陳蘭珍 鄭涇飛 王華珍 方昱龍 潘瓊?cè)? 蘇藝津

摘要：護(hù)士培養(yǎng)機(jī)制信息化和統(tǒng)一化是減少護(hù)士培養(yǎng)成本、增強(qiáng)護(hù)士專業(yè)素養(yǎng)、減緩護(hù)理教師不足的重要解決方案。針對當(dāng)前護(hù)理知識問答引擎無法回答護(hù)士提出復(fù)雜問題等局限，本文研發(fā)了一種基于用戶自然語言提問的護(hù)理知識圖譜問答系統(tǒng)。首先通過本體設(shè)計、知識獲取、知識融合、知識存儲等技術(shù)構(gòu)建出護(hù)理知識圖譜，其次針對護(hù)士提出的自然語言問題進(jìn)行語義理解和解析，進(jìn)而利用知識圖譜進(jìn)行查詢、推理得出答案。該系統(tǒng)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(jìn)行同步可視化，從而幫助護(hù)士準(zhǔn)確理解場景、捕捉上下文語境等信息。

關(guān)鍵詞：智能問答系統(tǒng)；護(hù)理知識圖譜；交互可視化；護(hù)士培養(yǎng)

中圖分類號：TP315；R197? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)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(hù)士隊伍建設(shè)是完善護(hù)理服務(wù)體系和實現(xiàn)護(hù)理高質(zhì)量發(fā)展的關(guān)鍵[1]。2022年4月29日國家衛(wèi)生健康委員會印發(fā)《全國護(hù)理事業(yè)發(fā)展規(guī)劃（2021-2025年）》[2]（以下簡稱《規(guī)劃》）中指出護(hù)士培養(yǎng)水平在經(jīng)濟(jì)社會發(fā)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(shù)的飛速發(fā)展將為護(hù)理事業(yè)創(chuàng)造了新機(jī)遇，應(yīng)加強(qiáng)護(hù)理信息化建設(shè)等。護(hù)士培養(yǎng)方式可分為在校教育和崗位培訓(xùn)[3]兩部分，前者主要依靠高校制定相關(guān)的課程和實訓(xùn)，后者遵循《新入職護(hù)士培訓(xùn)大綱（試行）》[4]（以下簡稱《大綱》）制定培養(yǎng)方案。現(xiàn)有研究提出了多種培養(yǎng)模式[5]，如成功能力模型[6]、全程導(dǎo)師制帶教法[7]、“南丁格爾+”模式[8]、“三明治”教學(xué)法[9]、構(gòu)思-設(shè)計-實現(xiàn)-運作培訓(xùn)模式[10]等。然而這些培養(yǎng)模式都離不開教師的參與且以大課教學(xué)模式為主，面臨如何減少護(hù)士培養(yǎng)的成本，增強(qiáng)護(hù)士專業(yè)素養(yǎng)，減緩護(hù)理教師不足等挑戰(zhàn)。在信息化時代，護(hù)理與科技的融合是大勢所趨，通過互聯(lián)網(wǎng)、云技術(shù)和人工智能拓展護(hù)理教育創(chuàng)新模式，可實現(xiàn)護(hù)士培養(yǎng)的提效增速。

隨著知識圖譜迅速發(fā)展，已經(jīng)在語義搜索、問答系統(tǒng)、智能客服、個性化推薦等通用領(lǐng)域得到廣泛的應(yīng)用，同時在金融證券、醫(yī)療、電商、司法和教育等垂直領(lǐng)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(jìn)行語義理解和解析，進(jìn)而利用知識圖譜進(jìn)行查詢、推理得出答案。護(hù)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(fù)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(fù)雜問答系統(tǒng)可以給出傳統(tǒng)的搜索引擎等方式無法給出的答案，實現(xiàn)快速、準(zhǔn)確的信息獲取需求。

本文研發(fā)基于知識語義精準(zhǔn)搜索的護(hù)理知識圖譜問答系統(tǒng)。首先通過本體設(shè)計，知識獲取、知識融合、知識存儲等技術(shù)構(gòu)建出護(hù)理知識圖譜，其次通過對問題進(jìn)行語義理解和解析，并對護(hù)理知識圖譜進(jìn)行查詢、推理，進(jìn)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(jìn)行同步可視化，從而幫助護(hù)士準(zhǔn)確理解場景、捕捉上下文語境等信息。本系統(tǒng)是護(hù)理大數(shù)據(jù)垂直搜索需求而產(chǎn)生專業(yè)化、知識化、智能化的新一代搜索引擎。不僅能幫助新入職護(hù)士培訓(xùn)的帶課教師統(tǒng)一護(hù)理教學(xué)標(biāo)準(zhǔn)，減少帶課教師理論指導(dǎo)時間，提升教學(xué)質(zhì)量，還能幫助護(hù)士進(jìn)行護(hù)理知識學(xué)習(xí)和鞏固，提高護(hù)士專業(yè)知識素養(yǎng)。

本研究研發(fā)了一種基于知識語義精準(zhǔn)搜索的護(hù)理知識圖譜問答系統(tǒng)。通過問答系統(tǒng)統(tǒng)一護(hù)理教學(xué)，護(hù)理教學(xué)涉及到大量的知識，對話系統(tǒng)將知識具象化、統(tǒng)一化給護(hù)士、護(hù)理學(xué)生帶來標(biāo)準(zhǔn)化、系統(tǒng)化的教學(xué)內(nèi)容，幫助其更好地理解和應(yīng)用護(hù)理理論和實踐知識，從而增強(qiáng)學(xué)習(xí)效率；通過問答系統(tǒng)進(jìn)一步減輕護(hù)師教學(xué)壓力，傳統(tǒng)的護(hù)理教學(xué)模式需要教師花費大量的時間和精力進(jìn)行課堂教學(xué)、作業(yè)批改和學(xué)生指導(dǎo)。而護(hù)理對話系統(tǒng)可以作為教師的助手，自動回答學(xué)生的問題，提供學(xué)習(xí)資源和輔導(dǎo)材料，從而提高教學(xué)質(zhì)量，同時減輕教師的工作壓力。通過與護(hù)理對話系統(tǒng)的互動，護(hù)士可以不斷鞏固和更新自己的專業(yè)知識，了解最新的護(hù)理研究和實踐成果。同時，對話系統(tǒng)還可以模擬真實的臨床場景，幫助護(hù)士進(jìn)行虛擬實踐和技能培訓(xùn)，提高護(hù)理質(zhì)量和安全性。

1護(hù)理問答系統(tǒng)的主要目標(biāo)和意義

1.1主要目標(biāo)? 護(hù)理問答系統(tǒng)以護(hù)理知識圖譜和問答系統(tǒng)兩部分為核心。該系統(tǒng)通過收集整理多方數(shù)據(jù)源，如護(hù)理團(tuán)體標(biāo)準(zhǔn)、專家共識、護(hù)理教材和護(hù)理指南等，構(gòu)建完備可靠的護(hù)理知識圖譜，作為問答系統(tǒng)的數(shù)據(jù)支撐；在問答系統(tǒng)層面，設(shè)計了一種處理復(fù)雜問句的問答生成模型。護(hù)理問答系統(tǒng)有效緩解當(dāng)前護(hù)理教學(xué)標(biāo)準(zhǔn)不統(tǒng)一的問題，極大減輕帶課老師的授課壓力，緩解專職護(hù)理教師人才不足的問題，提高護(hù)士學(xué)習(xí)過程的積極性，增加護(hù)士學(xué)習(xí)知識的效率。具體而言，系統(tǒng)要做到以下內(nèi)容：①護(hù)理教學(xué)資源初始素材庫構(gòu)建：根據(jù)現(xiàn)有護(hù)理團(tuán)體標(biāo)準(zhǔn)、護(hù)理指南、專家共識和護(hù)理教材等構(gòu)建閱讀資源初始素材庫。②護(hù)理教學(xué)素材庫中包含結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，通過AI知識抽取技術(shù)將非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)化為結(jié)構(gòu)化知識，并構(gòu)建護(hù)理知識圖譜。③護(hù)理教學(xué)素材智能檢索：根據(jù)輸入的關(guān)鍵詞和自然語言表達(dá)查詢語句，采用 AI 復(fù)雜問句檢索技術(shù)在護(hù)理知識圖譜中搜索答案。④護(hù)理知識點可視化：采用AI知識抽取技術(shù)從護(hù)理教學(xué)資源，將知識以節(jié)點-邊-節(jié)點的形式展示，利用知識網(wǎng)絡(luò)可視護(hù)理知識。

1.2重要意義? ①本系統(tǒng)通過輔助護(hù)理教師教學(xué)任務(wù)，以緩解教師教學(xué)壓力，彌補(bǔ)專職護(hù)理教師的不足。②本系統(tǒng)采用自然語言的方式進(jìn)行問答，提高護(hù)士學(xué)習(xí)的交互體驗；問答知識圖譜的展現(xiàn)，增強(qiáng)了用戶對檢索結(jié)果語義關(guān)聯(lián)性理解，提升了護(hù)士學(xué)習(xí)的效率。③系統(tǒng)采用知識圖譜作為數(shù)據(jù)庫，保證用戶交互過程中答案的準(zhǔn)確性和可靠性，避免傳統(tǒng)搜索引擎答案不明確的問題。

2醫(yī)學(xué)知識圖譜與問答系統(tǒng)

2.1醫(yī)學(xué)知識圖譜發(fā)展現(xiàn)狀? 2012年，谷歌提出了知識圖譜（Knowledge Graph），它是一種有向圖結(jié)構(gòu)的知識庫，包含實體、概念以及它們之間的語義關(guān)系，已應(yīng)用于搜索引擎等領(lǐng)域。在醫(yī)學(xué)領(lǐng)域引入知識圖譜技術(shù)，有助于解決醫(yī)學(xué)數(shù)據(jù)處理和實際應(yīng)用需求。與常規(guī)知識圖譜不同，醫(yī)學(xué)知識圖譜具有實體鮮明、屬性明確、數(shù)據(jù)量大且迭代更新快的特點，同時還涉及復(fù)雜的關(guān)系和強(qiáng)邏輯性。醫(yī)學(xué)知識圖譜的構(gòu)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(jié)點和邊存儲，以知識三元組（首實體、關(guān)系、尾實體）的方式存儲，表達(dá)為首實體在某種關(guān)系下的尾實體，如（三叉神經(jīng)痛，所屬科室，神經(jīng)內(nèi)科）表示三叉神經(jīng)痛屬于神經(jīng)內(nèi)科科室。在2019年由北京大學(xué)等提出了中文醫(yī)學(xué)知識圖譜（Chinese Medical Knowledge Graph， CMeKG），是目前中國最大的醫(yī)療領(lǐng)域知識圖譜，多達(dá)30多種的關(guān)系類型、20余萬個實體和100余萬個三元組。CMeKG的出現(xiàn)填補(bǔ)了中文醫(yī)療領(lǐng)域知識圖譜的空白，但其仍然缺失相關(guān)護(hù)理領(lǐng)域的知識。

醫(yī)學(xué)知識圖譜發(fā)展至今，鮮有關(guān)于護(hù)理領(lǐng)域的知識圖譜研究，然而護(hù)理知識又是醫(yī)學(xué)知識圖譜不可缺少的一環(huán)，構(gòu)建一個完備可靠的護(hù)理領(lǐng)域的知識圖譜成為目前至關(guān)重要的任務(wù)。

2.2 知識圖譜問答系統(tǒng)發(fā)展現(xiàn)狀? 在互聯(lián)網(wǎng)大數(shù)據(jù)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(guān)鍵字搜索答案，另一方面對于領(lǐng)域知識而言，搜索系統(tǒng)缺少可解釋性的問題。面對這些問題，問答系統(tǒng)應(yīng)運而生。對于問答系統(tǒng)，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(tǒng)更加具有針對性，更加簡潔明了。目前問答系統(tǒng)，從早期的基于規(guī)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(guān)鍵詞，通過分析關(guān)鍵詞，對問題進(jìn)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(fù)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(zhì)量良莠不齊，影響了問答系統(tǒng)的準(zhǔn)確度。直至知識圖譜的出現(xiàn)，問答系統(tǒng)結(jié)合知識圖譜的形式，很大程度上解決了傳統(tǒng)問答系統(tǒng)的弊端，實現(xiàn)了從文檔問答到知識圖譜問答。

知識圖譜問答系統(tǒng)已經(jīng)在多個領(lǐng)域中實現(xiàn)，比如金融領(lǐng)域，電商領(lǐng)域，其具有可解釋性的特點使其成為問答系統(tǒng)的熱門研究方向。特別對于醫(yī)療領(lǐng)域而言，知識圖譜問答天然具有可解釋的性質(zhì)，為其發(fā)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(gòu)建了一個臨床領(lǐng)域的知識圖譜，進(jìn)一步基于神經(jīng)網(wǎng)絡(luò)的有監(jiān)督方法構(gòu)建了可以回答簡單問題的中文醫(yī)學(xué)問答系統(tǒng)。曹明宇等[13]專注于特定疾病肝細(xì)胞癌，結(jié)合知識抽取技術(shù)和公開的英文醫(yī)學(xué)知識圖譜，構(gòu)建了原發(fā)性肝癌的知識圖譜，并在此基礎(chǔ)上，實現(xiàn)了流水線式的問答系統(tǒng)。賈李蓉等[14]完成了基于中醫(yī)藥學(xué)語言的問答系統(tǒng)，用戶可以使用自然語言進(jìn)行提問，系統(tǒng)會自動地利用信息搜索功能在互聯(lián)網(wǎng)上搜集相似的病例，并根據(jù)最可能的疾病為給用戶提供相應(yīng)的醫(yī)療咨詢服務(wù)。馬晨浩[15]則關(guān)注于甲狀腺結(jié)節(jié)類疾病領(lǐng)域，經(jīng)過認(rèn)真篩選分析之后，創(chuàng)建甲狀腺知識圖譜，實現(xiàn)了一個針對甲狀腺類疾病的自動問答系統(tǒng)。

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

3系統(tǒng)的基礎(chǔ)結(jié)構(gòu)、構(gòu)建思路和方法

3.1基礎(chǔ)結(jié)構(gòu)? 系統(tǒng)第一層是資源層，其包含龐大的臨床護(hù)理實施場景數(shù)據(jù)，包括“護(hù)理團(tuán)體標(biāo)準(zhǔn)”“專家共識”“護(hù)理指南”和“護(hù)理教材”，這些數(shù)據(jù)格式多樣，包含多種疾病的護(hù)理方案。第二層是數(shù)據(jù)匯聚層，處理資源層中各類原始數(shù)據(jù)，以轉(zhuǎn)化為可存儲入知識圖譜形式的數(shù)據(jù)，處理數(shù)據(jù)過程為：數(shù)據(jù)清理、知識抽取、知識融合和圖數(shù)據(jù)存儲。第三層是技術(shù)服務(wù)層，包括護(hù)理知識圖譜構(gòu)建、實體鏈接模型和查詢圖生成模型。第四層是應(yīng)用層，將提供一個面向護(hù)理領(lǐng)域的問答系統(tǒng)和護(hù)理知識圖譜。訪問層以web應(yīng)用系統(tǒng)發(fā)布到互聯(lián)網(wǎng)中，可會員制模式提供護(hù)士、護(hù)理教師、管理者或其它感興趣人群。護(hù)理知識圖譜問答系統(tǒng)場景示意圖見圖2。

3.2構(gòu)建思路和方法

3.2.1 構(gòu)建護(hù)理教學(xué)資源初始素材庫? 本系統(tǒng)收集并整理了“護(hù)理團(tuán)體標(biāo)準(zhǔn)”“專家共識”“護(hù)理指南”和“護(hù)理教材”等相關(guān)護(hù)理知識數(shù)據(jù)，作為構(gòu)建知識圖譜的原始數(shù)據(jù)。①護(hù)理團(tuán)體標(biāo)準(zhǔn)：以中華護(hù)理學(xué)會發(fā)布團(tuán)體標(biāo)準(zhǔn)文件為基礎(chǔ)，收集從2019-2022年關(guān)于護(hù)理學(xué)學(xué)會團(tuán)體標(biāo)準(zhǔn)的文章。共收集32項護(hù)理團(tuán)體標(biāo)準(zhǔn)，包括便秘的耳穴貼穴技術(shù)、成人癌性疼痛護(hù)理和成人腸造口護(hù)理等。②專家共識：以知網(wǎng)、萬方和維普數(shù)據(jù)庫為基礎(chǔ)，收集從2015-2022年所有關(guān)于護(hù)理學(xué)的專家共識，收集領(lǐng)域包括但不限于神經(jīng)內(nèi)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(fù)護(hù)理專家共識、成人腸造口皮膚黏膜分離護(hù)理專家共識和神經(jīng)重癥患者腸內(nèi)喂養(yǎng)護(hù)理專家共識。③護(hù)理指南：以知網(wǎng)、萬方和維普數(shù)據(jù)庫為基礎(chǔ)，收集從2010-2022年所有關(guān)于護(hù)理學(xué)的指南。注意：所有數(shù)據(jù)均采用最新版護(hù)理指南。共收集56份護(hù)理指南，包括急性缺血性腦卒中靜脈溶栓護(hù)理指南、神經(jīng)源性膀胱護(hù)理實踐指南和成人急性心力衰竭護(hù)理實踐指南等。④護(hù)理教材：以現(xiàn)行的護(hù)理教材為基礎(chǔ)素材來源。資源初始素材庫見表1。

3.2.2 數(shù)據(jù)處理與知識圖譜構(gòu)建? ①數(shù)據(jù)處理：考慮到數(shù)據(jù)來源廣泛且數(shù)據(jù)樣式多變，處理數(shù)據(jù)前先進(jìn)行數(shù)據(jù)格式轉(zhuǎn)化，將所有數(shù)據(jù)轉(zhuǎn)化為可讀形式，如：將pdf轉(zhuǎn)化為doc格式，將圖片轉(zhuǎn)化為doc格式。在doc格式數(shù)據(jù)的基礎(chǔ)上進(jìn)行數(shù)據(jù)清洗，如：特殊符號去除、剔除無效數(shù)據(jù)和去除重復(fù)數(shù)據(jù)。②知識圖譜構(gòu)建：知識圖譜構(gòu)建過程可分為知識圖譜模式層設(shè)計、知識抽取、知識融合和知識圖譜存儲。

知識圖譜模式層設(shè)計：通過護(hù)理領(lǐng)域?qū)＜业墓餐芯?，確定護(hù)理知識圖譜的模式層。護(hù)理知識圖譜模式層（部分）見圖3。

知識抽取：護(hù)理教學(xué)資源初始素材庫中數(shù)據(jù)分為非結(jié)構(gòu)化數(shù)據(jù)和結(jié)構(gòu)化數(shù)據(jù)，對于結(jié)構(gòu)數(shù)據(jù)，將其轉(zhuǎn)化為知識三元組。對于非結(jié)構(gòu)化數(shù)據(jù)，護(hù)理知識圖譜模式層為基礎(chǔ)，采用AI知識抽取技術(shù)，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(jìn)行補(bǔ)全，采用AI知識圖譜融合技術(shù)，將現(xiàn)有知識三元組與CMeKG進(jìn)行知識融合，構(gòu)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(shù)據(jù)形式保存，采用Neo4j數(shù)據(jù)庫進(jìn)行存儲。

3.2.3知識圖譜表示學(xué)習(xí)? 系統(tǒng)采用基于翻譯模型[16]的圖譜表示學(xué)習(xí)方法。該方法能將知識圖譜向量化，即獲得實體節(jié)點表示，進(jìn)而協(xié)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(jié)構(gòu)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(guān)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(guān)系路徑表示進(jìn)行學(xué)習(xí)。最終得到實體表示和關(guān)系表示。

3.2.4 實體鏈接模型? 系統(tǒng)采用基于文本和圖拓?fù)涞膶嶓w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(yīng)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(tǒng)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(chǔ)上，生成實體的查詢圖，進(jìn)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(jìn)行編碼，得到問句向量，查詢圖將通過BERT-CNN模型進(jìn)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(tǒng)采用知識圖譜的形式，通過問答的形式，將護(hù)理領(lǐng)域的復(fù)雜知識和關(guān)系進(jìn)行結(jié)構(gòu)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(guān)系，同時使用圖算法還可以實現(xiàn)更為復(fù)雜的圖匹配查詢和問答等功能。這種基于圖結(jié)構(gòu)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(lián)系和本質(zhì)，進(jìn)一步拓展知識廣度和深度。

4總結(jié)

知識圖譜是人工智能的核心技術(shù)之一，它以首實體、關(guān)系、尾實體的形式構(gòu)成三元組為知識單元進(jìn)行存儲，通過圖形化的方式展示知識的發(fā)展進(jìn)程和結(jié)構(gòu)關(guān)系，能夠揭示知識之間的聯(lián)系和本質(zhì)，并且實現(xiàn)知識的快速響應(yīng)和推理。本文研發(fā)的護(hù)理問答系統(tǒng)采用知識抽取模型從非結(jié)構(gòu)化的護(hù)理教材文本中提取實體、實體屬性和實體之間的關(guān)系，然后將這些抽取到的知識三元組存儲在Neo4j圖數(shù)據(jù)庫中。在Web前端，該系統(tǒng)采用Echart可視化技術(shù)來展示護(hù)理領(lǐng)域的知識圖譜結(jié)構(gòu)，使用戶可以更加直觀地了解知識之間的聯(lián)系和層次結(jié)構(gòu)。通過這種方式，護(hù)理問答系統(tǒng)可以更加高效地實現(xiàn)知識管理、查詢和推理，提高知識的應(yīng)用價值和推廣效果。護(hù)理問答系統(tǒng)能滿足護(hù)理教育工作的實際需求，有效緩解專職護(hù)理教師不足的問題，減輕了護(hù)理教師的課程壓力，提升了護(hù)士學(xué)習(xí)的效率和積極性，是護(hù)士培養(yǎng)現(xiàn)代化、信息化的創(chuàng)新模式。

參考文獻(xiàn)：

[1]國家衛(wèi)生健康委員會.2021年我國衛(wèi)生健康事業(yè)發(fā)展統(tǒng)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(wèi)生健康委員會.衛(wèi)生健康委關(guān)于印發(fā)《全國護(hù)理事業(yè)發(fā)展規(guī)劃（2021-2025年）》的通知[J].中華人民共和國國務(wù)院公報，2022，1778（23）：57-63.

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

[4]中華人民共和國國家衛(wèi)生和計劃生育委員會.關(guān)于印發(fā)《新入職護(hù)士培訓(xùn)大綱（試行）》的通知[Z].北京：中華人民共和國國家衛(wèi)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(hù)士規(guī)范化培訓(xùn)大綱》的踐行與效果評價[J].護(hù)理學(xué)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(hù)士規(guī)范化培訓(xùn)中的應(yīng)用研究[J].護(hù)理管理雜志，2018，18（9）：657-660.

[7]沈雅萍，張曉紅.全程導(dǎo)師制帶教法在新護(hù)士規(guī)范化培訓(xùn)中的應(yīng)用[J].中國高等醫(yī)學(xué)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(hù)士規(guī)范化培訓(xùn)中的應(yīng)用[J].實用臨床醫(yī)藥雜志，2018，22（18）：122-124.

[9]鄭佳，楊建國，阮海濤.“三明治”教學(xué)法在新入職護(hù)士規(guī)范化培訓(xùn)中的應(yīng)用[J].護(hù)理學(xué)雜志，2018，33（15）：19-21.

[10]湯敏，王雪菲，陳莉霞，等.構(gòu)思-設(shè)計-實現(xiàn)-運作培訓(xùn)模式在新入職護(hù)士臨床帶教中的應(yīng)用[J].臨床護(hù)理雜志，2018，17（5）：66-68.

[11]索佩珩，徐翠榮.新入職護(hù)士規(guī)范化培訓(xùn)評價的研究現(xiàn)狀與思考[J].護(hù)士進(jìn)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(tǒng)的應(yīng)用研究與實現(xiàn)[D].北京：北京郵電大學(xué)，2019.

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

[14]賈李蓉，劉麗紅，劉靜，等.基于中醫(yī)藥學(xué)語言系統(tǒng)的知識問答系統(tǒng)的設(shè)計與構(gòu)建[J].中華醫(yī)學(xué)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(tǒng)的設(shè)計與實現(xiàn)[J].智能計算機(jī)與應(yīng)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.