张雨琪　李宗友　王映辉　李敬华　于琦　朱玲　姜威　于彤

摘要中医药知识记录分散、隐性知识众多，又富含关系知识，因此在关联、表达、利用知识上具有优势的知识图谱能够为领域提供有益辅助。系统梳理中医药领域知识图谱的构建及其应用的研究工作，可见基于中医药知识图谱的应用正在不断发展，将知识图谱构建技术运用于中医药知识图谱中时则需虑及领域特点。根据领域知识特点与实践需求，一些研究设计了知识框架，选择了合适的知识抽取、融合和存储技术，尝试了知识补全，构建中医药知识图谱并实现信息理解、搜索、推荐、自动问答以及辅助决策等应用。不过，在丰富关系种类、理论知识与多模态知识，拓展知识来源，完善质量评估与控制，加强子领域知识图谱的构建以及共享与协作等方面，还需许多努力。

关键词中医药;知识图谱;知识表示;知识抽取;知识融合;语义理解;知识服务;质量评估

Research Progress on the Construction and Applications of Traditional Chinese Medicine Knowledge Graphs

ZHANG Yuqi，LI Zongyou，WANG Yinghui，LI Jinghua，YU Qi，ZHU Ling，JIANG Wei，YU Tong

（Institute of Information on Traditional Chinese Medicine，China Academy of Chinese Medical Sciences，Beijing 100700，China）

AbstractTraditional Chinese medicine（TCM） knowledge is scattered in records，and has plenty of tacit knowledge.It′s also rich in relationships.So，Knowledge Graphs（KG），which possess the advantage of the linking，representation，and usage of knowledge，can provide beneficial assistant in the field.A systematic review of the research work on the construction and application of knowledge graphs in the field of TCM shows that applications based on knowledge graphs of TCM are constantly developing.When applying knowledge graph construction techniques to the knowledge graphs of TCM，it is necessary to consider the characteristics of the field.According to the characteristics of domain knowledge and practical requirements，some studies have designed a knowledge framework，selected appropriate knowledge extraction，fusion and storage technologies，tried knowledge completion，constructed a knowledge map of TCM and realized information understanding，search，recommendation，automatic question and answer，and assisted decisionmaking and other applications.However，much effort is needed to enrich relationship types，theoretical knowledge and multimodal knowledge，expand knowledge sources，improve quality assessment and control，and strengthen the construction of subdomain knowledge graphs and sharing and collaboration.

KeywordsTraditional Chinese medicine; Knowledge graph; Knowledge representation; Knowledge extraction; Knowledge fusion; Semantic understanding; Knowledge service; Quality evaluation

中圖分类号：R203文献标识码：Adoi：10.3969/j.issn.1673-7202.2022.04.020

中医药注重的整体观使中医药知识一方面富含关系知识，另一方面，面对不同时代、地域、个体时各有特色，以致知识被分散记录，不易应用。众多隐性知识难以表述，也使中医药领域期望于此探索新的方法。因此，知识图谱在关联、表达、利用知识上的优势，使中医药知识图谱的研究不断发展。

1知识图谱概念及现有中医药知识图谱

知识图谱源于知识工程和语义网2个领域[1]。知识工程是人工智能子领域之一，以让计算机使用专家知识以及推理能力解决实际问题为主要目标，一系列知识表示方法由此得到发展，如描述逻辑、框架、语义网络等[2]。语义网则期望为网络数据提供语义支撑，以提升信息服务效果，这推动了在大数据环境中表达数据语义方法的研究[3]。2012年，知识图谱（Knowledge Graph）被提出。它从数据中获取知识，并表示为易于维护、理解和使用的统一格式[4]。知识图谱可被视为一张巨大的网，其中节点表示实体，边表示关系，是一种用图模型来描述知识和建模世界万物之间关联关系的技术方法[5]。它被用于支持知识驱动的各项智能任务。“知识图谱”还对应另一个概念“科学知识图谱”，为显示科学知识的发展进程与结构关系的一种图形，属于科学计量学[6]。现有中医药知识图谱可根据知识范围、应用目标分类。见表1。

从构建和应用2个方面回顾中医药知识图谱的研究现状。首先，以知识图谱的构建过程为主线，阐述构建技术如何根据领域特点应用于中医药知识图谱中。接着，介绍现有中医药知识图谱的应用进展。从这2个角度出发，最后将讨论研究中的问题与建议。

2中医药知识图谱的构建方法

知识图谱构建主要包括知识框架设计、知识获取、知识融合、知识存储4个环节[7]，知识补全等任务则可提升其质量[8]。中医药领域对自动构建技术进行了探索使用，不过由于错误代价高昂使得医疗领域容错程度低，人工参与仍然具有重要地位。

2.1知识框架设计复用和自建知识框架在中医药知识图谱中均有应用，本体是知识框架常见的形式。对于前者，可基于概念、词表、上下位关系等方式抽取子本体加以改造[9]，例如从中医药学语言系统抽取子本体的舌象诊疗系统知识图谱[10]、中药知识图谱[11]、月经病知识图谱[12];也可以整体复用，例如整体复用中医临床术语系统的中医临床知识图谱[13]。对于后者，则既可严格构建本体，例如中医基础理论本体基础上的中医核心知识图谱[14]、中医养生领域本体基础上的中医养生知识图谱[15];也可以根据领域知识或已有数据制定单层、少量概念的知识框架，例如曙光医院知识图谱[1617]、中医健康知识图谱等[18]。使用这种方法常常是因为预计涉及的概念、关系种类有限，故而选择一种简便的方式。除症状、疾病、证候、方剂、药物及病症、证症、病证、治疗、药物组成等最常见的概念、关系外，不同知识图谱涉及的知识各有特色，如养生方法[15]、阴阳五行[14]、共现疾病[18]等，还可包括非领域知识，如人员、决策模型等[19]。其中，“实例”往往是指各中医药知识图谱中不再有下級知识者，对应的具体知识层次在不同研究中并不统一。例如，“银杏叶”在有的知识图谱中指实例，在有的知识图谱中则是概念，后者的“批号为XX的银杏叶”才是实例[19]。一些研究应用了更丰富的方法表达复杂的领域知识。例如，使用关系的权重属性表达主次症等角色[2021]，设置与名医、病、证、方等均关联的“诊次”概念以表达病历和医案[22]，通过以关系命名的实体与一般实体的关联来表达多元关系[17]。

2.2知识获取

知识获取可分为来源选择和知识抽取2个部分。已建的中医药知识图谱主要是文本知识图谱，各研究根据中医文本的特点对知识抽取的方法进行了选择。

2.2.1来源选择病历、医案最直接反映了中医药知识运用、需求现状，是重要知识源。为保证其内容可被解读，以及知识的覆盖面、准确度，它常与其他来源知识一同用于构建知识图谱，如中医骨科病历与网络知识，名老中医病历、医案与科研论文等[2223]。中医古籍是中医药领域的独特数据。目前完全使用古籍知识构建的知识图谱体量还比较小[21，24]，更大规模的中医方剂知识图谱[25]、中医养生知识图谱则联合了现代数据[15]。后者来源众多，包括非结构化的科研论文、领域书籍、行业网站数据、制药工程数据，半结构化的词典、行业标准、百科数据、药品说明书，结构化的术语系统、数据库、西医本体等[1213，1516，1820，2528]。

2.2.2知识抽取已经积累的中医药领域结构化数据，可通过与本体间的语义映射转换为知识图谱[13，15，26]，或使用D2RQ从关系型数据库映射为虚拟的图数据结构[16]。自动抽取方法则在半结构、非结构化数据中得到实践。见表2。

为避免中文分词不当给实体识别带来不利影响，依照汉字的信息携带特性，有研究选择生成字向量而非词向量。这在中医古籍、医案、教材中表现更好[20，3031，44]，不过由于增加了类型判别任务，并使得特征粒度减小，特征信息降低，在现代用语更多的病历中效果不佳[32]。此外，待消歧实体的存在，如自然之“水”与五行之“水”，也会影响实体识别效果[31]。为获取更丰富的知识，贝叶斯分类算法、TFIDF算法被用于方剂症状、证候症状等关系的权重计算[2021]。还有研究以中西医内容兼具的病历为对象，进行了时间关系识别[47]。

2.2知识融合共指消解是中医药知识图谱中开展较多的知识融合任务，同为实例层融合任务的实体消歧则尚少研究;由于领域知识图谱数量尚少、开放较少、应用较浅，故而知识图谱层次的知识融合也不多见。有研究根据领域专家的判断和领域词典，进行了方剂、中药的共指消解[25，28]。中医概念表达用词丰富，如“手足厥冷”与“四逆”“口渴多饮”与“口渴烦饮”，使得计算编辑距离或指称向量相似度的效果不尽人意，需辅以大量人工审核[10，18]。因此，实体扩展特征如别名、英文名称、定义，以及方剂的组成、功用、主治，疾病的症状描述，中药的药性等得到使用[18，23，25]。如前所述，也有研究选择设置“相同症状”关系来连接相似度高的症状[18]，或在属性值融合时对其根据出现次数和数据源可信度进行排序[16]，而不执行“消解”。

2.3知识存储根据病历数据空值多、谓词数量多且不固定等特性，结合实际搜索中连接操作比较少的特点，有研究改进了三元组表存储方案，在表中将知识以其id存储，id数据与类型知识另表存储[17]。近期多数工作都采用图数据库Neo4j存储知识图谱数据，也有辅以关系型数据库以存储非结构化数据、应用中的交互信息等[10，2122，2426]。针对中医药知识与其应用的特点的存储方案的探讨还不多。

2.4知识补全知识补全是知识图谱中的推理任务之一[48]。根据同病因疾病可同时出现等人工制定的推理规则，以及关系的传递性等通用规则，有研

究使用Jena推理机进行推理，获取了更多病证对应关系、疾病共现关系[18]。不过，其推理规则在正确性上尚有瑕疵，中医药在漫长时间中的不断演变也使得知识补全的结果难以评测，因此有待进一步研究。在实际的中医药知识图谱系统中应用知识补全技术仍需十分慎重。

3中医药知识图谱的应用

与知识在人类认知活动中的作用相对应，知识图谱使得机器能够理解新的信息、实现逻辑推理、进行问题求解以及做出决策。因此，在中医药领域，知识图谱将辅助领域信息理解，提升搜索、推荐和问答中知识提供的准确度，帮助医生制定诊疗方案等。

3.1信息理解中医药文献涉及众多领域知识，但后者分布分散、表述多变，即使人工解读文献，解读的质量也与个人知识储备十分相关。有研究构建了中医药知识图谱以获取实体的向量化表示，使向量得到大量领域知识的“加持”，从而提升计算机分析症状与药物对应关系的性能[28]。另一方面，将知识图谱可视化为拓扑结构图，可帮助人类快速掌握知识;知识图谱便于表达关系的特点使实体属性、相关实体等知识便于获取，也能辅助人类对知识的理解、探索和判断。多项研究采用知识卡片和知识可视化的形式对这些知识进行展示[13，15，26，34]。

3.2搜索与推荐知识图谱可通过对语义的理解提升搜索与推荐服务的性能，帮助用户更准确地获取所需知识[49]。例如，中药制药知识图谱针对制药过程参数辨识、药物质量溯源等多项主题查询关联数据，以便进行分析并开展中药制药过程质量控制[19];中医养生知识图谱提出根据用户个人资料中的体质信息，通过知识图谱丰富用户画像、获取语义关联，为用户推荐养生方法，并对推荐结果综合来源权威性、专家打分、用户点击率等信息进行排序[15]。基于中医药学语言系统的问答系统则根据用户的提问为用户推荐中医医案[12]。为解决构建搜索时实体向知识图谱映射失败的情况，有研究利用JaroWinkler Distance算法计算编辑距离衡量实体间语义相似度、Apriori算法挖掘关联规则获取如“腹胀”与“便溏”等的语义相关实体以应用[26]。

3.3自动问答自动问答通过自然语言对话的形式幫助人们从知识库中获取知识[50]，尤其便于非领域人士获取中医药知识，因此已成为中医药知识图谱一个热门的应用研究方向。多项研究使用模板匹配的方法解析自然语言问题，大多为事实性或选择性问题的句法规则形式的模板[16，5152]。其中，例如以“概念、实体、属性、属性值”为一条知识，模板一般会空出实体或属性值，如“脉弦是什么证”或“气滞的症状”;询问概念和属性的模板如“气滞是什么”或“肝与气血的关系”则比较少。有研究根据匹配结果是否能构成知识图谱中的子图来选择匹配率最高的模板[16]。将知识图谱与机器学习相结合的混合型方法也得到较多应用。有研究基于GBDT算法训练了问题的分类模型，其分类空间也即答案类型比较有限，包括知识图谱涉及的病、证、症、方、药、舌、脉7类实体;根据答案与已知命名实体是否直接关联，例如“阴虚证的主方里用了哪些中药”，中药与阴虚证即非直接关联，每类又分2小类[20]。该研究还在面对辨证等包含多项条件的问题时，通过计算候选答案与多个已知实体关系权值的累加，进行结果排序[20]。也有研究使用多轮对话不断向用户发问以获取更多已知信息，例如症状，以此最终确定问题答案[12，26，34]。

3.4辅助决策知识图谱的推理能力与深层关系发现能力使其能支持复杂问题解答[53]，从而辅助临床决策。有研究开发了程序，将知识图谱内容自动转换成推理规则，并将患者数据关联到知识图谱中的知识，利用Drools引擎进行推理与关系发现，提供治疗方案以辅助医生进行开方[16]。另一项研究则设计了推理流程，包括计算药物组成的相似度，设置药物功效、禁忌即为用药患者症状的推理规则等，尝试回答方剂的主方及其加减原因[24]。

4小结

本研究根据知识图谱构建与应用技术在中医药领域的应用，总结了中医药知识图谱研究现状，分析了仍待发展之处。

中医药知识参与了知识图谱构建和应用的各个环节，被用于设计知识框架、选择合适的技术、确保知识图谱的质量、指导应用的方向等。可见，中医药与信息科学的知识在中医药知识图谱的构建中都必不可少。与许多领域相比，从非结构化的中医药文本中获取知识并将其充分表达难度更大;为支持实际应用，中医药知识图谱对知识的质量和可解释性要求也更高。为了兼顾这些特点与构建、应用中的效率，尚需许多探索。

5讨论

5.1建立关联丰富的知识框架，适配多来源数据中医药发展至今，知识体系逐渐稳定，但古今许多场景中仍有不注重病证、不拟定治法、进行单药或单穴治疗等情况存在，不一定包括辨证论治的完整环节。例如，依据《伤寒论》构建的桂枝汤类方知识图谱涉及的概念只有症状、方剂、药物3者[21]。因此，不拘泥于一般诊疗逻辑，在多种概念间建立丰富关联，有助于知识框架适配各来源数据中的体系多变或信息缺失的情况。

5.2丰富中医理论知识医疗风险可致严重后果，这使医学知识图谱格外需要可解释性，以便用户判断、信赖其提供的知识。因此，能为实践经验提供解释的中医基础理论、各家学术思想等知识需被纳入中医药知识图谱中。并且，中医药的整体观使理论知识中关系丰富，增加这些知识也有利于中医药知识图谱的实际应用。例如，情志不畅知识的推荐可能有助于消化不良的治疗，因为它们的五行属性木、土具有直接联系。

5.3汇集中医古籍知识时获取其研究文献作为辅助注释是中医文献整理研究的主要内容之一，一则扫除文字障碍，一则阐明义理[54]，注释对象包括词语解释、古代的度量衡、历史事实、古代的地理以及名物制度等，范围很广[55]。此类知识不仅存在于专门的中医文献研究中，现代论文在引用古籍知识时常常也会进行原文解读。在集成古籍知识构建知识图谱时，这些对古籍的注释研究可作为扩展特征，提供更多信息。

5.4完善质量评估、控制构建时使用大量人力虽使中医药知识图谱的准确性相对较高，但由于领域缺乏公认标准，依据个人经验难免人为造成偏倚[27]，而且构建后较少涉及对其一致性、完整性和时效性的审核。目前，中医药领域只有少量研究使用自定义问题集测试了基于知识图谱的问答系统的性能[20，26]，尚未真正开展质量评估。这导致已有中医药知识图谱构建技术的可复用程度难以衡量。在质量控制上，对选择权威来源、制定加工规范、改进知识自动获取或融合技术等方法仍难避免的错误，各研究主要通过人工审核消除，效率还难以应对大规模知识图谱。因此，中医药知识图谱领域还须建立具体评估方法和效率更高的质量控制手段。

5.5构建非文本中医药知识图谱仅依靠文本数据难以覆盖足够的中医药领域知识，例如《补遗雷公炮制便览》《本草纲目》中的丰富插图等。中医药领域中也有一些知识在结合多媒体信息时才能更好地理解，例如脉诊、舌诊，以及取象比类思想指导下的医疗实践等。这些信息可集成于视觉知识图谱、多模态知识图谱等非文本知识图谱中[56]，中医药领域须对此进行探索。

5.6构建、融合各子领域知识图谱构建领域通用的知识图谱的工作量非常大，耗时长且难以维护。目前一些子领域划分不太明确的中医药知识图谱之间的主要差异在于知识来源，实际上可能有大量重叠的工作。如果各构建者根据自己的应用需求构建高质量的子领域知识图谱，并允许另一些需求将它们重复利用或融合使用，则可更为高效。此外，在临床实际中，中医、西医、公共卫生知识常常互为辅助，因此中医药知识图谱也需要与其他领域知识图谱融合使用。

5.7社会化共享与协作已有研究提出在知识服务中以类似众包的形式促进中医药知识图谱的完善[14]。作为链接数据背景下的产物，中医药知识图谱应能支持社会化共享与协作。其形式包括知识图谱本身开放共享、实现基于知识图谱的服务2种;这也可以促进领域知识图谱的研究进展。

参考文献

[1]赵军.人工智能丛书：知识图谱[M].北京：高等教育出版社，2018：7.

[2]肖仰华.知识图谱：概念与技术[M].北京：电子工业出版社，2019：910.

[3]赵军.人工智能丛书：知识图谱[M].北京：高等教育出版社，2018：9.

[4]张雨琪，李宗友，王映辉，等.中医药知识图谱的构建与应用研究进展[J/OL].世界中医药：110[20210530].http：//kns.cnki.net/kcms/detail/11.5529.R.20210524.1348.014.html..

[5]曹丽英，邸玉琦，陈帅.基于知识图谱的玉米病虫害研究可视化分析[J/OL].东北农业科学：17[20210530].http：//kns.cnki.net/kcms/detail/22.1376.S.20210511.1436.005.html.

[6]陈悦，刘则渊.悄然兴起的科学知识图谱[J].科学学研究，2005，23（2）：149154.

[7]赵军.人工智能丛书：知识图谱[M].北京：高等教育出版社，2018：20.

[8]王昊奋，漆桂林，陈华钧.知识图谱：方法、实践与应用[M].北京：电子工业出版社，2019：15.

[9]于彤，刘静，李海燕，等.中医药子本体抽取方法研究进展[J].中国数字医学，2017，12（1）：2628.

[10]张莹莹.基于知识图谱的舌像诊疗系统研究与构建[D].成都：电子科技大学，2019.

[11]贾李蓉，刘静，于彤，等.中医药知识图谱构建[J].医学信息学杂志，2015，36（8）：5153.

[12]贾李蓉，刘丽红，刘静，等.基于中医药学语言系统的知识问答系统的设计与构建[J].中华医学图书情报杂志，2019，28（5）：1114.

[13]于彤，李敬华，朱玲，等.中医临床知识图谱的构建与应用[J].科技新时代，2017，22（4）：5154.

[14]张德政，谢永红，李曼，等.基于本体的中医知识图谱构建[J].情报工程，2017，3（1）：3542.

[15]于彤，李敬华，于琦，等.中医养生知识图谱的构建与应用[J].中国数字医学，2017，12（12）：6466.

[16]阮彤，孙程琳，王昊奋，等.中医药知识图谱构建与应用[J].医学信息学杂志，2016，37（4）：813.

[17]夏宇航，高大启，阮彤，等.基于知识图谱的医疗病历数据存储研究[J].计算机工程，2019，45（1）：916，22.

[18]郝伟学.中医健康知识图谱的构建研究[D].北京：北京交通大学，2017.

[19]仲怿，茹晨雷，张伯礼，等.基于知识图谱的中药制药过程质量控制方法学研究[J].中国中药杂志，2019，44（24）：52695276.

[20]罗计根.面向中医领域知识图谱构建的关键技术研究及应用[D].南昌：江西中医药大学，2019.

[21]赵凯，王华星，施娜，等.基于Neo4j桂枝汤类方知识图谱的研究与实现[J].世界中医药，2019，14（10）：26362639，2646.

[22]朱丹.名老中医治疗脂肪性肝病的证治规律研究及知识图谱构建探索[D].北京：中国中医科学院，2019.

[23]谢先章.面向中医骨科问诊的疾病知识图谱构建技术研究[D].昆明：昆明理工大学，2019.

[24]尹丹，周璐，周雨玫，等.中医经方知识图谱“图搜索模式”设计研究[J].中国中医药信息杂志，2019，26（8）：9498.

[25]郭文龙.中医方剂知识图谱构建研究与实现[D].兰州：兰州大学，2019.

[26]肖猛.面向中医证候的健康领域知识图谱构建与应用研究[D].长春：吉林大学，2019.

[27]邓宇，周卫强，张振铭，等.基于名老中医医案的知识图谱构建[J].湖南中医杂志，2019，35（7）：186187.

[28]張颖.中医诊疗数据的隐语义分析技术[D].上海：华东师范大学，2019.

[29]蒋羽.面向中医方剂配伍的中药文本挖掘研究[D].成都：电子科技大学，2019.

[30]张艺品，关贝，吕荫润，等.深度学习基础上的中医实体抽取方法研究[J].医学信息学杂志，2019，40（2）：5863.

[31]高甦，金佩，张德政.基于深度学习的中医典籍命名实体识别研究[J].情报工程，2019，5（1）：113123.

[32]原旎，卢克治，袁玉虎，等.基于深度表示的中医病历症状表型命名实体抽取研究[J].世界科学技术中医药现代化，2018，20（3）：355362.

[33]赵立鹏.面向中医文本的关系抽取技术研究[D].唐山：华北理工大学，2019.

[34]郑子強.面向慢性肾脏病中医医案的知识图谱学习与推理研究[D].成都：电子科技大学，2020.

[35]李焕.基于深度学习与主动学习的中医术语识别研究[D].北京：北京工业大学，2019.

[36]王莉军，李旭婕，刘志辉，等.基于开放信息源的实体挖掘方法研究[J].情报科学，2019，37（8）：139144.

[37]魏尊强，舒红平，王亚强.基于序列标注的中医症状名识别技术研究[J].山东工业技术，2015，34（8）：237238.

[38]袁玉虎，周雪忠，张润顺，等.面向中医临床现病史文本的命名实体抽取方法研究[J].世界科学技术中医药现代化，2017，19（1）：7077.

[39]叶辉，姬东鸿.基于多特征条件随机场的《金匮要略》症状药物信息抽取研究[J].中国中医药图书情报杂志，2016，40（5）：1417.

[40]孟洪宇，谢晴宇，常虹，等.基于条件随机场的《伤寒论》中医术语自动识别[J].北京中医药大学学报，2015，38（9）：587590.

[41]刘凯，周雪忠，于剑，等.基于条件随机场的中医临床病历命名实体抽取[J].计算机工程，2014，40（9）：312316.

[42]王世昆，李绍滋，陈彤生.基于条件随机场的中医命名实体识别[J].厦门大学学报：自然科学版，2009，48（3）：359364.

[43]袁玉虎.面向症状表型的命名实体抽取方法研究[D].北京：北京交通大学，2017.

[44]李明浩，刘忠，姚远哲.基于LSTMCRF的中医医案症状术语识别[J].计算机应用，2018，38（S2）：4246.

[45]原旎.医学疾病表型实体及其关系抽取方法研究[D].北京：北京交通大学，2019.

[46]罗计根，杜建强，聂斌，等.基于双向LSTM和GBDT的中医文本关系抽取模型[J].计算机应用研究，2019，36（12）：37443747.

[47]孙健，高大启，阮彤，等.中文电子病历中的时间关系识别[J].计算机应用，2018，38（3）：626632.

[48]王昊奋，漆桂林，陈华钧.知识图谱：方法、实践与应用[M].北京：电子工业出版社，2019：282.

[49]肖仰华.知识图谱：概念与技术[M].北京：电子工业出版社，2019：407.

[50]王昊奋，漆桂林，陈华钧.知识图谱：方法、实践与应用[M].北京：电子工业出版社，2019：366.

[51]陈程，翟洁，秦锦玉，等.基于中医药知识图谱的智能问答技术研究[J].中国新通信，2018，20（2）：204207.

[52]郑懿鸣，翟洁，胡晓龙，等.基于中医药知识图谱的智能问答与用药推荐系统[J].电子技术与软件工程，2019，26（20）：134135.

[53]肖仰华.知识图谱：概念与技术[M].北京：电子工业出版社，2019：23.

[54]张灿玾.中医文献整理研究简议[J].高教战线，1984，5（6）：3133.

[55]任海霞，杨越朝.做好中医古籍整理出版工作的5个关键点[J].科技与出版，2013，32（2）：4142.

[56]朱木易洁，鲍秉坤，徐常胜.知识图谱发展与构建的研究进展[J].南京信息工程大学学报：自然科学版，2017，9（6）：575582.

（2020-08-27收稿本文编辑：张雄杰）

基金项目：国家重点研发计划“云计算和大数据”重点专项（2017YFB1002300）——大数据驱动的中医智能辅助诊断服务系统;中国工程科技知识中心项目（CKCEST2020118）——中医学专业知识服务系统;中国中医科学院中医药“一带一路”合作专项（GH201708）——国际中医药临床知识服务平台构建研究;中国中医科学院基本科研业务费自主选题项目（ZZ11053）——基于深度学习的中成药知识图谱构建与辅助决策研究

作者简介：张雨琪（1996.04—），女，硕士研究生在读，研究方向：中医信息学，Email：zhyui@outlook.com

通信作者：于彤（1981.03—），男，博士后，副研究员，研究方向：中医药信息学，Email：yutongoracle@hotmail.com