知识图谱的建立方法、装置和计算机设备与流程

本技术涉及医疗数据处理，尤其涉及一种知识图谱的建立方法、装置和计算机设备。

背景技术：

1、知识图谱作为结构化知识表示与推理的核心技术，已广泛应用于医疗临床辅助决策领域。在罕见病诊疗场景中，由于疾病发病率低、病例分散、临床认知有限，构建高质量的知识图谱对于提升诊断准确率、减少误诊漏诊具有重要意义。

2、但相关技术中的知识图谱构建方法多基于医学文献进行一次性知识抽取和静态更新，难以充分利用真实世界临床诊疗过程中形成的症状关联、检查阈值、基因表型概率和治疗效果等细节信息，存在图谱知识更新滞后、临床适用性不足和更新精度较低的问题。

3、因此，需要一种能够以真实的临床数据为基础并对知识图谱进行灵活更新的方法，以提高知识图谱的动态性和精细化程度。

技术实现思路

1、本技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本技术提出一种知识图谱的建立方法、装置和计算机设备。本技术采用的主要技术方案包括：

2、第一方面，本技术提供一种知识图谱的建立方法，该方法包括：获取目标疾病的文献挖掘数据和临床诊疗数据；基于文献挖掘数据进行实体识别和关系抽取，以建立初始知识图谱；其中，初始知识图谱包括能够表征医学实体间的语义关联关系的知识三元组，且每个知识三元组均包含实体节点和关系边；基于临床诊疗数据进行统计分析，得到实际特征数据；利用实际特征数据对初始知识图谱执行粒度更新处理，以生成目标知识图谱；其中，粒度更新处理包括针对实体节点的节点更新和针对关系边的权重更新。

3、通过文献挖掘数据构建初始知识图谱提供了疾病知识的基础框架，保证了知识覆盖的广度。通过临床诊疗数据统计分析得到多维度实际特征数据，提取了真实世界中疾病表现的细粒度量化特征。通过粒度更新处理将临床统计特征反哺至知识图谱的实体节点与关系边层面，实现了知识图谱从定性描述到定量刻画的提升，最终以真实世界的临床数据驱动了知识图谱的动态优化，有效解决了传统知识图谱构建方法更新粒度不足的问题，生成的目标知识图谱能够为临床辅助决策提供更加精准的知识支撑。

4、可选地，实际特征数据包括症状关联数据、检查分布数据、表型概率数据和程度分布数据；基于临床诊疗数据进行统计分析，得到实际特征数据，包括：基于临床诊疗数据中的症状数据和体征数据进行关联规则挖掘，以得到症状关联数据；基于临床诊疗数据中确诊患者的检验数据进行统计分析，以得到检查分布数据；基于临床诊疗数据中的变异数据和表型数据进行概率计算，以得到表型概率数据；基于临床诊疗数据中的症状数据和程度数据进行性质聚类，以得到程度分布数据。

5、通过关联规则挖掘得到症状间的真实关联强度，弥补了文献知识中关联描述偏定性的不足；通过检验数据统计分析得到疾病特异的检查阈值，提升了诊断指标的临床适用性；通过变异与表型的概率计算明确了基因型与临床表现的对应关系，为精准诊断提供依据；通过症状修饰模式的性质聚类实现了症状的细粒度刻画，丰富了知识的细节维度。上述四类数据从不同维度量化了疾病的真实世界特征，为后续知识图谱的粒度更新提供坚实的数据基础。

6、可选地，通过以下方式执行关系边的权重更新：针对任一知识三元组，基于知识三元组的实体节点和关系边在实际特征数据中确定对应的目标特征数据；基于关系边和目标特征数据进行比例计算，以确定目标平衡系数；其中，关系边具有初始权重；目标特征数据具有统计权重；基于目标平衡系数、初始权重和统计权重进行指数加权移动平均计算，以得到关系边的目标边权重；基于目标边权重对关系边的初始权重进行替换处理，以完成关系边的权重更新。

7、通过引入平衡系数实现历史知识与新临床证据的加权融合，避免了直接替换可能导致的知识突变，也避免了简单平均对样本量差异的忽视。同时，基于样本量动态调整平衡系数使得权重更新能够自适应地反映证据强度，样本量越大，新数据对权重的影响力越大，从而实现了平滑且科学的知识进化。

8、可选地，关系边还具有历史样本量；目标特征数据还具有真实样本量；基于关系边和目标特征数据进行比例计算，以确定目标平衡系数，包括：基于历史样本量和真实样本量进行比例计算，以确定目标平衡系数；其中，目标平衡系数为历史样本量与总和样本量的比值；总和样本量由真实样本量和历史样本量相加得到。

9、利用历史样本量与真实样本量的比例动态确定平衡系数，能够根据新证据的数据量自动调整历史知识与临床数据的权重占比：当临床样本量较大时，平衡系数相应减小，新证据在更新中占据更高权重；当临床样本量较小时，平衡系数相应增大，历史知识保留更多权重。该动态调整机制使权重更新更加科学合理，避免了固定权重比例带来的适应性不足问题。

10、可选地，基于文献挖掘数据进行实体识别和关系抽取，以建立初始知识图谱，包括：对文献挖掘数据进行文本预处理，得到标准文本数据；根据标准文本数据进行实体识别和组合，以得到候选实体对；基于候选实体对进行关系抽取，以得到候选实体对的目标关系类型；基于目标关系类型生成候选实体对的关系边，以构建知识三元组，并整合所有知识三元组，以形成初始知识图谱。

11、通过对文献挖掘数据进行文本预处理得到标准文本数据，有效消除了无关内容的干扰。再通过实体识别和组合得到候选实体对，并对其进行关系抽取，最终整合形成完整的初始知识图谱。整个处理流程完成了从非结构化医学文献到结构化知识库的自动化转化，为后续的知识融合与图谱更新提供了结构化的知识基础。

12、可选地，根据标准文本数据进行实体识别和组合，以得到候选实体对，包括：基于标准文本数据进行实体识别，以得到实体节点；其中，实体节点具有实体位置；利用实体位置对实体节点进行组合处理，以得到候选实体对。

13、基于实体位置对同一句子内的实体进行同句限制和有序组合，保证了候选实体对具有构成语义关系的语法基础。同时利用实体位置缩小了关系抽取的候选范围，避免了跨句实体的无效配对，有效提升了后续关系抽取的处理效率和准确率。

14、可选地，在利用实际特征数据对初始知识图谱执行粒度更新处理之前，该方法还包括：基于实际特征数据和初始知识图谱进行冲突检测，得到冲突识别结果；若冲突识别结果表明冲突来源于粒度差异，则基于实际特征数据和初始知识图谱执行粒度更新处理，以生成目标知识图谱。

15、通过在粒度更新前增设冲突检测环节，能够有效区分粒度差异与数据差异两类不同性质的冲突，实现差异化的更新策略。对于粒度差异直接进行细粒度补充，丰富知识层次；对于数据差异则先经可信度评估再加权融合，保证知识准确性。该冲突检测与分流处理机制提升了知识图谱更新的精细化程度和可靠性，为临床辅助决策提供了更加严谨的知识支撑。

16、可选地，该方法还包括：若冲突识别结果表明冲突来源于数据差异，则基于实际特征数据和初始知识图谱进行可信度计算，得到可信度结果；基于可信度结果、实际特征数据和初始知识图谱执行粒度更新处理，以生成目标知识图谱。

17、通过对数据差异型冲突引入可信度计算机制，能够在新旧知识存在矛盾时提供科学的融合依据，避免简单采信一方导致的知识偏差。同时综合考量来源权威性、时效性和置信度多维度因素，使更新后的知识权重更加客观可靠，保障了目标知识图谱的整体质量。

18、第二方面，本技术提供一种知识图谱的建立装置，该装置包括：

19、原始数据获取模块，用于获取目标疾病的文献挖掘数据和临床诊疗数据；

20、初始图谱构建模块，用于基于文献挖掘数据进行实体识别和关系抽取，以建立初始知识图谱；其中，初始知识图谱包括能够表征医学实体间的语义关联关系的知识三元组，且每个知识三元组均包含实体节点和关系边；

21、真实数据获取模块，用于基于临床诊疗数据进行统计分析，得到实际特征数据；

22、粒度更新执行模块，用于利用实际特征数据对初始知识图谱执行粒度更新处理，以生成目标知识图谱；其中，粒度更新处理包括针对实体节点的节点更新和针对关系边的权重更新。

23、第三方面，本技术还提供一种计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一项的方法的步骤。