基于護理知識圖譜的智能問答系統研究

陳蘭珍 鄭涇飛 王華珍 方昱龍 潘瓊蓉 蘇藝津

摘要：護士培養機制信息化和統一化是減少護士培養成本、增強護士專業素養、減緩護理教師不足的重要解決方案。針對當前護理知識問答引擎無法回答護士提出復雜問題等局限，本文研發了一種基于用戶自然語言提問的護理知識圖譜問答系統。首先通過本體設計、知識獲取、知識融合、知識存儲等技術構建出護理知識圖譜，其次針對護士提出的自然語言問題進行語義理解和解析，進而利用知識圖譜進行查詢、推理得出答案。該系統不僅能將查詢到的精確答案返回給用戶，還能將以答案為核心的知識圖譜進行同步可視化，從而幫助護士準確理解場景、捕捉上下文語境等信息。

關鍵詞：智能問答系統；護理知識圖譜；交互可視化；護士培養

中圖分類號：TP315；R197? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：B? ? ? ? ? ? ? ? ? ? ? ? ? ? DOI：10.3969/j.issn.1006-1959.2024.11.010

文章編號：1006-1959（2024）11-0058-06

Research on Intelligent Question Answering System Based on Nursing Knowledge Graph

Abstract：The informatization and unification of nurse training mechanism is an important solution to reduce the cost of nurse training， enhance the professional quality of nurses and alleviate the shortage of nursing teachers. In view of the limitations that the current nursing knowledge question answering engine cannot answer nurses' complex questions， this paper develops a nursing knowledge graph question answering system based on user natural language questions. Firstly， the nursing knowledge graph is constructed by ontology design， knowledge acquisition， knowledge fusion， knowledge storage and other technologies. Secondly， the semantic understanding and analysis of natural language problems proposed by nurses are carried out， and then the knowledge graph is used for query and reasoning to obtain the answer. The system can not only return the exact answer to the user， but also synchronously visualize the knowledge graph with the answer as the core， so as to help the nurse accurately understand the scene， capture the context and other information.

Key words：Intelligent question answering system;Nursing knowledge graph;Interactive visualization;Nurse training

護士隊伍建設是完善護理服務體系和實現護理高質量發展的關鍵[1]。2022年4月29日國家衛生健康委員會印發《全國護理事業發展規劃（2021-2025年）》[2]（以下簡稱《規劃》）中指出護士培養水平在經濟社會發展和人民群眾日益增長的健康需求面前，存在著不平衡、不充分的問題，而信息化技術的飛速發展將為護理事業創造了新機遇，應加強護理信息化建設等。護士培養方式可分為在校教育和崗位培訓[3]兩部分，前者主要依靠高校制定相關的課程和實訓，后者遵循《新入職護士培訓大綱（試行）》[4]（以下簡稱《大綱》）制定培養方案。現有研究提出了多種培養模式[5]，如成功能力模型[6]、全程導師制帶教法[7]、“南丁格爾+”模式[8]、“三明治”教學法[9]、構思-設計-實現-運作培訓模式[10]等。然而這些培養模式都離不開教師的參與且以大課教學模式為主，面臨如何減少護士培養的成本，增強護士專業素養，減緩護理教師不足等挑戰。在信息化時代，護理與科技的融合是大勢所趨，通過互聯網、云技術和人工智能拓展護理教育創新模式，可實現護士培養的提效增速。

隨著知識圖譜迅速發展，已經在語義搜索、問答系統、智能客服、個性化推薦等通用領域得到廣泛的應用，同時在金融證券、醫療、電商、司法和教育等垂直領域也逐漸落地。知識圖譜問答（Knowledge-based Question Answering， KBQA）是指給定自然語言問題，通過對問題進行語義理解和解析，進而利用知識圖譜進行查詢、推理得出答案。護理教育中的崗前、崗中、崗后全鏈路多個場景中都存在大量的咨詢問題。復雜問題往往具有在知識圖譜上的多跳、聚合、比較、判斷等多種特點中的一個甚至多個。對于這些自然語言問題，基于知識圖譜的復雜問答系統可以給出傳統的搜索引擎等方式無法給出的答案，實現快速、準確的信息獲取需求。

本文研發基于知識語義精準搜索的護理知識圖譜問答系統。首先通過本體設計，知識獲取、知識融合、知識存儲等技術構建出護理知識圖譜，其次通過對問題進行語義理解和解析，并對護理知識圖譜進行查詢、推理，進而將查詢到的精確答案返回給用戶。本文不僅能將查詢到的精確答案返回給用戶，還能將以答案為核心的知識圖譜進行同步可視化，從而幫助護士準確理解場景、捕捉上下文語境等信息。本系統是護理大數據垂直搜索需求而產生專業化、知識化、智能化的新一代搜索引擎。不僅能幫助新入職護士培訓的帶課教師統一護理教學標準，減少帶課教師理論指導時間，提升教學質量，還能幫助護士進行護理知識學習和鞏固，提高護士專業知識素養。

本研究研發了一種基于知識語義精準搜索的護理知識圖譜問答系統。通過問答系統統一護理教學，護理教學涉及到大量的知識，對話系統將知識具象化、統一化給護士、護理學生帶來標準化、系統化的教學內容，幫助其更好地理解和應用護理理論和實踐知識，從而增強學習效率；通過問答系統進一步減輕護師教學壓力，傳統的護理教學模式需要教師花費大量的時間和精力進行課堂教學、作業批改和學生指導。而護理對話系統可以作為教師的助手，自動回答學生的問題，提供學習資源和輔導材料，從而提高教學質量，同時減輕教師的工作壓力。通過與護理對話系統的互動，護士可以不斷鞏固和更新自己的專業知識，了解最新的護理研究和實踐成果。同時，對話系統還可以模擬真實的臨床場景，幫助護士進行虛擬實踐和技能培訓，提高護理質量和安全性。

1護理問答系統的主要目標和意義

1.1主要目標? 護理問答系統以護理知識圖譜和問答系統兩部分為核心。該系統通過收集整理多方數據源，如護理團體標準、專家共識、護理教材和護理指南等，構建完備可靠的護理知識圖譜，作為問答系統的數據支撐；在問答系統層面，設計了一種處理復雜問句的問答生成模型。護理問答系統有效緩解當前護理教學標準不統一的問題，極大減輕帶課老師的授課壓力，緩解專職護理教師人才不足的問題，提高護士學習過程的積極性，增加護士學習知識的效率。具體而言，系統要做到以下內容：①護理教學資源初始素材庫構建：根據現有護理團體標準、護理指南、專家共識和護理教材等構建閱讀資源初始素材庫。②護理教學素材庫中包含結構化數據和非結構化數據，通過AI知識抽取技術將非結構化數據轉化為結構化知識，并構建護理知識圖譜。③護理教學素材智能檢索：根據輸入的關鍵詞和自然語言表達查詢語句，采用 AI 復雜問句檢索技術在護理知識圖譜中搜索答案。④護理知識點可視化：采用AI知識抽取技術從護理教學資源，將知識以節點-邊-節點的形式展示，利用知識網絡可視護理知識。

1.2重要意義? ①本系統通過輔助護理教師教學任務，以緩解教師教學壓力，彌補專職護理教師的不足。②本系統采用自然語言的方式進行問答，提高護士學習的交互體驗；問答知識圖譜的展現，增強了用戶對檢索結果語義關聯性理解，提升了護士學習的效率。③系統采用知識圖譜作為數據庫，保證用戶交互過程中答案的準確性和可靠性，避免傳統搜索引擎答案不明確的問題。

2醫學知識圖譜與問答系統

2.1醫學知識圖譜發展現狀? 2012年，谷歌提出了知識圖譜（Knowledge Graph），它是一種有向圖結構的知識庫，包含實體、概念以及它們之間的語義關系，已應用于搜索引擎等領域。在醫學領域引入知識圖譜技術，有助于解決醫學數據處理和實際應用需求。與常規知識圖譜不同，醫學知識圖譜具有實體鮮明、屬性明確、數據量大且迭代更新快的特點，同時還涉及復雜的關系和強邏輯性。醫學知識圖譜的構建包括知識抽取、知識融合和知識推理三個過程，見圖1。

知識圖譜將知識實例化作為節點和邊存儲，以知識三元組（首實體、關系、尾實體）的方式存儲，表達為首實體在某種關系下的尾實體，如（三叉神經痛，所屬科室，神經內科）表示三叉神經痛屬于神經內科科室。在2019年由北京大學等提出了中文醫學知識圖譜（Chinese Medical Knowledge Graph， CMeKG），是目前中國最大的醫療領域知識圖譜，多達30多種的關系類型、20余萬個實體和100余萬個三元組。CMeKG的出現填補了中文醫療領域知識圖譜的空白，但其仍然缺失相關護理領域的知識。

醫學知識圖譜發展至今，鮮有關于護理領域的知識圖譜研究，然而護理知識又是醫學知識圖譜不可缺少的一環，構建一個完備可靠的護理領域的知識圖譜成為目前至關重要的任務。

2.2 知識圖譜問答系統發展現狀? 在互聯網大數據時代，如何迅速檢索特定信息，尚未得到有效地解決。市面中層出不窮的搜索引擎，但用戶仍然依賴于關鍵字搜索答案，另一方面對于領域知識而言，搜索系統缺少可解釋性的問題。面對這些問題，問答系統應運而生。對于問答系統，一般輸入為以自然語言形式的描述問題，輸出為對該問題的完整回答，相較于搜索引擎而言，問答系統更加具有針對性，更加簡潔明了。目前問答系統，從早期的基于規則到基于檢索匹配的方法。其主要核心為利用自然語言中的關鍵詞，通過分析關鍵詞，對問題進行解析和查詢答案。但是上述方法仍存在許多問題，比如基于檢索的方法，對于復雜問題的解析能力差，基于檢索匹配的方法抽取出的答案質量良莠不齊，影響了問答系統的準確度。直至知識圖譜的出現，問答系統結合知識圖譜的形式，很大程度上解決了傳統問答系統的弊端，實現了從文檔問答到知識圖譜問答。

知識圖譜問答系統已經在多個領域中實現，比如金融領域，電商領域，其具有可解釋性的特點使其成為問答系統的熱門研究方向。特別對于醫療領域而言，知識圖譜問答天然具有可解釋的性質，為其發展帶來了便利性。其中，張崇宇[12]先通過知識抽取、知識融合和知識存儲三個階段構建了一個臨床領域的知識圖譜，進一步基于神經網絡的有監督方法構建了可以回答簡單問題的中文醫學問答系統。曹明宇等[13]專注于特定疾病肝細胞癌，結合知識抽取技術和公開的英文醫學知識圖譜，構建了原發性肝癌的知識圖譜，并在此基礎上，實現了流水線式的問答系統。賈李蓉等[14]完成了基于中醫藥學語言的問答系統，用戶可以使用自然語言進行提問，系統會自動地利用信息搜索功能在互聯網上搜集相似的病例，并根據最可能的疾病為給用戶提供相應的醫療咨詢服務。馬晨浩[15]則關注于甲狀腺結節類疾病領域，經過認真篩選分析之后，創建甲狀腺知識圖譜，實現了一個針對甲狀腺類疾病的自動問答系統。

現有知識圖譜問答系統在護理領域的研究不足，如何設計護理領域問答系統仍然需要探索，特別是針對復雜問句，如“與三叉神經痛類似疾病的護理措施？”，這樣的復雜語句，在知識圖譜問答中涉及多跳推理。現有的知識圖譜問答系統尚不能很好的解決上述問題。目前急待設計一種面向護理領域的知識圖譜問答系統，幫助護士準確理解場景、捕捉上下文語境等信息，從而幫助護士的培養。

3系統的基礎結構、構建思路和方法

3.1基礎結構? 系統第一層是資源層，其包含龐大的臨床護理實施場景數據，包括“護理團體標準”“專家共識”“護理指南”和“護理教材”，這些數據格式多樣，包含多種疾病的護理方案。第二層是數據匯聚層，處理資源層中各類原始數據，以轉化為可存儲入知識圖譜形式的數據，處理數據過程為：數據清理、知識抽取、知識融合和圖數據存儲。第三層是技術服務層，包括護理知識圖譜構建、實體鏈接模型和查詢圖生成模型。第四層是應用層，將提供一個面向護理領域的問答系統和護理知識圖譜。訪問層以web應用系統發布到互聯網中，可會員制模式提供護士、護理教師、管理者或其它感興趣人群。護理知識圖譜問答系統場景示意圖見圖2。

3.2構建思路和方法

3.2.1 構建護理教學資源初始素材庫? 本系統收集并整理了“護理團體標準”“專家共識”“護理指南”和“護理教材”等相關護理知識數據，作為構建知識圖譜的原始數據。①護理團體標準：以中華護理學會發布團體標準文件為基礎，收集從2019-2022年關于護理學學會團體標準的文章。共收集32項護理團體標準，包括便秘的耳穴貼穴技術、成人癌性疼痛護理和成人腸造口護理等。②專家共識：以知網、萬方和維普數據庫為基礎，收集從2015-2022年所有關于護理學的專家共識，收集領域包括但不限于神經內科、心臟外科、呼吸外科和泌尿外科等。共收集135份專家共識，包括心臟康復護理專家共識、成人腸造口皮膚黏膜分離護理專家共識和神經重癥患者腸內喂養護理專家共識。③護理指南：以知網、萬方和維普數據庫為基礎，收集從2010-2022年所有關于護理學的指南。注意：所有數據均采用最新版護理指南。共收集56份護理指南，包括急性缺血性腦卒中靜脈溶栓護理指南、神經源性膀胱護理實踐指南和成人急性心力衰竭護理實踐指南等。④護理教材：以現行的護理教材為基礎素材來源。資源初始素材庫見表1。

3.2.2 數據處理與知識圖譜構建? ①數據處理：考慮到數據來源廣泛且數據樣式多變，處理數據前先進行數據格式轉化，將所有數據轉化為可讀形式，如：將pdf轉化為doc格式，將圖片轉化為doc格式。在doc格式數據的基礎上進行數據清洗，如：特殊符號去除、剔除無效數據和去除重復數據。②知識圖譜構建：知識圖譜構建過程可分為知識圖譜模式層設計、知識抽取、知識融合和知識圖譜存儲。

知識圖譜模式層設計：通過護理領域專家的共同研究，確定護理知識圖譜的模式層。護理知識圖譜模式層（部分）見圖3。

知識抽取：護理教學資源初始素材庫中數據分為非結構化數據和結構化數據，對于結構數據，將其轉化為知識三元組。對于非結構化數據，護理知識圖譜模式層為基礎，采用AI知識抽取技術，抽取出知識三元組。

知識融合：考慮到圖譜完備性的因素，對知識信息進行補全，采用AI知識圖譜融合技術，將現有知識三元組與CMeKG進行知識融合，構成更加完備豐富的知識三元組。

知識圖譜存儲：將上述所有知識三元組以圖數據形式保存，采用Neo4j數據庫進行存儲。

3.2.3知識圖譜表示學習? 系統采用基于翻譯模型[16]的圖譜表示學習方法。該方法能將知識圖譜向量化，即獲得實體節點表示，進而協助問答生成過程，其步驟包括：利用BERT模型[17]編碼實體信息，實體信息包括實體類型和實體描述，得到實體嵌入。將實體嵌入輸入GCN模型[18]，以捕獲實體間結構信息，得到實體編碼。利用路徑資源約束算法PCRA，以獲得兩實體間的關系路徑表示。使用翻譯模型對知識抽取和知識融合中得到的實體表示和關系路徑表示進行學習。最終得到實體表示和關系表示。

3.2.4 實體鏈接模型? 系統采用基于文本和圖拓撲的實體鏈接模型（以下簡稱為EL模型），該模型將問句中的實體映射到知識圖譜的實體。其步驟包括采用字典法和NER模型[19]抽取出問句中的實體提及，并在知識圖譜中找到對應的候選實體集。將問句序列和候選實體集拼接后送入BERT+BiLSTM[20]模型中，得到候選實體表示。采用余弦相似度算法，比較候選實體表示與知識圖譜實體表示相似度，并挑選相似度最大的前三個實體。

3.2.5 查詢圖生成模型? 系統采用基于搜索策略和圖編碼的查詢圖生成模型，在EL模型得到的實體集的基礎上，生成實體的查詢圖，進而挑選最佳查詢圖并生成問句答案，具體步驟為：生成從EL模型得到實體的查詢圖，將問句文本和查詢圖作為輸入，其中問句文本將通過BERT-BiLSTM模型進行編碼，得到問句向量，查詢圖將通過BERT-CNN模型進行編碼，得到查詢圖向量。采用歐式距離公式計算問句向量和查詢圖向量相似度。利用相似度最高的查詢圖生成問題答句。

3.3知識檢索與可視化效果展示? 該系統采用知識圖譜的形式，通過問答的形式，將護理領域的復雜知識和關系進行結構化展示，見圖4。通過采用圖形化的展示形式，用戶可以更加直觀地查詢多重關系，同時使用圖算法還可以實現更為復雜的圖匹配查詢和問答等功能。這種基于圖結構的知識表示和查詢方式，不僅能夠提高查詢效率，還可以幫助用戶更加深入地理解知識之間的聯系和本質，進一步拓展知識廣度和深度。

4總結

知識圖譜是人工智能的核心技術之一，它以首實體、關系、尾實體的形式構成三元組為知識單元進行存儲，通過圖形化的方式展示知識的發展進程和結構關系，能夠揭示知識之間的聯系和本質，并且實現知識的快速響應和推理。本文研發的護理問答系統采用知識抽取模型從非結構化的護理教材文本中提取實體、實體屬性和實體之間的關系，然后將這些抽取到的知識三元組存儲在Neo4j圖數據庫中。在Web前端，該系統采用Echart可視化技術來展示護理領域的知識圖譜結構，使用戶可以更加直觀地了解知識之間的聯系和層次結構。通過這種方式，護理問答系統可以更加高效地實現知識管理、查詢和推理，提高知識的應用價值和推廣效果。護理問答系統能滿足護理教育工作的實際需求，有效緩解專職護理教師不足的問題，減輕了護理教師的課程壓力，提升了護士學習的效率和積極性，是護士培養現代化、信息化的創新模式。

參考文獻：

[1]國家衛生健康委員會.2021年我國衛生健康事業發展統計公報[EB/OL].（2022-07-19）[2023-07-01].https：//www.gov.cn/xinwen/2022-07/12/content_5700670.htm.

[2]國家衛生健康委員會.衛生健康委關于印發《全國護理事業發展規劃（2021-2025年）》的通知[J].中華人民共和國國務院公報，2022，1778（23）：57-63.

[3]朱瓏，張克英.3年規范化培訓考核在提高新入職護士職業能力中的作用[J].中華護理雜志，2016，51（7）：836-839.

[4]中華人民共和國國家衛生和計劃生育委員會.關于印發《新入職護士培訓大綱（試行）》的通知[Z].北京：中華人民共和國國家衛生和計劃生育委員會，2016.

[5]李旭英，李星鳳，湯新輝，等.《新入職護士規范化培訓大綱》的踐行與效果評價[J].護理學雜志，2017，32（6）：61-63，98.

[6]丁娟，張鳳勤，陳紅宇，等.成功能力模型在新護士規范化培訓中的應用研究[J].護理管理雜志，2018，18（9）：657-660.

[7]沈雅萍，張曉紅.全程導師制帶教法在新護士規范化培訓中的應用[J].中國高等醫學教育，2018（3）：92-93.

[8]蔡瑩，徐宇紅，陳燕，等.基于“南丁格爾+”SPOC教育模式在骨科年輕護士規范化培訓中的應用[J].實用臨床醫藥雜志，2018，22（18）：122-124.

[9]鄭佳，楊建國，阮海濤.“三明治”教學法在新入職護士規范化培訓中的應用[J].護理學雜志，2018，33（15）：19-21.

[10]湯敏，王雪菲，陳莉霞，等.構思-設計-實現-運作培訓模式在新入職護士臨床帶教中的應用[J].臨床護理雜志，2018，17（5）：66-68.

[11]索佩珩，徐翠榮.新入職護士規范化培訓評價的研究現狀與思考[J].護士進修雜志，2019，34（6）：513-515.

[12]張崇宇.基于知識圖譜的自動問答系統的應用研究與實現[D].北京：北京郵電大學，2019.

[13]曹明宇，李青青，楊志豪，等.基于知識圖譜的原發性肝癌知識問答系統[J].中文信息學報，2019，33（6）：88-93.

[14]賈李蓉，劉麗紅，劉靜，等.基于中醫藥學語言系統的知識問答系統的設計與構建[J].中華醫學圖書情報雜志，2019，28（5）：11-14.

[15]馬晨浩.基于甲狀腺知識圖譜的自動問答系統的設計與實現[J].智能計算機與應用，2018，8（3）：102-107.

[16]Bordes A，Usunier N，Garcia-Durán A，et al.Translating embeddings for modeling multi-relational data[C]//Proceedings of the 26th International Conference on Neural Information Processing Systems-Volume 2.2013：2787-2795.

[17]Kenton JDMWC，Toutanova LK.BERT：Pre-training of Deep Bidirectional Transformers for Language Understanding[C]//Proceedings of NAACL-HLT.2019：4171-4186.

[18]Velickovic P，Cucurull G，Casanova A，et al.Graph attention networks[C]//The 6th International Conference on Learning Representations，Vancouver，Canada：ICLR.2018：1-12.

[19]Lu Y，Liu Q，Dai D，et al.Unified Structure Generation for Universal Information Extraction[C]//Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）.2022：5755-5772.

[20]Cai R，Qin B，Chen Y，et al.Sentiment analysis about investors and consumers in energy market based on BERT-BiLSTM[J].IEEE Access，2020，8：171408-171415.