基于Neo4j 的《傷寒論》知識(shí)圖譜構(gòu)建研究?

王菁薇 肖 莉 晏峻峰

（1.湖南中醫(yī)藥大學(xué)信息科學(xué)與工程學(xué)院 長沙 410208）（2.湖南中醫(yī)藥大學(xué)中醫(yī)學(xué)院 長沙 410208）

1 引言

隨著計(jì)算機(jī)相關(guān)技術(shù)的不斷完善和成熟，與各個(gè)領(lǐng)域都有了較高、有效的結(jié)合，其在中醫(yī)藥領(lǐng)域的應(yīng)用卻步履維艱。在浩如煙海的非結(jié)構(gòu)化形式的古籍中蘊(yùn)含著中醫(yī)藥領(lǐng)域豐富的知識(shí)，將其抽取轉(zhuǎn)化為結(jié)構(gòu)化知識(shí)，對(duì)中醫(yī)藥的傳承和發(fā)展具有一定的現(xiàn)實(shí)意義。

2 研究的背景和意義

2019 年12 月底，新型冠狀病毒引起的疫情以武漢為中心，進(jìn)而迅速向全國乃至全球蔓延。中醫(yī)較早介入了中國對(duì)新型冠狀病毒肺炎的防治，在第六、七版《新型肺炎診療方案》中推薦使用的“清肺排毒湯”是《傷寒論》相關(guān)經(jīng)方的融合創(chuàng)新運(yùn)用，其對(duì)新冠肺炎各階段患者均有明顯療效［1］。 由此可知，中醫(yī)藥古籍，如《傷寒論》，在當(dāng)前社會(huì)背景下仍具有重要的醫(yī)療價(jià)值。但面對(duì)諸多歷史性新機(jī)遇的同時(shí)，中醫(yī)藥古籍的傳承模式也面臨著新的挑戰(zhàn)。構(gòu)建基于中醫(yī)藥古籍的知識(shí)圖譜是將中醫(yī)藥古籍中非結(jié)構(gòu)化的知識(shí)變成結(jié)構(gòu)化知識(shí)的過程，便于計(jì)算機(jī)相關(guān)技術(shù)更好地利用中醫(yī)藥古籍中豐富的知識(shí)，是現(xiàn)代化醫(yī)療體系建設(shè)的要求。因此，對(duì)《傷寒論》知識(shí)圖譜構(gòu)建的研究不僅僅是對(duì)中華傳統(tǒng)文化的傳承與發(fā)展，也是對(duì)中國衛(wèi)生醫(yī)療的發(fā)展，同時(shí)對(duì)國家的發(fā)展也具有長遠(yuǎn)的意義。

3 研究現(xiàn)狀

3.1 知識(shí)圖譜

知識(shí)圖譜概念出現(xiàn)于20 世紀(jì)60 年代，是由谷歌在2012 年提出的，目的是為了更好地優(yōu)化搜索結(jié) 果［2］?！癊xploiting Linked Data and Knowledge Graphs in Large Organisations［3］”一書中對(duì)知識(shí)圖譜的定義：“A knowledge graph consists of a set of inter?connected typed entities and their attributes［4］”，即知識(shí)圖譜由一組相互連接的類型化實(shí)體及其屬性組成。

構(gòu)建知識(shí)圖譜的關(guān)鍵是信息抽取、知識(shí)融合以及知識(shí)計(jì)算［6］。信息抽取也稱知識(shí)抽取，指的是通過人工或自動(dòng)等方式從數(shù)據(jù)源中提取實(shí)體、屬性以及關(guān)系的技術(shù)［7］。從數(shù)據(jù)結(jié)構(gòu)的角度來看，數(shù)據(jù)源包括非結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)以及結(jié)構(gòu)化數(shù)據(jù)。相較于半結(jié)構(gòu)化數(shù)據(jù)以及結(jié)構(gòu)化數(shù)據(jù)，對(duì)非結(jié)構(gòu)化數(shù)據(jù)，如：文本、圖像、視頻等，的知識(shí)抽取能為知識(shí)圖譜提供大量較高質(zhì)量的三元組事實(shí)［7］。知識(shí)融合主要是對(duì)概念實(shí)體進(jìn)行鏈接，來自不同數(shù)據(jù)源的概念可能存在命名相同但指代不同實(shí)體，命名不同概念可能相同以及概念指代的粒度不同等問題［9］。為了解決以上問題，人們已經(jīng)提出了各種各樣的本體匹配算法，從最早的啟發(fā)式方法、概率方法，到現(xiàn)如今基于機(jī)器學(xué)習(xí)或是推理的方法［10］。知識(shí)計(jì)算主要是根據(jù)圖譜提供的信息得到更多隱含的知識(shí)［10］，如數(shù)據(jù)中存在的隱含知識(shí)可以利用本體或者規(guī)則推理系列技術(shù)獲取，經(jīng)過不一致檢測技術(shù)發(fā)現(xiàn)數(shù)據(jù)中的燥聲和缺陷。

3.2 中醫(yī)藥知識(shí)圖譜現(xiàn)狀

中醫(yī)藥領(lǐng)域知識(shí)圖譜的應(yīng)用研究主要集中在中醫(yī)臨床病例醫(yī)案。阮彤等基于上海曙光醫(yī)院的信息系統(tǒng)以及知識(shí)庫數(shù)據(jù)構(gòu)造了中醫(yī)藥知識(shí)圖譜，提供了語義問答和輔助開方應(yīng)用［11］。朱玲等通過對(duì)中醫(yī)文獻(xiàn)中“哮喘”相關(guān)知識(shí)的提取，實(shí)現(xiàn)了哮喘相關(guān)知識(shí)的領(lǐng)域建模［12］。方芳等通過本體技術(shù)構(gòu)建了糖尿病醫(yī)案本體庫［13］。

4 《傷寒論》知識(shí)圖譜的構(gòu)建

4.1 中醫(yī)命名實(shí)體抽取

中醫(yī)命名實(shí)體抽取是將疾病、證候、癥狀等中醫(yī)詞匯從數(shù)據(jù)源中抽取出來。

1）實(shí)體抽取原則：本著“全面準(zhǔn)確、繼承發(fā)展”的理念，依據(jù)以下原則納入實(shí)體數(shù)據(jù)。

（1）全面收錄《傷寒論》中疾病、證候、癥狀、處方、藥物有關(guān)詞條；

（2）注重實(shí)體錄入的準(zhǔn)確性；

3.1 評(píng)估顳淺靜脈 經(jīng)顳淺靜脈置管前應(yīng)充分評(píng)估顳淺靜脈的可見度、充盈度及其走行方向。由于右側(cè)顳淺靜脈距離上腔靜脈近，故選常右側(cè)。將患兒頭偏向左側(cè)，先觸摸血管是否搏動(dòng)，觀察血管外形以防誤入動(dòng)脈，再評(píng)估靜脈充盈度，如顳淺靜脈明顯可直接備皮。顳淺靜脈不明顯可用大拇指在顳枕骨縫處橫向來回輕摸，觸到一條縱向凹槽，用左手拇指和食指輕按血管遠(yuǎn)近兩端，并緩慢內(nèi)聚數(shù)次，可見兩指間皮膚呈條索狀隆起，再備皮［1］。如右側(cè)顳淺靜脈顯露不清晰，且無法觸及凹槽時(shí)，再同法選左側(cè)。

（3）錄入數(shù)據(jù)在《傷寒論》有據(jù)可依。

2）實(shí)體抽取方法：以《傷寒論》原文為研究對(duì)象，確定其中與疾病、證候、癥狀、處方、藥物相關(guān)的主題詞，如“太陽病”“中風(fēng)”“脈浮”“桂枝湯”“桂枝”等。對(duì)采集的數(shù)據(jù)人工錄入數(shù)據(jù)庫中，要求對(duì)每一條數(shù)據(jù)標(biāo)注所出自的《傷寒論》條文。

依據(jù)以上實(shí)體抽取準(zhǔn)則和方法以及《中醫(yī)臨床術(shù)語標(biāo)準(zhǔn)規(guī)范》等規(guī)范將《傷寒論》外感疾病演變過程的各種癥候群，區(qū)分為太陽、陽明、少陽、太陰、少陰、厥陰六經(jīng)?。?3］，并對(duì)其進(jìn)行綜合分析，歸納其證候、癥狀、處方以及藥物組成，存儲(chǔ)在EXCEL 表格（《傷寒論》全數(shù)據(jù)庫.xlsx）中，實(shí)體數(shù)據(jù)格式要求如表1 所示。實(shí)體抽取結(jié)果，經(jīng)兩位中醫(yī)學(xué)博士進(jìn)行校對(duì)。

表1 實(shí)體數(shù)據(jù)格式要求

4.2 關(guān)系抽取

知識(shí)圖譜是一個(gè)語義網(wǎng)絡(luò)，實(shí)體關(guān)系是它的重點(diǎn)［15］。本文在構(gòu)建知識(shí)圖譜的過程中，依據(jù)《傷寒論》的解讀，定義了三類實(shí)體關(guān)系：上下位關(guān)系、治愈關(guān)系以及整體與部分關(guān)系，具體如表2所示。

表2 實(shí)體關(guān)系表

4.3 《傷寒論》知識(shí)圖譜存儲(chǔ)

4.3.1 Neo4j存儲(chǔ)的優(yōu)點(diǎn)

目前知識(shí)圖譜的存儲(chǔ)方式主要有SQL 關(guān)系型數(shù)據(jù)庫和NoSQL 非關(guān)系型數(shù)據(jù)庫。在非關(guān)系數(shù)據(jù)庫中，Neo4j數(shù)據(jù)庫被廣泛使用。Neo4j圖數(shù)據(jù)庫是以圖形結(jié)構(gòu)的形式存儲(chǔ)信息，關(guān)聯(lián)數(shù)據(jù)本身就是它所包含的數(shù)據(jù)，因此它可以直接顯示關(guān)聯(lián)數(shù)據(jù)特征。相較于傳統(tǒng)的關(guān)系型數(shù)據(jù)庫，Neo4j 的遍歷算法設(shè)計(jì)能夠運(yùn)用圖結(jié)構(gòu)的自然伸展特點(diǎn)來設(shè)計(jì)，不需要復(fù)雜的連接運(yùn)算，因此數(shù)據(jù)的增加以及關(guān)系復(fù)雜程度的增加不會(huì)導(dǎo)致查詢效率的下降。

4.3.2 數(shù)據(jù)預(yù)處理

該部分實(shí)驗(yàn)是對(duì)人工抽取、整理并錄入得到的中醫(yī)命名實(shí)體數(shù)據(jù)——《傷寒論》全數(shù)據(jù)庫。xlsx進(jìn)行的。其目的是借助Python 相關(guān)工具將人工整理錄入的數(shù)據(jù)切分成符合Neo4j的導(dǎo)入要求的CSV文件，分別包括疾病、證候、癥狀、處方、藥物五個(gè)實(shí)體文件以及疾病與證候、疾病與癥狀、證候與癥狀、癥狀與處方、處方與藥物五個(gè)實(shí)體關(guān)系文件。

4.3.3 知識(shí)的導(dǎo)入

Neo4j 數(shù)據(jù)導(dǎo)入的方式有三種包括使用Cy?pher LOAD CSV 語句，使用Cypher Create 語句以及使用Neo4j-Import 工具。Cypher 語言的LOAD CSV語句可以適用于任何情況下數(shù)據(jù)的導(dǎo)入，本文通過這種方法將預(yù)處理后經(jīng)過標(biāo)準(zhǔn)化的實(shí)體文件以及實(shí)體間關(guān)系文件導(dǎo)入到Neo4j 數(shù)據(jù)庫中（需將導(dǎo)入文件預(yù)先放入Neo4J安裝目錄的import目錄下）。

1）節(jié)點(diǎn)的導(dǎo)入

節(jié) 點(diǎn) 導(dǎo) 入 模 型：（variable：Lable｛key1：val?ue1，…，keyN：valueN｝）。

節(jié)點(diǎn)的標(biāo)簽（Lable）等同于關(guān)系型數(shù)據(jù)庫的表名，屬性相當(dāng)于關(guān)系數(shù)據(jù)庫中表的列。每個(gè)節(jié)點(diǎn)都有一個(gè)默認(rèn)的內(nèi)部屬性ID，當(dāng)生成新的節(jié)點(diǎn)時(shí)，Neo4j 圖數(shù)據(jù)庫服務(wù)器會(huì)自動(dòng)為其分配一個(gè)整數(shù)ID。在默認(rèn)的情況下，節(jié)點(diǎn)的ID 屬性在圖數(shù)據(jù)庫中是自動(dòng)遞增且唯一的。以“疾病”和“證候”兩個(gè)結(jié)點(diǎn)的導(dǎo)入為例，具體Cypher語句如下：

LOAD CSV WITH HEADERS FROM“file：///disease.csv”AS line

MERGE（z：疾?。鹡ame：line.name｝）

LOAD CSV WITH HEADERS FROM“file：///syndrome.csv”AS line

create（z：證候｛name：line.name，id：line.id｝）

2）關(guān)系的導(dǎo)入

關(guān)系構(gòu)建模型：

startNode-［variable：relationshipType｛key1：val?ue1，…，keyN：valueN｝］->endNode

與節(jié)點(diǎn)的語法類似，關(guān)系的方括號(hào)內(nèi)定義了關(guān)系的類型和屬性。關(guān)系的類型類似節(jié)點(diǎn)標(biāo)簽，在創(chuàng)建關(guān)系時(shí)，關(guān)系類型的指定是必不可少的，但只能指定一個(gè)關(guān)系類型。在Cypher 語言中，關(guān)系可分為兩種：使用一對(duì)短橫線（即--）表示一個(gè)無方向的關(guān)系；若在無方向關(guān)系的一端加上箭頭（即-->或＜--）表示一個(gè)有方向的關(guān)系以病名和證候的一對(duì)多的關(guān)系為例，具體設(shè)置如下：

load csv with headers from“file：///drs1.csv”as line

match（from：病名｛name：line.from｝），（to：證候｛name：line.to｝）

merge（from）-［r：關(guān) 系｛property：line.rela?tion｝］->（to）

5 結(jié)語

通過人工抽取《傷寒論》原文的知識(shí)，完成了《傷寒論》知識(shí)圖譜的構(gòu)建。目前知識(shí)庫中總共構(gòu)建了639 個(gè)實(shí)體，2076 條實(shí)體關(guān)系其中包括了6 個(gè)疾病類實(shí)體，43 個(gè)證候類實(shí)體，394 個(gè)癥狀類實(shí)體，106 個(gè)處方類實(shí)體，90 個(gè)藥物類實(shí)體，實(shí)體數(shù)量統(tǒng)計(jì)如表3所示。在圖數(shù)據(jù)庫Neo4j中，《傷寒論》知識(shí)圖譜采用圖節(jié)點(diǎn)和圖邊來存儲(chǔ)知識(shí)?！秱摗分R(shí)圖譜在Neo4j中的部分實(shí)體關(guān)系展示，如圖1所示。

表3 實(shí)體數(shù)量統(tǒng)計(jì)表

圖1 《傷寒論》知識(shí)圖譜部分實(shí)體關(guān)系圖

基于《傷寒論》知識(shí)圖譜的構(gòu)建將《傷寒論》中非結(jié)構(gòu)化知識(shí)轉(zhuǎn)換為結(jié)構(gòu)化知識(shí)，為后期基于《傷寒論》知識(shí)圖譜的推薦系統(tǒng)，問答系統(tǒng)以及基于中醫(yī)藥古籍的知識(shí)挖掘與機(jī)器學(xué)習(xí)的研究奠定了基礎(chǔ)，為中醫(yī)藥現(xiàn)代化過程中對(duì)中醫(yī)藥古籍的傳承和發(fā)展提供了思路。