简介这份资源是面向计算机、人工智能、通信、自动化等专业学生与从业者的知识图谱医疗领域问答系统完整实现可直接运行适合作为毕业设计、期末课程设计或大作业参考也便于基础较好的学习者在此基础上修改扩展功能。压缩包共188个文件约115.09MB包含41个Python源码文件、44个txt数据与说明文件、21个html页面、22张png图片以及js、css、json等前端与配置资源另有Neo4j图数据库相关存储文件覆盖从数据构建、图谱存储到问答交互的完整链路。目前已有139人学习下载。项目代码经过调试测试答辩评审分达98分读者可据此掌握医疗知识图谱的实体关系建模、问答匹配逻辑与前后端联调思路并借助现成数据快速复现运行降低从零搭建的门槛。1. 医疗知识图谱问答系统从零跑通一套能落地的 Python 源码很多做医疗信息化的朋友第一次接触知识图谱都是被“智能问诊”“辅助诊断”这类场景吸引进来的但真正动手时才发现难点根本不在模型而在数据怎么组织、实体关系怎么定义、问句怎么映射到图谱查询。这套基于 Python 的医疗领域问答系统核心思路是用 Neo4j 存图谱、用规则加模板做意图识别、用 Cypher 做检索整条链路不依赖大模型也能跑出可用的问答效果。它适合两类人一是想快速验证医疗问答可行性的后端或数据工程师二是需要一套可改可扩的源码骨架来二次开发的学生和初创团队。下面我按实际搭建顺序把环境、数据、图谱构建、问答逻辑和踩坑点全部拆开讲清楚。2. 环境与数据准备把 Python 和 Neo4j 先跑起来2.1 为什么选 Neo4j 而不是关系型数据库医疗问答的核心是“实体—关系—实体”的链路查询比如“糖尿病患者能不能吃二甲双胍”背后要查的是疾病、药品、禁忌、适应症之间的多跳关系。关系型数据库做三跳以上关联就要写多层 JOINSQL 又长又慢而 Neo4j 的原生图存储让这类查询变成一次 Cypher 遍历性能差距在数据量上万后非常明显。另一个现实原因是 Python 生态里py2neo和官方neo4j驱动都很成熟社区资料多出问题容易搜到答案。我一般会建议先用 Neo4j 社区版做原型数据量超过千万节点再考虑企业版或分片。2.2 安装 Python 依赖与 Neo4j 的最小命令先确认 Python 版本建议 3.8 到 3.10太新的版本某些图数据库驱动还没跟上。安装依赖时不要一个个 pip直接写一个 requirements.txt 一次装完。# 创建虚拟环境避免污染系统 Python python -m venv medkg_env source medkg_env/bin/activate # Windows 用 medkg_env\Scripts\activate # 安装核心依赖 pip install neo4j5.14.0 py2neo2021.2.4 pandas2.0.3 jieba0.42.1neo4j是官方驱动用来执行 Cypherpy2neo在批量导入时更方便pandas读 CSV 数据jieba做中文分词后面问句处理要用。版本号不是绝对的但 Neo4j 5.x 的驱动和 4.x 的语法有差异混用会报CypherSyntaxError这点后面避坑章节会细说。Neo4j 桌面版直接官网下载安装后新建一个本地数据库默认地址bolt://localhost:7687用户名neo4j密码自己设。启动后浏览器打开http://localhost:7474能登录就说明服务正常。2.3 医疗数据的来源与字段设计这套源码通常自带一份示例数据格式是 CSV包含疾病、症状、药品、检查项目、科室等实体。字段设计上我建议至少保留这几列entity_id、entity_name、entity_type、relation_type、target_id、target_name。这样一张表既能表达实体也能表达关系导入时按类型拆成节点和边。import pandas as pd # 读取医疗三元组数据假设文件是 medical_triples.csv df pd.read_csv(data/medical_triples.csv, encodingutf-8) # 去重和去空医疗数据里重复和缺失很常见 df df.dropna(subset[entity_name, relation_type, target_name]) df df.drop_duplicates(subset[entity_name, relation_type, target_name]) print(f有效三元组数量{len(df)}) print(df[relation_type].value_counts().head(10))这段代码先做清洗因为医疗数据从不同渠道爬来或导出时空值和重复率很高。dropna只保留三个关键字段都有的行drop_duplicates防止同一关系重复建边。最后打印关系类型分布让你心里有数如果“症状”类关系占了大头说明数据偏向症状查询问答模板就要相应调整。注意医疗数据涉及隐私和合规公开数据集可以用但真实患者数据必须脱敏且不要上传到任何公网图数据库。3. 知识图谱构建从 CSV 到 Neo4j 的完整导入流程3.1 节点和关系的建模思路医疗领域实体类型不多常见的有疾病、症状、药品、检查、科室、食物。关系类型决定了问答能回答什么比如“疾病—症状”支持“XX 病有什么症状”“疾病—药品”支持“XX 病吃什么药”“药品—禁忌”支持“XX 药不能和什么一起吃”。建模时不要追求大而全先把高频问句覆盖住。我一般会先列 20 个典型问句反推需要哪些实体和关系再决定导入哪些数据。3.2 用 Python 批量写入 Neo4j 的代码批量导入不要一条条CREATE那样一万条数据能跑十几分钟。正确做法是用MERGE加参数批量提交或者用LOAD CSV直接让 Neo4j 读文件。这里给一个 Python 驱动的批量写法方便你在代码里控制清洗逻辑。from neo4j import GraphDatabase driver GraphDatabase.driver(bolt://localhost:7687, auth(neo4j, 你的密码)) def import_entities(tx, entities): # 按实体类型分批MERGE 保证不重复创建 tx.run( UNWIND $entities AS e MERGE (n:Entity {id: e.id}) SET n.name e.name, n.type e.type , entitiesentities) def import_relations(tx, relations): # 关系类型不能参数化必须用字符串拼接但要做白名单校验 for rel in relations: rel_type rel[type] if rel_type not in [HAS_SYMPTOM, USE_DRUG, NEED_CHECK, BELONG_TO]: continue tx.run(f MATCH (a:Entity {{id: $aid}}), (b:Entity {{id: $bid}}) MERGE (a)-[:{rel_type}]-(b) , aidrel[aid], bidrel[bid]) with driver.session() as session: # 假设 entities 和 relations 已从 DataFrame 转成字典列表 session.execute_write(import_entities, entities) session.execute_write(import_relations, relations)UNWIND把列表展开成多行一次网络往返写一批比循环单条快一个数量级。关系类型用 f-string 拼接是因为 Cypher 不支持把关系类型作为参数但必须加白名单否则会有注入风险。MERGE而不是CREATE保证重复导入不会产生重复边。执行完后在 Neo4j 浏览器里跑MATCH (n) RETURN count(n)看节点数跑MATCH ()-[r]-() RETURN count(r)看关系数和 CSV 行数对得上就说明导入成功。3.3 建索引和约束别等查询慢了才补导入完成后立刻建唯一约束和索引这是血泪经验。医疗实体名经常重复没有约束会建出多个同名节点问答时匹配到哪个全看运气。// 在 Neo4j 浏览器或 Python 里执行 CREATE CONSTRAINT entity_id_unique IF NOT EXISTS FOR (n:Entity) REQUIRE n.id IS UNIQUE; CREATE INDEX entity_name_index IF NOT EXISTS FOR (n:Entity) ON (n.name);约束保证id唯一索引让按名称查实体从全表扫描变成索引查找。数据量到十万级时没索引的查询可能从毫秒变秒级。建完后用SHOW INDEXES确认状态是ONLINE。4. 问答逻辑实现问句解析、实体识别与 Cypher 生成4.1 问句意图分类的规则方案医疗问句其实模式很固定比如“糖尿病有哪些症状”“高血压吃什么药”“头疼需要做什么检查”。与其上模型不如先用规则加模板准确率高且可解释。核心是两步先识别问句里的实体再根据疑问词和关系词判断意图。意图类别我一般分四类症状查询、药品查询、检查查询、科室查询。每类对应一个 Cypher 模板。4.2 用 jieba 和词典做实体识别实体识别不需要复杂模型维护一个医疗实体词典用 jieba 的load_userdict加载然后对问句分词命中词典的词就是候选实体。import jieba # 从 Neo4j 导出所有实体名写成词典文件 # 假设已导出到 entity_dict.txt每行一个实体名 jieba.load_userdict(data/entity_dict.txt) def extract_entity(question): words jieba.lcut(question) # 从长到短匹配避免“糖尿病”被拆成“糖尿”和“病” candidates [w for w in words if len(w) 1] return candidates q 糖尿病患者不能吃哪些食物 print(extract_entity(q))load_userdict让 jieba 优先按词典切分医疗术语不会被切碎。lcut返回列表过滤掉单字减少噪音。实际使用时还要做一次图谱校验候选词必须在 Neo4j 里能查到节点查不到就丢弃。这一步能过滤掉“患者”“哪些”这类非实体词。4.3 意图到 Cypher 的映射与执行意图判断用关键词匹配简单但够用。比如问句含“症状”就归为症状查询含“药”或“吃”归为药品查询。然后套模板生成 Cypher。def build_cypher(intent, entity_name): templates { symptom: MATCH (d:Entity {name: $name})-[:HAS_SYMPTOM]-(s:Entity) RETURN s.name AS answer , drug: MATCH (d:Entity {name: $name})-[:USE_DRUG]-(m:Entity) RETURN m.name AS answer , check: MATCH (d:Entity {name: $name})-[:NEED_CHECK]-(c:Entity) RETURN c.name AS answer } return templates.get(intent) def answer_question(question): entities extract_entity(question) if not entities: return 没有识别到医疗实体请换个说法 entity_name entities[0] if 症状 in question: intent symptom elif 药 in question or 吃 in question: intent drug elif 检查 in question: intent check else: return 暂时不支持这类问题 cypher build_cypher(intent, entity_name) with driver.session() as session: result session.run(cypher, nameentity_name) answers [record[answer] for record in result] return 、.join(answers) if answers else 图谱中没有找到相关信息模板用参数$name传实体名避免拼接注入。session.run返回游标遍历取answer字段。多个答案用顿号连接符合中文阅读习惯。如果返回空说明图谱里没有对应关系直接告诉用户没找到不要硬编一个答案。提示意图分类的关键词表要可配置放在单独的 JSON 或 YAML 里方便后续加新意图而不用改代码。5. 避坑与排查医疗问答系统最常见的 5 个翻车点5.1 现象导入后查询返回空但 CSV 里明明有数据原因通常是实体名前后有空格或大小写不一致。CSV 里写的是“糖尿病”问句里是“糖尿病 ”或者导入时没strip。解决方法是导入前统一df[entity_name] df[entity_name].str.strip()查询时也对实体名做strip()。另外检查 Neo4j 里节点属性是name还是entity_name模板里写错属性名也会返回空。5.2 现象Cypher 报Unknown function或Invalid input这是 Neo4j 版本差异导致的。比如exists()在 5.x 里被废弃要用IS NOT NULL。如果你从网上抄的 Cypher 跑不通先看 Neo4j 版本再查对应版本的 Cypher 手册。另一个常见原因是关系类型拼写和导入时不一致比如导入用HAS_SYMPTOM查询写HAS_SYMPTOMS多一个 S 就查不到。5.3 现象问句里出现多个实体系统只答了第一个比如“糖尿病和高血压患者不能吃什么”extract_entity返回两个实体但代码只取了entities[0]。解决方法是判断实体数量如果大于 1要么分别查询再合并结果要么提示用户一次问一个。医疗场景下多实体问句往往涉及对比简单合并可能产生误导我一般会返回“请分开询问”并列出识别到的实体让用户确认。5.4 现象批量导入到一半报内存不足UNWIND一次传太多数据会撑爆驱动内存。解决方法是分批每批 1000 到 2000 条用for i in range(0, len(data), batch_size)切片。另外 Neo4j 服务端也要调dbms.memory.heap.max_size默认可能只有 1G数据量大时改成 4G 或更高。导入前先MATCH (n) DETACH DELETE n清空旧数据避免重复导入导致节点膨胀。5.5 现象问答响应越来越慢重启后恢复大概率是每次查询都新建了 driver 或 session。driver 应该全局只建一次session 用with自动关闭。如果代码里在循环内GraphDatabase.driver(...)连接池会爆。检查方式是在 Neo4j 浏览器跑SHOW TRANSACTIONS看有没有大量长事务堆积。修复就是把 driver 提到模块级session 用完即关。6. 进阶技巧用模板扩展和验证集把问答准确率提上去规则模板的瓶颈在于问句变体比如“糖尿病症状有哪些”和“得了糖尿病会怎样”是一个意思但关键词匹配可能漏掉。我的做法是维护一个同义词表把“症状”“表现”“征兆”映射到同一个意图把“药”“药物”“药品”“吃什么”映射到药品查询。这个表放在 JSON 里加载后对问句做替换再匹配成本低但效果立竿见影。另一个技巧是建一个小型验证集人工标注 100 到 200 条问句和正确答案每次改完模板就跑一遍看准确率变化。没有验证集改代码就是玄学今天修好一个明天坏两个。验证集不用大但必须覆盖所有意图和边界情况比如实体不存在、多实体、意图不明。# 简单的验证脚本 test_cases [ {q: 糖尿病有哪些症状, expect_intent: symptom}, {q: 高血压吃什么药, expect_intent: drug}, {q: 头疼需要做什么检查, expect_intent: check}, ] correct 0 for case in test_cases: intent classify_intent(case[q]) # 你的意图分类函数 if intent case[expect_intent]: correct 1 print(f意图分类准确率{correct / len(test_cases):.2%})这个脚本跑起来很快但能让你在加新意图时立刻知道有没有影响旧意图。我习惯每次提交代码前跑一遍低于 90% 就不提交。最后说一个我自己的教训医疗问答最怕“一本正经地胡说”。图谱里没有的关系宁可回答“暂无数据”也不要让模板拼出一个看似合理的答案。我早期为了演示效果在没查到结果时返回了“建议咨询医生”结果被误认为系统给出了医疗建议。后来改成明确的“图谱中未收录该信息”虽然不好看但安全。希望帮到你。本文还有配套的精品资源点击获取