转自CCF：https://dl.ccf.org.cn/lecture/lectureDetail?id=4663480272078848。
张勇，剑桥大学博士后。
摘要：健康医疗大数据是健康医疗活动的产物，同时也是进行健康医疗业务优化和辅助决策的基础。健康医疗大数据分散在多个主体管理的多个系统中，所以在应用健康医疗大数据的时候往往需要先进行数据釉合。然而由于生成数据的系统所采用的标准或规范不同，不同来源的数据之间经常存在数据不一致的情况，同时由于应用水平等问题，数据的质量也存在较大问题。数据不一 致和数据质量等问题大大阻碍了数据融合的效率和效果。知识图谱作为作为一种灵活的数据模型，通过一张图来集成所有相关的数据，同时利用对齐等技术来解决数据中存在的问题。本报告将从健康医疗大数据融合的数据模型、过程、工具和应用的角度来介绍如何应用知识图谱来进行健康医疗大数据融合。我们把健康医疗知识图谱分为概念图谱和实例图谱，定义了各 自的数据模型，然后分别介绍了各自的建立过程，以及两者之间如何建立关联。我们提出了“ 医在回路 ”的概念，对医生在构建健康领域知识图谱中的角色和职责进行了定义。基于这些数据模型，我们研发了健康知识图谱构建工具 HKGB 。该工具是一个易于扩展的、跨语言的、智能的知识图谱构建平台。基于该平台，我们构建了面向心血管疾病的知识图谱。最后本报告介绍了健康医疗知识图谱的应用情况。
2021-09-23 13:39:54
5.68MB
1
KBQA-BERT
基于知识图谱的QA系统，BERT模型需要下载BERT预训练模型（中文）chinese_L-12_H-768_A-12 解压缩后放在./ModelParams文件夹里面（注意整个chinese_L-12_H-768_A-12文件夹放进去）
另外需要在根目录建立输出文件夹存放训练的模型参数文件分为输出/ NER（命名实体识别）文件夹和输出/ SIM（相似度）文件夹
1.run_ner.sh训练（命名实体识别）
2.terminal_ner.sh（命名实体识别测试）
3.args.py
train = true预训练模式
test = true相似度测试
4.run_similarity相似度的训练或测试（根据第3步的设置决定）
5.qa_my.sh（连接了本地的neo4j知识库）
问答
参考： :
2021-09-05 19:50:45
5.79MB
1
KBQA-BERT
基于知识图谱的问答系统，BERT做命名实体识别和句子相似度
介绍
本项目主要由两个重要的点组成，一是基于BERT的命名实体识别，二是基于BERT的句子相似度计算，本项目将这两个模块进行融合，构建基于BERT的KBQA问答系统。详细介绍，请看我的博客： :
环境配置
Python版本为3.6
pytorch版本为1.1.0
windows10
数据在Data中，更多的数据在[**NLPCC2016**](http://tcci.ccf.org.cn/conference/2016/pages/page05_evadata.html) 和 [**NLPCC2017**](http://tcci.ccf.org.cn/conference/2017/taskdata.php)。
目录说明
Input/data/文件夹存放原始数据和处理好的数据
1-sp
2021-09-05 10:15:31
13.07MB
1
基于知识图谱的医疗知识搜索研究：互联网信息的爆发式增长，既为用户带来了丰富的信息知识，也为用户从中
筛选所需知识造成了困难。传统的搜索引擎基于对互联网数据的全文索引，通过
关键词匹配索引的方式为用户返回相关信息的链接，而不是直接明确的知识点，
用户仍需从返回的大量冗余链接中查找并提炼自己所需的知识。如何从海量的、
结构多样化的信息中有针对的为用户返回精确信息，已成为当前知识搜索的研究
热点
2021-08-26 17:42:19
2.82MB
1