本發(fā)明涉及知識圖譜、大語言模型以及圖神經網絡在醫(yī)療領域的應用，特別是一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)。

背景技術：

1、知識圖譜是一種揭示實體之間關系的語義網絡，在眾多領域都有著廣泛的應用。在醫(yī)學知識管理方面，已有技術通過構建醫(yī)學知識圖譜來整合醫(yī)學知識資源，試圖實現(xiàn)知識的快速檢索與智能應用。例如，部分醫(yī)療知識庫系統(tǒng)利用知識圖譜將疾病、癥狀、治療方法等醫(yī)學概念相互關聯(lián)，用戶可以通過輸入關鍵詞查詢相關醫(yī)學知識。然而，這些傳統(tǒng)的醫(yī)學知識圖譜應用往往存在局限性。其構建過程大多依賴于人工標注或半自動化方式，對于大規(guī)模醫(yī)學知識的處理效率較低，難以保證知識圖譜的完整性與及時性。并且，在知識應用層面，主要集中在簡單的知識查詢與檢索，缺乏深度的智能交互能力，無法滿足復雜的醫(yī)學知識應用場景需求，如模擬醫(yī)學教學中的智能問答與互動反饋等。

2、大語言模型如gpt等在自然語言處理領域取得了顯著進展。它們通過對海量文本數據的學習，能夠生成連貫、邏輯性較強的文本回答，在通用領域的智能問答、文本創(chuàng)作等方面表現(xiàn)出色。但在醫(yī)學領域應用時，直接使用大語言模型存在諸多問題。大語言模型在訓練時所采用的通用數據雖然涵蓋部分醫(yī)學知識，但針對醫(yī)學專業(yè)教材中的特定知識體系覆蓋不足。這導致在面對醫(yī)學專業(yè)問題時，可能出現(xiàn)回答不準確、不深入甚至錯誤的情況。例如，在回答醫(yī)學中關于人體生理機制的精細問題或特定疾病在醫(yī)學理論層面的發(fā)病原理時，大語言模型難以依據專業(yè)的醫(yī)學教材知識給出精準且符合教學與學習要求的回答。

3、圖神經網絡在處理圖結構數據方面具有獨特優(yōu)勢，已被應用于一些知識圖譜相關的研究中，用于挖掘知識圖譜中實體與關系的潛在特征。然而，在醫(yī)學知識圖譜與智能問答相結合的應用中，現(xiàn)有技術未能充分發(fā)揮圖神經網絡的潛力。多數情況下，圖神經網絡僅被用于對知識圖譜結構進行簡單的特征提取，未與大語言模型進行有效的深度融合。這種孤立的應用方式使得在智能問答過程中，無法充分利用圖神經網絡對知識圖譜關系的理解以及大語言模型強大的語言生成能力，導致智能問答系統(tǒng)在處理醫(yī)學知識時的推理能力和回答質量受限，難以滿足醫(yī)學教育與研究中對精確、全面、深入的知識交互的需求。

4、檢索增強生成(rag)技術是為了改善大語言模型在特定領域知識應用中的不足而出現(xiàn)的一種方法。它通過在大語言模型生成回答前，先從外部知識庫(如知識圖譜等)中檢索相關信息，然后將這些信息作為額外的輸入提供給大語言模型，以增強其回答的準確性和針對性。在醫(yī)學領域已有一些基于rag技術的嘗試，例如某些醫(yī)學輔助問答系統(tǒng)利用rag從醫(yī)學文獻數據庫中檢索相關資料輔助大語言模型回答問題。然而，當前的rag技術應用在醫(yī)學方面仍面臨挑戰(zhàn)。一方面，檢索過程的精準度和效率有待提高，現(xiàn)有的檢索算法可能無法快速準確地從海量醫(yī)學知識中定位到最關鍵的信息，導致引入的信息可能并非最優(yōu)，影響最終回答質量。另一方面，rag技術與圖神經網絡的結合不夠緊密，未能充分利用圖神經網絡對知識圖譜結構信息的挖掘能力來優(yōu)化檢索過程和信息整合，使得在醫(yī)學復雜知識關系處理上存在短板，難以滿足醫(yī)學教育和研究中多樣化、高精度的智能問答與知識應用服務需求。

5、綜上所述，現(xiàn)有的知識圖譜構建與應用技術、大語言模型單獨應用、圖神經網絡在面向醫(yī)學的智能問答與知識應用服務方面均存在不足，本發(fā)明旨在克服這些缺陷，提供一種更為高效、精準且功能豐富的基于醫(yī)學知識圖譜與多模型融合的智能知識應用解決方案。

技術實現(xiàn)思路

1、針對現(xiàn)有技術中的上述不足，本發(fā)明提供的一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，解決了現(xiàn)有技術無法準確、深度回答醫(yī)學專業(yè)問題且效率低下的問題。

2、為了達到上述發(fā)明目的，本發(fā)明采用的技術方案為：

3、一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，包括：

4、數據采集整合模塊，用于采集、整合各類醫(yī)學專業(yè)知識，形成醫(yī)學知識素材庫；

5、智能算法模塊，用于根據醫(yī)學知識素材庫構建知識圖譜；利用圖神經網絡模型對知識圖譜的學習和理解為大語言模型提供結構化知識支撐；

6、知識檢索與內容生成模塊，用于根據輸入的內容在知識圖譜中進行檢索，將檢索到的知識提供給大語言模型，得到相關知識點的詳細講解內容、案例分析以及擴展知識；

7、知識應用服務模塊，用于根據圖神經網絡模型對知識圖譜的學習和理解以及大語言模型對知識圖譜中語義信息的整合提供醫(yī)學教育服務；其中知識應用服務包括智能問答服務、自動出題服務、答題判讀服務。

8、本發(fā)明的有益效果為：本發(fā)明通過深度融合醫(yī)學知識圖譜、大語言模型、圖神經網絡模型，克服了現(xiàn)有技術在醫(yī)學知識處理與應用方面的諸多不足，更高效地實現(xiàn)了醫(yī)學知識的整合與深度理解，提升了醫(yī)學領域知識傳播與應用的效率和質量，推動了醫(yī)學教育與研究的智能化發(fā)展。

技術特征：

1.一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，其特征在于，包括：

2.根據權利要求1所述的一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，其特征在于，采集、整合各類醫(yī)學專業(yè)知識具體包括：

3.根據權利要求1所述的一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，其特征在于，所述智能算法模塊包括：

4.根據權利要求3所述的一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，其特征在于，知識融合子模塊進行融合處理并消除冗余信息與矛盾信息的過程具體為：

5.根據權利要求3所述的一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，其特征在于，知識圖譜表示學習子模塊將知識圖譜中的實體與關系映射到高維向量空間包括以下步驟：

6.根據權利要求1所述的一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，其特征在于，知識檢索與內容生成模塊包括：

7.根據權利要求1所述的一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，其特征在于，知識應用服務模塊包括：

8.根據權利要求7所述的一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，其特征在于，剪枝優(yōu)化處理的具體方法為：

9.根據權利要求7所述的一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，其特征在于，自動出題子模塊自動生成題目的具體方法包括：

10.根據權利要求7所述的一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，其特征在于，答題判讀子模塊根據知識圖譜識別并判定答案的具體方法為：

技術總結
本發(fā)明公開了一種面向醫(yī)學教育的知識圖譜構建、檢索與應用系統(tǒng)，包括：數據采集整合模塊，用于采集、整合各類醫(yī)學專業(yè)知識，形成醫(yī)學知識素材庫；智能算法模塊，用于根據醫(yī)學知識素材庫構建知識圖譜，再利用圖神經網絡模型對知識圖譜的學習和推理提供結構化知識支撐；知識檢索與內容生成模塊，用于根據輸入的內容在知識圖譜中進行檢索，將檢索到的知識提供給大語言模型，得到對應的內容；知識應用服務模塊，用于根據圖神經網絡模型對知識圖譜的學習和理解以及大語言模型對知識圖譜中語義信息的整合提供醫(yī)學教育服務。本發(fā)明更好地推動了醫(yī)學領域的智能化發(fā)展，為醫(yī)學教育、研究等提供了更高效、精準的支持與服務。

技術研發(fā)人員：梁偉波,宋超
受保護的技術使用者：四川大學
技術研發(fā)日：
技術公布日：2025/5/15