简介这份资源是Python基于知识图谱的医疗问答系统完整毕设项目面向计算机、人工智能、通信、自动化等专业的学生与教师可用于毕业设计、课程大作业或期末课设也适合希望入门知识图谱与智能问答的开发者学习进阶。项目答辩评审分达98分代码均经过调试测试可稳定运行。压缩包共188个文件约23.61MB以71个py源码文件为核心辅以png、jpg图片、md与txt说明文档、csv与json数据、pkl与h5模型文件、pdf资料及bat启动脚本等覆盖数据处理、模型训练与服务部署等环节。目前已有164人学习下载。读者可从中获得完整的知识图谱构建与医疗问答实现方案、可复用的代码结构与数据文件以及说明文档辅助理解既能直接运行体验也能在此基础上修改调整实现不同功能具备较高的学习借鉴价值。1. 医疗问答系统为什么值得用知识图谱重做一遍很多同学做毕业设计时第一反应是拿 Python 写个问答机器人背后接一个 MySQL 表把问题和答案一对一行存进去用户输入什么就模糊匹配一下。这个方案能跑但一碰到「高血压合并糖尿病能不能吃某类药」这种多跳问题就彻底歇菜——因为答案不在任何一条记录里而是藏在「高血压→用药禁忌→某类药物→与糖尿病药物的相互作用」这条链上。知识图谱解决的正是这个问题把疾病、症状、药物、检查、科室这些实体抽出来用关系连成网查询时沿着边一路推理过去答案自然浮出来。这篇面向的是正在做计算机毕业设计、手里有 Python 基础但没碰过图数据库的本科生。我会按「先跑通最小闭环再补工程细节」的顺序把基于知识图谱的医疗问答系统从数据准备、图谱构建、问答解析到前端展示整条链路拆开讲。涉及的技术栈是 Python Neo4j 常见 NLP 工具源码结构会给出关键模块的写法说明文档该写什么也会点到。读完你应该能自己搭出一套能演示、能答辩、经得起老师追问「为什么不用 MySQL」的系统。2. 医疗知识图谱的数据从哪来、怎么设计本体2.1 先定本体再谈爬数据新手最容易犯的错是先写爬虫抓一堆网页回头发现抓下来的文本根本没法结构化。正确顺序是先把本体Ontology定下来——也就是你这个图谱里到底有哪些类型的节点、哪些类型的关系。医疗领域常见做法是参考成熟医学知识体系的设计思路但毕业设计不需要完整复刻抓住核心几类就够节点类型示例建议数量级疾病高血压、2型糖尿病5002000症状头晕、多饮多尿300800药物二甲双胍、阿司匹林4001000检查项目空腹血糖、心电图100300科室内分泌科、心内科3080食物苦瓜、动物内脏200500关系类型对应地设计成疾病-有症状-症状、疾病-常用药-药物、疾病-需检查-检查、疾病-就诊科室-科室、疾病-宜吃/忌吃-食物、药物-相互作用-药物。这套本体定下来之后后面所有数据清洗和入库都围绕它转不会跑偏。注意本体设计阶段就要想清楚问答会问什么。比如你想支持「XX病吃什么药」就必须有疾病-常用药关系想支持「XX药治什么病」同一条边反向查就行不用单独建。2.2 数据采集与清洗的最小可行方案数据来源通常三条路公开医学百科类页面的结构化字段、开放医学数据集、以及自己整理的小规模标注数据。毕业设计建议以公开数据集为主、爬虫补充为辅避免数据量太大反而失控。下面是一个把原始 CSV 清洗成三元组的脚本骨架import pandas as pd import re # 读取原始疾病数据假设列名为 disease, symptom, drug, check, department df pd.read_csv(raw_medical.csv, encodingutf-8) def clean_text(s): 去掉空白、括号注释、多余标点 if pd.isna(s): return s re.sub(r[(].*?[)], , str(s)) # 去括号注释 s re.sub(r\s, , s) # 去所有空白 return s.strip(,、;) triples [] for _, row in df.iterrows(): disease clean_text(row[disease]) if not disease: continue # 一对多字段按分隔符拆开 for sym in re.split(r[,、;], str(row[symptom])): sym clean_text(sym) if sym: triples.append((disease, 有症状, sym)) for drug in re.split(r[,、;], str(row[drug])): drug clean_text(drug) if drug: triples.append((disease, 常用药, drug)) # 去重后落盘 triples list(set(triples)) pd.DataFrame(triples, columns[head, relation, tail]).to_csv( triples.csv, indexFalse, encodingutf-8-sig) print(f共生成 {len(triples)} 条三元组)这段代码的逻辑很直白先做文本归一化把括号注释和空白干掉再按中文分隔符把一对多字段拆成单值最后拼成头实体关系尾实体三元组并去重。参数上要注意encodingutf-8-sig不然后面 Neo4j 导入时中文容易乱码。re.split里的分隔符集合要按你实际数据调整很多公开数据集用的是顿号或分号漏一个就会把「头晕、头痛」当成一个实体。清洗完先别急着入库用下面这段快速看一眼数据质量df_tri pd.read_csv(triples.csv) print(实体总数:, len(set(df_tri[head]) | set(df_tri[tail]))) print(关系分布:\n, df_tri[relation].value_counts()) # 检查异常短实体 bad df_tri[(df_tri[head].str.len() 2) | (df_tri[tail].str.len() 2)] print(可疑短实体条数:, len(bad))实体总数和关系分布直接决定你图谱的「厚度」答辩时老师大概率会问。如果某个关系只有几十条边说明这类数据没采够要么补数据要么在文档里说明取舍。3. 用 Neo4j 把三元组变成可查询的图谱3.1 环境搭建与批量导入图数据库选 Neo4j 是毕业设计里最稳的选择社区版免费、文档全、Cypher 语法好学。安装方式推荐 Desktop 版图形界面能直接看图谱答辩演示很加分。装好后建库、启动然后用官方提供的批量导入工具处理 CSV。先把三元组拆成节点文件和关系文件因为批量导入要求节点和关系分开import pandas as pd df pd.read_csv(triples.csv) nodes set(df[head]) | set(df[tail]) pd.DataFrame({name: list(nodes)}).to_csv( nodes.csv, indexFalse, encodingutf-8) # 关系文件保留 head, relation, tail 三列 df.to_csv(rels.csv, indexFalse, encodingutf-8)然后写导入命令。Neo4j 的neo4j-admin import要求文件放在指定 import 目录下命令大致如下neo4j-admin database import full medical.db \ --nodesimport/nodes.csv \ --relationshipsimport/rels.csv \ --delimiter, \ --skip-bad-relationshipstrue参数说明--nodes和--relationships分别指定节点和关系文件--delimiter要和 CSV 一致--skip-bad-relationshipstrue能在遇到脏数据时跳过而不是整个中断调试阶段很有用。导入完成后启动数据库用 Cypher 验证MATCH (n) RETURN count(n) AS node_count; MATCH ()-[r]-() RETURN count(r) AS rel_count; MATCH (d:疾病)-[:有症状]-(s) RETURN d.name, s.name LIMIT 10;如果节点数对不上八成是 CSV 里有空值或编码问题回到上一步用 pandas 查isna()。3.2 问答查询的 Cypher 模板怎么写图谱建好之后问答系统的核心就是把自然语言问题翻译成 Cypher。毕业设计不需要上复杂的语义解析模型用「关键词匹配 模板」就能覆盖大部分演示场景。先定义意图模板问句模式意图Cypher 模板X有什么症状查症状MATCH (d:疾病{name:$name})-[:有症状]-(s) RETURN s.nameX吃什么药查药物MATCH (d:疾病{name:$name})-[:常用药]-(m) RETURN m.nameX挂什么科查科室MATCH (d:疾病{name:$name})-[:就诊科室]-(dept) RETURN dept.nameX需要做什么检查查检查MATCH (d:疾病{name:$name})-[:需检查]-(c) RETURN c.namePython 侧用 py2neo 或官方 neo4j 驱动执行from neo4j import GraphDatabase driver GraphDatabase.driver(bolt://localhost:7687, auth(neo4j, 你的密码)) TEMPLATES { 症状: MATCH (d:疾病{name:$name})-[:有症状]-(s) RETURN s.name AS answer, 药物: MATCH (d:疾病{name:$name})-[:常用药]-(m) RETURN m.name AS answer, 科室: MATCH (d:疾病{name:$name})-[:就诊科室]-(dept) RETURN dept.name AS answer, } def query(intent, entity): cypher TEMPLATES.get(intent) if not cypher: return [] with driver.session() as session: result session.run(cypher, nameentity) return [record[answer] for record in result]这里的关键参数是name:$name用参数化查询而不是字符串拼接既防注入又避免中文引号问题。intent由前面的意图识别模块给出entity是从问句里抽出的疾病名。实际跑的时候你会发现实体名对不上——用户说「糖尿病」图谱里存的是「2型糖尿病」这就需要在查询前做一次实体链接下一章展开。4. 从自然语言到图谱查询意图识别与实体链接4.1 意图识别规则打底模型兜底意图识别决定「用户到底想问什么」。毕业设计里最省事也最可控的做法是规则优先维护一个意图关键词表命中即返回。比如问句里出现「症状」「表现」「什么感觉」就归到查症状出现「吃什么药」「用药」「治疗药物」就归到查药物。INTENT_KEYWORDS { 症状: [症状, 表现, 什么感觉, 有哪些不适], 药物: [吃什么药, 用药, 药物, 怎么治], 科室: [挂什么科, 哪个科, 就诊科室], 检查: [做什么检查, 检查项目, 怎么查], } def detect_intent(question): for intent, kws in INTENT_KEYWORDS.items(): if any(kw in question for kw in kws): return intent return None # 未命中交给兜底逻辑规则的好处是可解释答辩时你能一条条讲清楚。坏处是覆盖不全用户换个说法就漏。兜底方案有两种一是用 jieba 分词后做词性关键词共现打分二是上一个轻量文本分类模型比如用少量标注数据微调。毕业设计建议规则为主、分类模型为辅文档里写清楚「规则覆盖高频意图模型处理长尾」这个取舍本身就是加分项。4.2 实体链接把「糖尿病」对上「2型糖尿病」实体链接是问答准确率的命门。用户输入的是口语化简称图谱里存的是规范名直接查必然查不到。常见做法是建一个别名词典把简称、俗称、英文缩写都映射到规范实体名ALIAS { 糖尿病: 2型糖尿病, 高血压病: 高血压, 心梗: 心肌梗死, 甲亢: 甲状腺功能亢进症, } def link_entity(text, all_entities): # 先查别名词典 for alias, standard in ALIAS.items(): if alias in text: return standard # 再试图谱实体名直接匹配 for ent in all_entities: if ent in text: return ent return Noneall_entities从图谱里一次性拉出来缓存避免每次查询都打数据库。匹配顺序很重要先长实体后短实体否则「2型糖尿病」会被「糖尿病」抢先匹配掉。如果要做得好一点可以加一层编辑距离或拼音相似度做模糊匹配但要注意阈值太低会误匹配到不相关的病。提示实体链接的准确率直接决定最终问答效果建议单独写一个测试脚本准备 50 条真实问句跑一遍统计命中率这个数字写进说明文档很有说服力。5. 避坑与排查那些让系统「看起来能跑」的陷阱5.1 中文编码在 CSV 和 Neo4j 之间反复翻车现象导入后节点名全是问号或乱码。原因pandas 默认编码和 Neo4j 导入时的编码不一致Windows 下尤其明显。解决所有 CSV 统一用utf-8-sig写出导入命令里显式指定编码参数导入前用file -i nodes.csv确认编码。5.2 实体重复导致图谱「虚胖」现象节点数比预期多出一大截查询结果里出现「高血压」和「高血压 」两个节点。原因清洗时没去空白或者全半角括号没统一。解决清洗阶段统一做strip()和全半角转换入库前用set()去重导入后用 Cypher 查MATCH (n) RETURN n.name, count(*) ...找重复。5.3 意图识别命中率虚高但答非所问现象测试时意图都识别对了但答案不对。原因意图对了实体链接错了比如把「小儿糖尿病」链接到了「2型糖尿病」。解决实体链接加长度优先和精确匹配优先模糊匹配设高阈值并对低置信度结果返回「未找到相关疾病」而不是硬答。5.4 多跳查询没做导致复杂问题答不了现象问「高血压合并糖尿病能吃什么药」直接返回空。原因模板只支持单跳没处理多实体。解决先做实体识别抽出多个疾病再对每个实体分别查询后取交集或者写多跳 CypherMATCH (d1:疾病{name:$n1})-[:常用药]-(m)-[:常用药]-(d2:疾病{name:$n2}) RETURN m.name。5.5 前端展示卡顿其实是查询没加索引现象图谱节点一多前端加载慢。原因Neo4j 默认没给name建索引每次查询全表扫。解决CREATE INDEX FOR (d:疾病) ON (d.name)对所有高频查询的实体类型都建上查询速度立竿见影。6. 让答辩加分把问答准确率量化出来系统能跑只是及格线答辩时老师最想看到的是「你怎么证明它好用」。我的习惯是准备一个 100 条问句的测试集覆盖单跳、多跳、实体别名、意图模糊四类跑完统计准确率并做成表格写进说明文档。测试脚本骨架如下import json test_cases [ {q: 高血压有什么症状, intent: 症状, entity: 高血压}, {q: 糖尿病吃什么药, intent: 药物, entity: 2型糖尿病}, # ... 补到 100 条 ] correct 0 for case in test_cases: intent detect_intent(case[q]) entity link_entity(case[q], all_entities) if intent case[intent] and entity case[entity]: correct 1 print(f意图实体联合准确率: {correct / len(test_cases):.2%})这个数字不用追求多高60%80% 都是正常范围关键是你能解释清楚错在哪、怎么改进。文档里再配一张准确率对比表比如「纯规则 vs 规则别名 vs 规则别名模糊匹配」三行数据就能体现你做了迭代优化比空谈「效果良好」强太多。最后一个具体技巧把图谱可视化截图放进说明文档。Neo4j Browser 里跑一条MATCH (d:疾病{name:高血压})-[r]-(n) RETURN d,r,n LIMIT 50截出来的图又直观又好看老师翻文档时第一眼就被抓住。我自己做毕设那会儿就是靠这张图把「知识图谱到底长什么样」讲清楚的比写一千字原理都管用。希望帮到你。本文还有配套的精品资源点击获取