近几年,互联网相关技术飞速发展,人们的生活方式也在随着技术的发展而改变着。医疗健康问题始终是人们生活中最关心的问题之一,自然而然,互联网上关于医疗健康方面的网站越来越多,医疗信息也越来越丰富。另一方面,随着电子设备的发展,很多医院记录患者信息的方式也从传统的纸质病历,更新为用计算机系统来存储电子病历。各式各样的信息显得繁多复杂,人们想从长篇大论的医疗信息中获取自己真正需要的信息反而变得困难。知识图谱的提出为知识的管理形式提供了一种优秀的解决方案。医疗领域知识专业又复杂,如果能够用知识图谱的形式将医疗领域信息组织起来,这对于医疗知识的进一步应用是有极大帮助的。医疗领域知识图谱的构建是人们迫切想要解决的问题,然而医疗领域知识的专业性为知识图谱的构建带来了很多不便。首先,包含医疗专业知识的标注数据并不多,没有足够的数据可供直接利用,包含医疗专业知识的未标注数据较多,但又没有充分利用起来;其次,医疗领域中某些词语在医学概念上的含义与通用领域不同,直接将通用领域迁移到医疗领域效果并不好;另外,大多知识图谱相关研究侧重于实体与实体之间的关系,然而对于医疗来说,医疗属性的属性值在分析病情时有着重要的作用,融入属性信息的知识才更完整。本课题研究了从未标注医疗数据中抽取医疗领域属性及属性值知识的方法,解决自动化处理复杂医疗数据的困难。本课题研究为了解决医疗领域的自然语言处理技术的实际应用问题,对医疗领域知识图谱的构建方法进行了研究;研究并实现了一种半监督从医疗信息中挖掘知识的方法,利用Bootstrapping算法和条件随机场模型(CRF)构建医疗领域词表,设计了一种获取构建知识图谱所需数据的方法;结合训练医疗领域词向量的方法尝试扩展数据抽取性能;研究了知识图谱数据相互融合的方法;并尝试根据所得的知识图谱进行应用解决实际问题。