关于知识图谱概念性的介绍就不在此赘述。目前知识图谱在各个领域全面开花，如教育、医疗、司法、金融等。本项目立足医药领域，以垂直型医药网站为数据来源，以疾病为核心，构建起一个包含7类规模为4.4万的知识实体，11类规模约30万实体关系的知识图谱。

本项目将包括以下两部分的内容：1)基于垂直网站数据的医药知识图谱构建2)基于医药知识图谱的自动问答

以下两图是实际问答运行过程中的截图：

项目运行方式配置要求：要求配置neo4j数据库及相应的python依赖包。neo4j数据库用户名密码记住，并修改相应文件。知识图谱数据导入：pythonbuild_medicalgraph.py，导入的数据较多，估计需要几个小时。启动问答：pythonchat_graph.py

ppa_data/datasoider.py：网络资讯采集脚本

ppa_data/datasoider.py：网络资讯采集脚本

ppadata/maxcut.py：基于词典的最大向前/向后切分脚本

build_medicalgraph.py：知识图谱入库脚本 　　

question_classifier.py：问句类型分类脚本

question_parser.py：问句解析脚本

chatbot_graph.py：问答程序脚本

部分代码展示：

针对不同的问题，分开进行处理defsql_transfer(self,question_type,entities):ifnotentities:turn[]#查询语句sql=[]#查询疾病的原因ifquestion_type==disease_cause:sql=["MATCH(m:Disease)whem.name={0}turnm.name,m.cause".format(i)foriinentities]#查询疾病的防御措施elifquestion_type==disease_pvent:sql=["MATCH(m:Disease)whem.name={0}turnm.name,m.pvent".format(i)foriinentities]#查询疾病的持续时间elifquestion_type==disease_lasttime:sql=["MATCH(m:Disease)whem.name={0}turnm.name,m.cu_lasttime".format(i)foriinentities]#查询疾病的治愈概率elifquestion_type==disease_cuprob:sql=["MATCH(m:Disease)whem.name={0}turnm.name,m.cud_prob".format(i)foriinentities]#查询疾病的治疗方式elifquestion_type==disease_cuway:sql=["MATCH(m:Disease)whem.name={0}turnm.name,m.cu_way".format(i)foriinentities]#查询疾病的易发人群elifquestion_type==disease_easyget:sql=["MATCH(m:Disease)whem.name={0}turnm.name,m.easy_get".format(i)foriinentities]#查询疾病的相关介绍elifquestion_type==disease_desc:sql=["MATCH(m:Disease)whem.name={0}turnm.name,m.desc".format(i)foriinentities]#查询疾病有哪些症状elifquestion_type==disease_symptom:sql=["MATCH(m:Disease)-[r:has_symptom]-(n:Symptom)whem.name={0}turnm.name,r.name,n.name".format(i)foriinentities]#查询症状会导致哪些疾病elifquestion_type==symptom_disease:sql=["MATCH(m:Disease)-[r:has_symptom]-(n:Symptom)when.name={0}turnm.name,r.name,n.name".format(i)foriinentities]#查询疾病的并发症elifquestion_type==disease_a