互联网的快速发展和广泛普及促进信息获取的快捷性,通过人机问答方式获取有效信息成为发展趋势。中医药是中国人民长期与疾病斗争知识和经验总结,对中国人民的医疗保健发挥着至关重要的作用。目前,大量中医药领域知识存在于非结构化的医案文本中,无法得到有效利用;医师在学习现有的诊疗经验时,只能通过分析医案暗语获取诊疗思路,无法精准获取对应的诊疗知识。针对上述问题,本文通过知识图谱将中医药领域多种知识源进行整合和统一,并通过人机问答的方式帮助获取诊疗经验,论文从中医知识图谱构建、问题生成和问句意图分类等方面开展关键技术研究。主要工作如下:1.针对中医知识缺乏统一体系描述问题,分析中医领域知识体系结构,构建中医领域知识本体层,利用多种数据源构建一个中医领域的知识图谱,其中数据源包括结构化的知识库数据、半结构化的网页数据和非结构化的医案文本数据。医案文本进行实体识别时,针对现有实体识别模型未能充分利用句子特征的问题,提出融合字词信息的命名实体识别模型（Named Entity Recognition by Fusing Character and Word Information,NER-CW）,NER-CW通过带上下文语境的注意力机制引入每个字的词信息,然后结合字词信息作为输入特征进行实体识别。在构建的中医医案数据集上的实验结果表明,NEW-CW模型的F1分值达97.16%。2.针对中医问答领域语料库缺失问题,通过中医领域知识图谱,提出基于三元组描述特征和复制机制的问题生成模型（Question Generation Model based on Triplet Description Features and Copy Mechanism,QG-TC）,QG-TC模型在编码器引入三元组的描述特征以丰富特征输入,在解码器引入复制机制以生成未出现在训练数据的词语。在NLPCC-2018-KBQG、Simple Question和构建的TCM-KBQG数据集上的实验结果表明,QG-TC模型的三个评价指标BLUE-4、METEOR和ROUGE-L优于未改进的Encoder-Decoder架构。3.针对问句的长度较短造成的语义稀疏性问题,提出融合语料库特征与图注意力网络的意图分类模型（Intention Classification Model by Fusing Corpus Features and Graph Attention Networks,CF-GAT）,CF-GAT通过引力模型和点互信息分别计算语料库中词的权值和词之间的边权值,然后将其融入到图注意力网络中指导节点更新。实验结果表明,CF-GAT模型在6个短文本分类数据集上平均准确率达到75.48%,在构建的TCM-QA问答数据集上的准确率达到92.41%。4.设计并实现基于中医知识图谱的中医问答系统,采取Springboot框架作为服务器后台框架,Flask作为算法模型部署框架,图数据库Neo4j为三元组存储框架。平台功能包括用户权限管理、实体识别、中医知识图谱管理、中医知识图谱可视化、意图分类、智能问答等。系统通过实体识别功能对非结构化文本进行知识抽取,然后将提取的知识存入知识图谱,同时能够可视化显示知识图谱子图,并根据知识图谱回答用户输入的问句。