智能问答
Google公司于2012年提出知识图谱，目的是根据知识之间的关系、构建知识结构，在关键词搜索基础上，利用知识图谱自动搜索相关知识。
从广义上看，搜索引擎也是解答问题的一种形式，加入知识图谱后，可通过“知识图谱”寻找相关答案。知识图谱应用于智能问答的关键在于“语义计算”，具体为三点：
第一、构建知识图谱
在构建知识图谱时，通过“语义计算”确定说明知识文本的含义；
第二、理解问题
回答问题的前提是理解问题，通过“语义计算”确定问题的含义；
第三、解答问题
在解答问题时，通过“语义计算”与知识图谱中的知识进行最优匹配。
2、知识图谱是“图”吗？
从字面上看，知识图谱是图，是知识结构图。对于少量知识，用图来表示知识结构更为清晰，容易理解，但Google是互联网搜索引擎公司，网页数量巨大，无法在一个屏幕上用图来表示知识结构，显然，简单地将“知识图谱”理解为“图”或“知识可视化”是片面的，Google 公司提出“知识图谱”目的是构建搜索引擎，而不是“知识可视化”，显示知识结构图。
3、知识图谱表达的是“知识结构关系”吗？
通常，所谓“图谱”，是用图的形式来表示某种事物关系结构，如“家谱”，表示家族关系结构。因此，知识图谱是“知识关系结构”，用图来表示为，由“节点”和“连线”（边）组成，“节点”为“知识”，“连线”（边）为“知识”之间的关系。
4、什么是知识图谱中的“知识”？
既然知识图谱表达的是“知识结构关系”，那么，什么是“知识”？
对汉字而言，一个“词”、甚至是一个“字”都有特定含义，都是“知识”。那么，一个“词”或一个“字”就是知识图谱中的“知识”吗？显然不是，因为，“字”或“词”存在多义性，在不同的语境下含义不同，仅看一个“字”或“词”不知道其具体含义是什么？必须用一段文字进行说明，配合一定的语境才可确定其具体含义。因此，从自然语言处理NLP来看，“知识”是一段文本说明的含义，对于互联网搜索引擎来说，是URL页面记载内容说明的含义。
5、知识图谱是“语义网络”吗？
所谓“语义”是语言的含义，从自然语言处理NLP角度看，“知识”是一段自然语言文本所表达的含义。即便是数学，其中用数学符号语言（公式）来定义数学模型，但离开文字说明，人们也很难理解其含义。因此，对于计算机处理而言，“知识”是一段文本表达的含义，也可以说是“语义”。
用二维平面图来表示，知识图谱是由节点和连线做组成的网络图：
图（图-1）
一个“知识”是一个节点，可能与其他很多“知识”相关，在图上表现为有很多连接的边，由此形成复杂的连接网络。
因为，“知识”是一段文本说明的含义，所以说，是知识图谱是“语义网络”，是将诸多说明“知识”的文本进行“语义计算”后，组成的“语义网络”。
6、如何运用“语义计算”进行“知识节点”关联？
构建知识图谱的关键在于，如何确定知识之间的关联？因为，“节点”之间的“连线”表示为“知识”与“知识”之间存在关系，但是什么关系？关联度有多大？如何计算？这是构建知识图谱的重点。
（1）定性关系
在知识图谱中，“知识”之间的“关系”可以是一个简单的定性说明，仅仅是一个文本描述，如：父子关系、夫妻关系、业务关系、隶属关系等。在计算上，这样的关系是0,1二值关系，即为是否存在关系？什么关系？无需计算。
（2）定量关系
在自然界很多情况，一个“知识”与其他很多“知识”都有关系，关系有强弱之分。简单的0,1关系不足以表达关系的强弱，需要更详细的定量分析，计算“相关度”（或关联度）。对搜索引擎来说，“相关度”也就是搜索结果排序Page Rank；对“知识图谱搜索引擎”来说，“相关度”需要“语义计算”，也就是计算语言含义的相似度，因此，定量分析为根据“语义”的相似度，以此来确定知识之间的定量关系。
定义：
（1）设：K（X）为一个知识“节点”，是一段说明“知识”的文本；
（2）设：KR（X，Y）为知识 X与知识Y之间的关联度，在图中，为“知识”节点之间连线（边）的计算权重。
（3）设：相关度KR（X，Y）是一个0-1之间的数，0≤KR（X，Y）≤1=100%。
若，KR（X，Y）=0，则，两个“知识”没有关系；
若，KR（X，Y）= 100%，则，两个“知识”相等；
若，KR（X，Y）≥80%，则，两个“知识”相近，在具体应用时可以设定阀值，根据应用情况来设置。
虽然K（X）知识“节点”是一段说明“知识”的文本，但不能简单地用字符串比较来计算关联度KR（X，Y）。因为，文本的长度也不同，证人语言中有很多同义词或意思相近的词，因此，虽然文本长度不同、用词不同，但说明的内容相同或相近，所以，简单的字符串比较无法确定知识的相关性，而“内容相似度计算”可以解决“语义计算”问题，计算知识之间的关联度KR（X，Y）。
7、“知识本体”、“知识实体（实例）”、半结构化数据
（1）知识本体
所谓“知识本体”相当于关系数据库RDB中的表结构，是记录知识的结构，也就是用X维特征来描述“知识”。
（2）知识实体（实例）
所谓“知识实例”相当于关系数据库RDB中的记录，是一个独立的知识记录。
（3）半结构化数据
虽然知识可以存储为格式化记录，但知识记录并非关系数据库RDB中的结构化数据。因为，虽然“知识记录”有结构，但字段存放的是文本说明的内容，无法用字符串比较进行计算，无法用结构化查询语言SQL查询，因此，“知识记录”虽然有结构，但不是“结构化数据”，而是“半结构化数据”。
二、“语义计算”自动构建“知识图谱”
以下用一个实例来说明，如何利用“语义计算”来自动构建医药知识图谱，该实例可在华为应用商店，搜索“神机医药”进行下载。
在“神机医药”APP中，有“药品”和“病症”两类知识，在互联网上爬网页，每个“药品”、“病症”都是一个知识K（X），“药品”和“病症”存在以下4种关系：
“药品”对应的“病症”（药品治疗的病症）；
“病症”对应的“药品”（病症用什么药品治疗）；
“药品”相关的“药品”（可以治疗相同或相近疾病的药品）；
“病症”相关的“病症”（相似或相关的病症）；
通过“语义计算”，得到上述4种关系的相关度KR（X，Y），建立索引，由此完成自动构建 “医药知识图谱搜索引擎”，加上手机交互界面，形成“神机医药”APP。以下是具体步骤和方法。
1、抽取知识本体（实例），形成知识记录
构建知识图谱第一步是，定义“知识本体”，也就是根据知识的特点，定义存储知识记录的格式。
对同一类的知识K（X），可用多个维度来描述，在关系数据库RDB中也就是记录的字段变量：
例如，对“疾病”可有：症状、检验方法、治疗手段等字段；
例如，对“药品”可有：适应病症、用法、成分、副作用、禁忌、注意事项等。
可见，对于一类的知识本体，可用统一的格式来描述，形成格式化记录（知识实例），不同类型的知识，有不同格式的记录，在知识图谱中，每个K（X）知识节点，都是一个独立的知识记录。
2、知识记录
“神机医药”APP通过对自由格式网页处理，得到半结构化知识记录，其中包括两种知识本体：“药品”和“疾病”，有两种格式的知识记录，每个都是一条独立的“知识记录”。
（图-2）
3、计算相关性
用“内容相似度计算”，对“知识记录”进行相关性计算，得到“知识记录”之间的相关度KR（X，Y），也是“节点”之间的连接权重，是0 – 100%之间的小数。
4、非对称性
相关度KR（X，Y）具有非对称性，KR（X，Y）≠ KR（Y，X）。
也就是说，知识K（X）对知识K（Y）的关联度，与知识K（Y）对知识K（X）的关联度不同，需要单独计算。
5、构建“医药知识图谱”
通过“内容相似度计算”，得到“药品”、“疾病”知识记录的相关度，由此得到关系结构图（知识图谱）。
（图-3）
将关系结构图保存，组成倒排序索引，构成“医药知识图谱”的关系表。
6、知识网络KN
每个知识K（X），都可能与很多其他知识K（Y）相关，相关度KR（X，Y）>0的知识形成“知识网络”KN（Knowledge Network）。
例如：在“图-3”中，有4个知识网络KN（i），i=1,2,3,4：
知识1、知识3、知识7，具有相关性， KN（1） = {知识1，知识3，知识7}；
知识2、知识4、知识5，具有相关性， KN（2） = {知识2，知识4，知识5}；
知识3、知识8，具有相关性， KN（3） = {知识3，知识8}；
知识4、知识6、知识7，具有相关性， KN（4） = {知识4，知识6，知识7}。
7、知识网络桥KNB
知识图谱最重要的用途是相似内容“推荐”，可根据知识之间的相关性进行智能化“推荐”，但这只能在一个“知识网络”KN（i）中进行，因为，只有在一个“知识网络”KN（i）中的知识节点具有“连线”，无法“推荐”其他“知识网络”KN（j）中的知识，由此形成了“知识壁垒”。
如何建立不同“知识网络”KN（i，j）之间的通道，打通“知识壁垒”？将不同的知识体系融会贯通，这就需要在各“知识网络”KN寻找通道。具体方法如下：
在各“知识网络”KN中，寻找相同的“知识”K（X），得到交集：
“知识交集”= KN（i）∩ KN( j )，
“知识交集”为不同“知识网络”KN（ i - j ）之间的连接“桥”，称之为“知识网络桥”KNB（Knowledge Network Bridge），KNB连接各个“知识网络”。
（图-4）
例如：在“图-3”中：
知识1、知识3、知识7，具有相关性， KN（1） = {知识1，知识3，知识7}；
知识2、知识4、知识5，具有相关性， KN（2） = {知识2，知识4，知识5}；
知识3、知识8，具有相关性， KN（3） = {知识3，知识8}；
知识4、知识6、知识7，具有相关性， KN（4） = {知识4，知识6，知识7}。
KN 1与KN 3存在交集KN 1 ∩ KN 3 = {“知识3”}，KN 1与KN 3通过“知识3”进行连接，“知识3”是KN 1与KN 3连接的“桥”KNB（1-3）；
KN 2与KN 4存在交集KN 2 ∩ KN 4 = {“知识4”}，KN 2与KN 4通过“知识4”进行连接，“知识4”是KN 2与KN 4连接的“桥”KNB（2-4）。
8、知识融合
“知识网络桥”KNB连接不同的“知识”体系，因此，“知识网络桥”KNB可以打破“知识壁垒”，使不同体系的知识相互融会贯通。
科技领域很多重要进步，正是因为将其他“知识体系”的引入到本“知识体系”，推动技术进步。
9、知识系统组成知识神经元网络
首先，将众多分散、独立的“知识”连接起来，组成相互联通的“知识网络”KN。
其次，将众多的“知识网络”KN用“知识网络桥”KNB连接起来，组成“知识网络系统”KNS（Knowledge Network System），将分散的知识有机地连接起来，便于相关主题知识聚类和自动搜索。
在“知识网络系统”KNS中，每个问题的“解”都是一组“知识集合”组成的“知识网络”KN。
例如在通过“语义计算”，确定连接关系如下：
在这里插入图片描述
{ 药品1，药品2，病症3，病症5}关联，KN 1={ 药品1，药品2，病症3，病症5}；
{ 药品2，病症1、病症2、病症3}关联，KN 2={ 药品2，病症1，病症2，病症3}。
在KN 1、KN 2中，都存在“药品2”和“病症3”，交集：
KN 1 ∩ KN 2 = {“药品2”，“病症3”}，
KN 1与KN 2通过“药品2”、“病症3”进行关联，KNB={药品2、病症3}。
从KN 1与KN 2的关联可知，在看似相互独立的知识体系之间，存在复杂的关联。人类的知识系统是由众多相互连通的“知识网络”组成得多回路复杂的知识系统，由此构成“知识神经元网络”。而恰恰正是因为在独立的知识之间存在复杂的关联，因此，普通人不经过长期的强化训练，很难形成解决具体问题的系统知识。
三、知识图谱搜索
“神机医药”APP是基于“语义计算”构建的知识图谱搜索引擎，在网上搜集了：
15606条“药品”信息；
14172条“疾病”信息；
5756条“症状”信息；
12万条“问答”信息。
。由于爬取网页信息本身不规范，信息不规范，因此，没有进行完全的规范“知识本体”设计（知识格式化）。
1、“语义计算”
构建知识图谱的第一步是“语义计算”。
（1）“药品”与“疾病”相关性语义计算
通过对15606条“药品”说明书文本“语义计算”，抽取对应“疾病”的语义；再与14172条“疾病”信息文本、5756条“症状”信息文本进行“语义计算”，得到：
15606 X （14172 + 5756）个“药品”与“疾病”、“症状”的相关度。
（2）“药品”与“药品”相关性语义计算
通过对15606 条“药品”说明书文本的“语义计算”，抽取对应“疾病”的“语义”，分别与其他“药品”信息进行“语义计算”，得到：
15606 X（15606 -1）个“药品”的相关度。
（3）“疾病”与“疾病”相关性语义计算
通过对14172条“疾病”信息、5756条“症状”信息进行“语义计算”，得到：
（14172 + 5756）X （14172 + 5756 – 1 ）个“疾病”的相关度。
（4）“问答”与“药品”、“疾病”、“疾病”相关性语义计算
通过对12万条“问答”，与14172条“疾病”信息、15606条“药品”信息、5756条“症状”信息进行“语义计算”，得到：
12万X（14172+15606+5756）个“问答”与“药品”、“疾病”、“疾病”的相关度。
2、构建“语义网络”
通过上述“语义计算”，得到“药品与疾病”、“药品与药品”、“疾病与疾病”、“问答与药品、疾病”相关度，由此构成医药知识相关“语义网络”。
3、医药知识图谱“神机医药”APP
在华为应用商店，搜索“神机医药”进行下载APP，安装后，在手机桌面出现“神机医药”APP图标，点击图标，进入“神机医药”APP。
在这里插入图片描述
点击搜索框，进入搜索页面，

选择“药品”或“疾病”，在搜索框内输入查询的关键词（或选择历史搜索关键词），搜索包含关键词的“药品”或“疾病”。
如，选择“药品”，在搜索框内输入“干眼症”，搜索出“知识记录”文本中，包含“干眼症”的药品，
在这里插入图片描述
如，选择“卡波姆滴眼液”，屏幕上显示详细信息，

上面显示“相关药品”（关联药品）、“相关疾病”（该药品治疗的疾病）。这是通过“语义计算”得到“药品”与“药品”之间的相关性，确定了“卡波姆滴眼液”与其他“药品”的相关度。
点击“相关药品”，
在这里插入图片描述
屏幕上出现与其相关的药品，其中，“复方门冬维甘滴眼液”、“七叶洋地黄双苔滴眼液”、“维生素C”、“鱼肝油”等，都是与“卡波姆滴眼液”治疗病症相关的药品。
点击“相关问答”，屏幕出现：
在这里插入图片描述
四、智能问答
1、目前的“智能问答”
目前在各大“电商”网站上看到的所谓“智能问答”，其实没有任何“智能”，都是模式化问答。事先准备“问题”和匹配的“答案”，用户选择事先准备好的问题，计算机给出实现准备好的答案，没有任何智能而言。
2、“语义计算 - 知识图谱”与“智能问答”
“语义计算 – 知识图谱”不同于各大“电商”网站上的自动问答。从“神机医药”APP可以看出，与现在各大“电商”网站上所谓的“智能问答”比较，存在以下区别：
（1）问题
目前，各大“电商”网站上所谓的“智能问答”没有任何“智能”而言，其中的“问题”，都是针对用户经常提问问题的整理、归纳，而用户提出的问题五花八门，如果不是事先准备好的提问，“智能问答”无法进行回答。
“神机医药”上搜集了12万个医生问答，但并没有像“电商”网站上所谓的“智能问答”给出12万个“提问”，而是根据用户当前阅读浏览的内容（语义），通过“知识图谱”，自动地给出相关的问答。
（2）答案
虽然搜集的12万个医生问答，都是医生根据用户的提问所做的回答，是“一对一”的问答，但“神机医药”通过对医生回答进行“语义计算”，抽取“语义”，再通过“语义计算”与“药品”、“疾病”、“症状”描述文本进行“语义计算”，得到相关性，可以将12万“医生回答”应用到：15606条“药品”、14172条“疾病”和5756条“症状”中，计算机可以自动回答提问的任何问题，而不是“一对一解答问题”。
从“神机医药”可以看出，“语义计算 - 知识图谱”可以做到真正的“智能问答”，无需实现准备模式化的提问、也无需事先指定回答，“知识图谱搜索引擎”可根据提问的只言片语（关键词），给出回答问题的“解集合”，再通过“知识图谱”的语义计算得到的“相关度”，迅速在现有回答知识中，最符合问题的回答。
六、结束语
《神机医药》app，通过“语义计算”，形成“语义网络”，进一步通过“知识网络桥”KNB打通不同“语义网络”，构建知识图谱搜索引擎。改变了传统“关键词搜索引擎”的结构，将用户输入关键词的搜索引擎“被动搜索”，变成了知识图谱的“主动搜索”，大幅度搜索提高了搜索效率，使搜索引擎更加“智能化”。
在“智能问答”方面，“知识图谱”可以根据语义计算，快速、动态地寻找最优答案，准确回答用户提出的问题。

欢迎使用Markdown编辑器

你好！这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

新的改变

我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：

全新的界面设计 ，将会带来全新的写作体验；
在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示；
增加了 图片拖拽 功能，你可以将本地的图片直接拖拽到编辑区域直接展示；
全新的 KaTeX数学公式 语法；
增加了支持甘特图的mermaid语法¹ 功能；
增加了 多屏幕编辑 Markdown文章功能；
增加了 焦点写作模式、预览模式、简洁写作模式、左右区域同步滚轮设置 等功能，功能按钮位于编辑区域与预览区域中间；
增加了 检查列表 功能。

功能快捷键

撤销：Ctrl/Command + Z
重做：Ctrl/Command + Y
加粗：Ctrl/Command + B
斜体：Ctrl/Command + I
标题：Ctrl/Command + Shift + H
无序列表：Ctrl/Command + Shift + U
有序列表：Ctrl/Command + Shift + O
检查列表：Ctrl/Command + Shift + C
插入代码：Ctrl/Command + Shift + K
插入链接：Ctrl/Command + Shift + L
插入图片：Ctrl/Command + Shift + G
查找：Ctrl/Command + F
替换：Ctrl/Command + G

合理的创建标题，有助于目录的生成

直接输入1次#，并按下space后，将生成1级标题。
输入2次#，并按下space后，将生成2级标题。
以此类推，我们支持6级标题。有助于使用TOC语法后生成一个完美的目录。

如何改变文本的样式

强调文本 强调文本

加粗文本 加粗文本

标记文本

~~删除文本~~

引用文本

扫描二维码关注公众号，回复： 8980884 查看本文章

H₂O is是液体。

2¹⁰ 运算结果是 1024.

插入链接与图片

链接: link.

图片: Alt

带尺寸的图片:

居中的图片: Alt

居中并且带尺寸的图片:

当然，我们为了让用户更加便捷，我们增加了图片拖拽功能。

如何插入一段漂亮的代码片

去博客设置页面，选择一款你喜欢的代码片高亮样式，下面展示同样高亮的 代码片.

// An highlighted block
var foo = 'bar';

生成一个适合你的列表

项目
- 项目
  - 项目

项目1
项目2
项目3

计划任务
完成任务

创建一个表格

一个简单的表格是这么创建的：

项目	Value
电脑	$1600
手机	$12
导管	$1

设定内容居中、居左、居右

使用:---------:居中
使用:----------居左
使用----------:居右

第一列	第二列	第三列
第一列文本居中	第二列文本居右	第三列文本居左

SmartyPants

SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如：

TYPE	ASCII	HTML
Single backticks	`'Isn't this fun?'`	‘Isn’t this fun?’
Quotes	`"Isn't this fun?"`	“Isn’t this fun?”
Dashes	`-- is en-dash, --- is em-dash`	– is en-dash, — is em-dash

创建一个自定义列表

Markdown: Text-to- HTML conversion tool
Authors: John; Luke

如何创建一个注脚

一个具有注脚的文本。²

注释也是必不可少的

Markdown将文本转换为 HTML。

KaTeX数学公式

您可以使用渲染LaTeX数学表达式 KaTeX:

Gamma公式展示 $\Gamma(n) = (n-1)!\quad\forall n\in\mathbb N$ 是通过欧拉积分

$\Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,.$

你可以找到更多关于的信息 LaTeX 数学表达式here.

新的甘特图功能，丰富你的文章

关于 甘特图 语法，参考这儿,

UML 图表

可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图：

这将产生一个流程图。:

关于 Mermaid 语法，参考这儿,

FLowchart流程图

我们依旧会支持flowchart的流程图：

关于 Flowchart流程图 语法，参考这儿.

导出与导入

导出

如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ，生成一个.md文件或者.html文件进行本地保存。

导入

如果你想加载一篇你写过的.md文件，在上方工具栏可以选择导入功能进行对应扩展名的文件导入，
继续你的创作。

mermaid语法说明 ↩︎
注脚的解释 ↩︎

bicliu

发布了1 篇原创文章 · 获赞 0 · 访问量 7

私信关注

语义计算、知识图谱与智能问答（医药常识问答实例）