基于甲狀腺知識圖譜的自動問答系統的設計與實現

文章編號： 2095-2163（2018）03-0102-06中圖分類號： 文獻標志碼： A

摘要： [HT6SS〗隨著人們生活水平的提高，甲狀腺結節類疾病日漸成為當代人的一種常見疾病，而中國國內醫療資源分布不均，造成了大醫院人滿為患，醫生名下病人多，病人看病時間長等問題，許多病人想要看病在花費大量金錢的同時還要耗費大量時間。隨著互聯網技術以及計算機技術的發展，越來越多的病人為了節省時間，在趕往醫院前，往往會在網絡上對自己的病癥進行相關查詢，所以市面上出現了醫生網上答診和病人在線問診的醫療咨詢系統，一對一為病人回答問題。此舉將醫生提供給不能定時提問的網上咨詢的患者的同時、會造成醫院內醫生資源更加緊缺的狀況，且網上在線系統大多僅包括導診流程，即幫助病人在前往醫院確診前對自己的病癥有初步了解，并未涉及到病種診斷治療，無法達到節約病人的時間的目的。 因此，針對上述狀況，本文選取甲狀腺結節類病種數據為研究對象，對甲狀腺真實數據進行重點的分析，創建甲狀腺知識圖譜，基于該知識圖譜，設計并實現一個面向甲狀腺診療的自動問答系統，本系統可以有效地回答病人在甲狀腺類疾病方面的用藥以及檢查等方面的問題，節約病人問診時間的同時，醫生可以使用該系統對患者以及處方等信息進行相關查詢，更加快速便捷，節約了醫生的時間。

關鍵詞： automatic question answering system based on thyroid knowledge map

（School of Computer Science and Technology， Donghua University， Shanghai 201620， China）

Abstract： With the improvement of people's living standards， thyroid nodule disease has become a common disease of the contemporary people. While China's domestic medical resources are unevenly distributed， the top-three hospitals are mainly concentrated in Beijing、 Shanghai and Guangzhou， resulting in overcrowding in large hospitals. It is required that many patients spend long time and a lot of money for seeing a doctor. With the development of Internet technology and computer technology， more and more patients often search for their own conditions on the Internet before going to the hospital to save time. So there is a medical consultation system on the market where doctors give online consultations and patients online consultations. One-on-one answers questions for the patient， which provides doctors with patients who do not regularly ask online consultation. At the same time， the situation of doctors in hospitals will become more scarce， and most of the online online systems only include the consultation process， which means that they can help patients to get a preliminary understanding of their own conditions before going to the hospital for diagnosis. The diagnosis and treatment of the diseases could not be involved and the purpose of saving the patient's time could not be achieved. Therefore， in view of the above situation， this study selects thyroid nodule disease data as the research object， analyzes the characteristics of the thyroid true data， creates a thyroid knowledge map， further designs and implements an automated question and answer system for thyroid diagnosis and treatment based on this knowledge map. The system can effectively answer questions about the patient's thyroid diseases such as medications and examinations， save doctors' time， and doctors can use this system to make relevant queries on patients and prescriptions， which is more rapid and convenient.

Key words：

作者簡介：

收稿日期： 引言

為了解決病人掛號難，看病難的問題，各家醫院均紛紛出臺利民舉措。專門地，針對甲狀腺結節類疾病，許多醫院及網站就推行了該類疾病的病情問答版塊，如：好大夫在線網[1]、尋醫問藥網。病人可以通過互聯網與醫生開展在線的語音或文字的交流，但此舉卻將消耗大量人力物力，更多的醫生在線診療就意味著更少的醫生會在一線的醫院對病人施以治療，由于病人在線問診時間的不確定，醫生的在線等待就避免不了時間的浪費。為了緩解醫療壓力，提高醫療資源的利用率，降低醫療支出，本文研究建立有關甲狀腺類疾病信息的知識圖譜，并基于該知識圖譜設計實現自動問答系統，患者、醫生、醫院通過使用系統可以迅速獲取自己需要了解的信息，從而達到高效化、自動化、信息化服務于社會的目的。

英國數學家圖靈[2]在1950年首次提出了 “機器智能”和“圖靈測試”[3]，這可視作為自動問答系統的前身。圖靈測試是使測試者—輸入問題的用戶，對計算機進行自然語言問題的輸入，通過輸出結果判斷計算機是否具備人的智能。如果有超過30%的測試者不能確定出被測試者是人還是機器，那么這臺機器就通過了測試，可以用作問答系統。

國內外在自動問答系統方面的研究已歷經了較長的發展時期。上世紀60到70年代的問答系統主要依賴搜索技術，對查詢相關的文檔進行檢索，例如Yahoo早期的answer and quora。上世紀70年代開始，自動問答系統大多以結構化知識庫為基礎，將用戶輸入的自然語言轉換為機器可識別的結構化查詢語言，通過搜索知識庫最終得到結果。該階段的研究實例主要包括SQL[4]、SPARQL[5]等。80年代以來，人工智能即進入了蓬勃發展期，而且其研究成果層出不窮，在很多項目均有重大斬獲。而如今，基于知識圖譜的自動問答系統已經成為問答系統的主流，眾所周知的SIRI就是以知識圖譜為基礎設計并研發成型的，IBM的Watson系統[6]也是國外認知計算[7]系統的成功范本，基于知識圖譜的問答系統包含信息分析、自然語言處理和機器學習領域的大量技術創新，能夠幫助使用者從大量非結構化數據中得到所需的具體信息。

目前，隨著人們生活水平的提高，人們對于醫療健康的需求也逐年增長。但患者基數大，健康資源供給遠遠滯后于需求的增長，并呈現分布不均衡的狀態[8]。全國三甲醫院主要集中分布在中、東部地區，西部地區健康資源稀缺。龐大的健康需求將推動尋找研發更加有效的方式為人們提供健康服務。近幾年，國內居民醫療支出呈現遞增態勢，也給在線醫療產業帶來了發展契機，同時這也給自動問答系統的技術研究創造了實踐機遇與應用空間。目前國內并沒有甲狀腺結節類疾病專用的自動問答系統，本文研究的即是甲狀腺類疾病領域的自動問答系統，在將大量有關甲狀腺類疾病信息做出有效匯總整合后，創建生成了甲狀腺知識圖譜，基于該知識圖譜設計給出了有關甲狀腺類疾病的自動問答系統。用戶輸入問題，在系統中對輸入的自然語言進行命名實體識別、依存句法分析等處理，轉換為Sparql查詢語言，通過識別語義，匹配不同語義的不同模板在知識圖譜內進行查詢，由此獲取到答案。最后，在Java平臺上實現了基于甲狀腺知識圖譜的自動問答系統，通過多次實驗初步證明了系統的可用性。

1系統架構

系統以用戶在醫院的問診流程為基礎，根據用戶關心問題構建知識圖譜，并遵循自動問答系統的問答流程，本系統設計有良好的人機交互界面，用戶通過輸入有關甲狀腺相關的自然語言問題，經過系統處理后得到簡單準確的自然語言答案。

整個系統分為3部分，可對其闡釋如下：

（1）是用戶在瀏覽器所看到的人機交互界面，用戶在系統外部界面輸入自然語言問題。

（2）是存儲甲狀腺類疾病相關信息的知識圖譜，根據存儲甲狀腺相關信息Sql Server數據庫設計知識圖譜。

（3）系統內部的功能處理模塊，以（2）中涉及的知識圖譜為基礎，系統內部接受（1）中用戶輸入的問題后，將該問題進行命名實體識別與詞性標注，根據識別后的實體，將用戶輸入的自然語言問題劃定分類，再根據不同類別，匹配不同的查詢模板，使用模板研發得到用戶求索問題的最終答案。研究可得，系統設計架構如圖1所示。

2相關技術

2.1甲狀腺知識圖譜的構建

本系統甲狀腺知識圖譜根據Sql Server數據庫[9]中存儲的三甲醫院甲狀腺類疾病信息構建，包括患者信息實體、藥品使用信息實體，診斷數據實體等、實體之間存在很多聯系，由于數據庫內數據整齊，可以規范解析實體和實體之間的關系來形成整個知識圖譜，利用形成的知識圖譜提供具體且豐富的語義關系，用戶可以更為直接地觀察到實體數據以及實體的聯系。

2.1.1構建流程

本次設計的總體流程為：首先，根據數據庫中不同表的不同數據，結合初始甲狀腺結節就診記錄，提煉出甲狀腺知識圖譜的概念層，構建概念分類樹并抽取數據之間的關系。而后，將表中數據、即實體填充進概念層中，以三元組、即<實體，關系，實體>的形式，得到完整的甲狀腺知識圖譜。

2.1.2概念層設計

對甲狀腺數據庫中數據進行分類，研究得到如下醫學實體定義。

定義1甲狀腺醫學實體包括甲狀腺患者實體、基本信息實體、甲狀腺診斷結果實體、甲狀腺用藥實體等。

在定義了甲狀腺醫學實體之后，可以構建甲狀腺知識圖譜的概念分類樹如圖2所示。

定義2甲狀腺事實關系實體甲狀腺事實關系表示不同甲狀腺醫學實體間產生的聯系，如<病人，入院診斷，甲狀腺腫>。其中，病人、甲狀腺腫均為甲狀腺醫學實體，而入院診斷為甲狀腺事實關系實體，甲狀腺事實關系類型主要包括內容可見如下：

（1）X has Y關系：表示實體Y隸屬于實體X的關系。

（2）X attribute_of Y 關系：表示實體Y擁有一個屬性實體X。

（3）X use drug Y 關系：表示病癥實體X使用藥品實體Y。

（4）X diagnosis Y 關系：表示檢驗報告實體Y的診斷結果為實體X，實體間為診斷關系。

在給出了甲狀腺醫學實體和甲狀腺事實關系實體定義后，甲狀腺知識圖譜的概念層的定制設計可如圖2所示。

2.1.3實體填充設計

在探討了概念層設計后，可以實體填充方式創建本體，通過實體映射的方法，將概念層中的概念與數據庫中實體一一對應，本文采用的是BFS廣度優先算法，對創建的概念樹進行填充，得到知識圖譜。輸入已得到實現的概念分類樹T、概念層中的概念集合C以及定義后的實體集合E，輸出研發運行后的甲狀腺知識圖譜G，保證輸出后的知識圖譜是以三元組的形式構建的。算法偽代碼如下：

map = CreateMap（C，E）BFS（T，map） Enqueue（root）； While（！queue） Node=dequeue（）； For v in ChildrenNodes（node）：if v is leaf node T.add（map.get（v.c））； Enqueue（v）；CreateSequentialTuples（T）[JP3]E+Relation+Time=ExtractFromTree（T）；[JP] For head in E For tail in E For relation in RelationsortedTuples = SortByTime（head，relation，tail，Time）k = FindKthRel（sortedTuples）；Tuples.add（head，rel|k，tail）return Tuples至此，研究得到實體填充的運行流程可表述為：首先，創建映射表。根據實體屬于概念樹中某一概念的原則，構造得出概念到實體間的映射表如圖3所示。[PS馬晨浩3.EPS；S*2；X*2，BP#][HT6H][ST6HZ][WT6HZ][JZ]圖3映射表[JZ]Fig. 3Mapping table[HT5SS][ST5BZ][WT5BZ]其次，根據一一對應的映射表，進行實體填充。通過BFS廣度優先遍歷將映射表中的實例實體存放在對應的子節點中，使每個實體都有自己的屬性以及屬性值，如患者A屬于患者實體類，則將“患者A”實例化為患者實體的姓名屬性值。[JP3]最后，抽取實體和關系，綜合確定三元組，形成最終的甲狀腺知識圖譜，以rdf文件的形式送入存儲。[JP][BT5]2.2用戶自然語言問題處理[JP2]在預期構建了甲狀腺知識圖譜后，系統首先對知識圖譜的各實體進行存儲，將所有實體存入表中，方便日后查詢。此后將立足于研究用戶提問的部分，即需要對用戶輸入的自然語言問題進行處理，得到計算機查詢語句后才能在知識圖譜中進一步展開查詢。[JP]對于用戶提出的自然語言問題，系統內部對其實現了一定的預處理。首先進行中文分詞、命名實體識別，在得到各實體后，就是辨識用戶問題的類別。不同類別的問題，將調取系統中不同的模板，并將提取出的關鍵詞輔以依存句法分析，得到關鍵詞的語法關系，再與存有知識圖譜實體的表經過測試比對后，將比對成功的關鍵詞，根據分析后的語法關系，傳入模板，執行查詢。2.2.1最大匹配算法設計綜述目前，中文分詞大多采用最大匹配算法進行操作。最大匹配是指以詞典為基礎，擷取詞典中最長單詞作為首個選取字數量的掃描串，在詞典中依序搜索掃描（為提升掃描效率，還可以依據字數不同設計多份字典，而后則根據字數從不同字典中分別來提速掃描）。而最大匹配算法，則可分為最大正向匹配算法和最大逆向匹配分詞算法。這2個算法都將定義一個最大詞長m。其中，最大正向匹配算法在收到自然語言字符串后，從左向右取待切分漢語句的m個字符作為匹配字段，切分出詞長不大于最大詞長的候選字符串，將候選字符串在已建立好的詞庫中進行查詢，若匹配成功，則將這個匹配字段作為一個詞切分出來。 若匹配不成功，則將這個匹配字段的最后一個字去掉，剩下的字符串作為新的匹配字段，進行再次匹配，重復以上過程，直到切分出所有詞為止。與最大正向匹配算法不同，最大逆向匹配算法由右至左對字符串進行切分，若匹配不成功，則將匹配字段的最前一個字去掉。一般來說，逆向匹配的切分精度略高于正向匹配。統計結果表明[10]，單純使用最大正向匹配錯誤率為1/169，單純使用逆向最大匹配錯誤率則為1/245。為了滿足系統內部需要，本文結合正向匹配和逆向匹配算法的優點，采用雙向最大匹配算法。雙向最大匹配法是將正向最大匹配法得到的分詞結果和逆向最大匹配法得到的結果加以衡量比較，從而決定正確的分詞方法。根據Sun等人的研究[11]，中文方面大約90.0%左右的句子，正向最大匹配法和逆向最大匹配法完全重合且正確；只有大約9.0%的句子對于這2種切分方法得到的結果不一樣，但其中必有一個是正確的；而僅有少于1.0%的句子，或者正向最大匹配法和逆向最大匹配法的切分雖重合卻是錯的，或者正向最大匹配法和逆向最大匹配法切分不同但2個都不對。因此可知，雙向最大匹配法能得到更高的準確率，這一點將是毋庸置疑的。算法的偽代碼設計內容如下：Vector list_zheng=ZhengXiang（String） //正向匹配算法分詞Vector list_ni=NiXiang（String）//逆向匹配算法分詞If（list_zheng.size（）！=list_ni.size（））{//分詞結果詞數不同 return 分詞數量較少的list}else{//分詞結果相同return任一list}2.2.2技術研究處理在雙向最大匹配算法保證了分詞的準確度后，還需識別文本中有關甲狀腺結節病癥及專用詞的實體，即對文本進行命名實體識別，本系統以分詞后的結果，使用基于詞典的方法對文本提供處理。在該方法中，多采用語言學專家手工構造規則模板[10]，選用特征包括統計信息、標點符號、關鍵字、指示詞和方向詞、位置詞（如尾字）、中心詞等方法，以模式和字符串相匹配為主要手段，這類系統大多依賴于知識庫和詞典的建立。詞庫的建立以前期研究給出的知識圖譜為基礎，由于知識圖譜是以三元組<實體，關系，實體>的形式存儲在rdf[12]文件中。rdf屬于一種xml應用，存儲格式整齊，是處理分布式結構信息的有效工具，將實體和關系取出分別存儲，組建出基于甲狀腺知識圖譜實體的詞庫。在用戶輸入的自然語言文本經過分詞處理后，系統借助哈工大語言云平臺的LTPParser[13]接口，對文本進行依存句法分析。在得到文本各分詞的成分后，將分詞結果與詞庫內實體進行比對，比對成功的實體和關系，可以最終植入查詢模板[14]，形成完整的Sparql查詢語句，在系統中進行查詢。如自然語言文本“病人A的入院診斷是什么？”，經過實體識別及句法分析正確得到該問句主語為“病人A”，關系為“入院診斷”，需要得到對賓語的查詢，而不會將“入院診斷”視為主語，對“入院診斷”進行相關查詢。2.2.3問題分類設計在用戶進行分詞后，同時需要對用戶提出的問題劃定分類。本系統問題主要可分為4類。研究可得各類型設計闡釋如下。（1）列表類問題。帶有“哪些”等關鍵詞的問句在進行自然語言處理后，獲取實體Keyword放入列表類問題模板。得到完整的Sparql查詢語言，在甲狀腺知識圖譜內進行查詢，列表類問題模板為：SELECT ？答案 where{< Keyword > ？relation ？答案}[JP3]其中，Keyword為用戶的查詢目標關鍵詞；由于分類為列表類問題，？relation 為Keyword與Keyword下各實體的關系；？答案為Keyword下與其相關的各個實體，使用一個循環函數，將所有符合Sparql查詢語句的實體顯示出來，同時呈現出列表繪制效果。[JP]（2）計數型問題。帶有“有多少”、“數目”、“數量”等單詞的問句在進行自然語言處理后，獲取實體Keyword。計數類問題模板為：SELECT ？答案 （COUNT（？x）as ？count） where {"<" + Keyword + ">" + " ？relation？答案 " +" }GROUP BY ？x order by ？count "；利用該函數，即可獲得Keyword下實體的數目，得到最終問題的答案。（3）最值類問題。最值類問題分為最大值和最小值。帶有“最大”、“最高”、“最小”、“最低”等單詞的問句在進行自然語言處理后，獲取問題目標Keyword的過程中，可推得設計定義如下。① 最大值類問題模板SELECT ？數值類實體 ？數值 where{？主體 ？relation1？數值類實體}.ORDER BY DESC（？數值） LIMIT 1② 最小值類問題模板SELECT ？數值類實體 ？數值實體 where{？主體 ？relation1？數值類實體}.ORDER BY ASC（？數值） LIMIT 1[JP2]其中，主體是指問題的具體方向，數值類實體是指實體內含有數值屬性的實體，如甲狀腺結節檢查報告實體中含有各種指標。總地來說，甲狀腺結節為主體，檢查報告為數值類實體，各指標則為數值實體。[JP]研究中，需要對各數值進行排序，而數值分散在各數值類實體中，因而在最值類模板中，就要將數值類實體經過第一輪查詢取出，再在所有查詢出的數值類實體中對各數值做出排序，由此獲得了用戶所需的最值答案。（4）事實類問題。將帶有”是什么“、“是誰”、“如何使用”等關鍵詞的問句均列為事實類問題。在事實類問題中，主要對知識圖譜中的各實體的特征屬性，進行查詢，根據用戶的具體需求，設計得出功能模板的分類內容如下。① 基本事實類模板SELECT？答案 where{？主體 ？關系 ？客體}基本事實類模板是對用戶提出的簡單問題而構設的基本查詢。根據對“誰”、“什么”等代詞的成分分析判斷問句需要得到的答案是作為主體還是客體，得到代詞在問句中的成分后，將提取出的實體送入模板中的相應位置進行查詢。② 用戶手術查詢類模板While（病人信息未全部遍歷）{SELECT？病人 where{？病人 ？relation ？病人信息}}用戶輸入自己病癥的信息，將所有信息送入模板進行多次查詢，得到相同狀況的病人后，再對該病人信息設定手術查詢，查詢同等病況的患者是否做過穿刺手術，最終統計得到病人手術的比例。在將實體進行模板匹配后，通過在甲狀腺知識圖譜中的查詢，系統最終可以得到用戶所需的答案，并通過圖形界面提交給用戶。[BT4]3實驗結果與分析[BT5]3.1實驗一 計數類問題[HT5H]輸入[HT5SS]：<實體>有多少？[HT5H]實例輸入[HT5SS]：34歲的患者有多少個？[HT5H]預期結果[HT5SS]：83個（人工計數知識圖譜中34歲患者的數目）。實驗運行結果如圖4所示。[PS馬晨浩4.EPS；S*2；X*2，BP#][HT6H][ST6HZ][WT6HZ][JZ]圖4計數類問題測試[JZ]Fig. 4Counting class problem test[HT5SS][ST5BZ][BT5]3.2實驗二 列表類問題[HT5H]輸入[HT5SS]：<實體>都有哪些？[HT5H]實例輸入[HT5SS]：40歲的患者都有哪些？[HT5H]預期結果[HT5SS]：[JP4]列舉出所有年齡為40歲患者的病歷號。[JP]實驗運行結果如圖5所示。[PS馬晨浩5.EPS；S*2；X*2，BP#][HT6H][ST6HZ][WT6HZ][JZ]圖5列表類問題測試[JZ]Fig. 5List problem test[HT5SS][ST5BZ][WT5BZ][BT5]3.3實驗三 最值類問題[HT5H]輸入[HT5SS]：<實體>的<最大值，最小值>是多少？[HT5H]實例輸入[HT5SS]：[JP4]患有甲狀腺結節的最大年齡的患者是？[JP][HT5H]預期結果[HT5SS]：最大年齡患者的病歷卡號及其年齡。實驗運行結果如圖6所示。[PS馬晨浩6.EPS；S*2；X*2，BP#][HT6H][ST6HZ][WT6HZ][JZ]圖6最值類問題測試[JZ]Fig. 6Maximum class problem test[HT5SS][ST5BZ][WT5BZ][BT5]3.4實驗四 事實類問題[HT5H]輸入[HT5SS]：<藥品名>的使用方法。[HT5H]實例輸入[HT5SS]：葡萄糖酸鈣注射液如何使用？[HT5H]預期結果[HT5SS]：得到知識圖譜中藥品的使用方法。實驗運行結果如圖7所示。[PS馬晨浩7.EPS；S*2；X*2，BP#][HT6H][ST6HZ][WT6HZ][JZ]圖7事實類問題測試[JZ]Fig. 7Fact class problem test[HT5SS][ST5BZ][WT5BZ][BT4]4結束語隨著IT技術的不斷發展，自動問答系統也正日趨完善。研究可知，有關醫療行業的自動問答系統勢將更加貼近病人的實際需求，而現今社會上問世的有關醫療方面的問答系統卻多為在線診療，即采用一對一問診的方式來解答用戶問題。迄今為止，自動問答系統并不多見，而以知識圖譜為基礎的自動問答系統則尚屬罕見。本系統基于甲狀腺知識圖譜展開設計。知識圖譜可以存儲大量數據的同時，還在后續的數據維護方面相比較傳統知識庫而言也占據了顯著優勢。在研究過程中，隨著對知識圖譜內有關甲狀腺類疾病信息的增加，系統可以處理回答的問題種類也將增多，準確度也會獲得有效提高。但是由于目前知識圖譜內信息種類較少，決定了可以回答的問題種類至今并未得到明顯突破，這也將是未來亟待改進的研究方向之一。[HS2][HT5H]參考文獻[HT][WT6B1][ST6BZ][HT6SS][1] [ZK（#〗[HJ*2] 薛書峰. 互聯網醫療的定價影響因素研究[D]. 南京：南京大學，2015.[2] PEREIRA L M.Turing is among us[J]. Journal of Logic and Computation，2012， 22 （6）：1257-1277.[3] KORUKONDA A R. Taking stock of Turing test： A review， analysis， and appraisal of issues surrounding thinking machines[J]. International Journal of Human-Computer Studies， 2003，58 （2） ： 240-257.[4] 詹晨迪. 基于知識庫的自然語言問答方法研究[D]. 合肥：中國科學技術大學，2017.[5] 郭少友，魏朋爭，洪娜，等. 四種SPARQL查詢構建器及其比較研究[J]. 情報科學，2015，33（3）：80-84.[6] 孔鹿. IBM的Watson如何改善中國醫療[N]. 第一財經日報，2016-08-30（A08）.[7] 索傳軍，蓋雙雙，周志超. 認知計算—單篇學術論文評價的新視角[J]. 中國圖書館學報，2018，44（233）：50-61.[8] 中華醫學會內分泌學分會，中華醫學會外科學分會，中國抗癌協會頭頸腫瘤專業委員會，等. 甲狀腺結節和分化型甲狀腺癌診治指南[J]. 中國腫瘤臨床，2012，39（17）：1249-1272.[9] 蔣曉健，鄭力，梁宇瀾，等. 基于SQL SERVER的面向對象數據庫的構建[J]. 計算機工程與應用，2004（4）：178-181.[10]曾田日，王晉國. 基于統計的云搜索中文分詞算法[J]. 西北大學學報（自然科學版），2015，45（4）：568-572.[11]孫茂松，鄒嘉彥. 漢語自動分詞研究評述[J]. 當代語言學，2001，3（1）：22-32，77.[12]佟強. 數據庫支持的RDF（S）構建與存儲方法研究[D]. 沈陽：東北大學，2015.[13]杜澤宇. 基于中文知識圖譜的電商領域問答算法設計與系統實現[D]. 上海：華東師范大學，2016.[14]張喜. 基于語義模板與知識庫的智能導購機器人系統的研究與實現[D]. 北京：中央民族大學，2012.[ZK）][FL）]