随着人工智能与机器人技术的发展,智能问答系统逐渐成为人机自然交互的重点研究内容,通过一问一答的形式为交互对象提供智能化服务。在智慧医疗领域,以知识图谱为基础的智能问答系统能够根据结构化的医疗知识生成简洁的答案,自动回复用户的自然语言问句,帮助用户更便捷地获取知识。传统的问答系统技术不能有效地处理包含多种意图的复杂问句,导致意图识别不全面或不准确,并且中文医疗领域缺乏适用于医疗咨询和导诊服务的知识图谱,难以生成高质量的回复语句,导致基于知识图谱的智能问答研究任务充满挑战和困难。针对以上问题,本文以深度学习和自然语言处理技术为基础,面向医疗导诊机器人开展基于知识图谱的人机交互智能问答方法研究,构建了医疗实体识别模型和医疗知识图谱,提出了一种复杂问句意图理解方法,并开发了导诊机器人智能医疗咨询问答系统。具体研究内容如下:1)针对医疗知识图谱构建中传统的命名实体识别模型在上下文语义信息表示方面存在不足的问题,本文提出了基于深度学习和结构先验的医疗知识图谱构建方法。开发网页数据解析软件获取医疗网站上开放的医疗知识数据,通过融合语言模型的命名实体识别模型抽取其中的医疗知识,以结构化形式存储到本地数据库,并构建了一个包含6类实体和8种关系共约14万个节点的医疗知识图谱。本文的命名实体识别方法在Bi LSTM-CRF模型和IDCNN-CRF模型的基础上,分别使用Word2Vec词向量和预训练语言模型提取文本语义特征信息进行对比实验,实验结果表明融合语言模型能显著提升医疗实体识别模型的性能。本文使用特定的关键词信息和人工制定的关系抽取规则完成医疗关系的抽取任务,然后使用Neo4j图数据库存储医疗知识数据完成医疗知识图谱的构建任务。2)针对多意图复杂问句理解问题,本文提出了一种基于深度学习和语义分析的复杂问句意图智能理解方法。该方法分为问句语法成分规范化和医疗意图识别两个部分。问句语法成分规范化首先通过医疗实体识别和依存句法分析得到输入问句的核心依存句法树以及实体之间的关联性,然后在此基础上通过问句语法成分规范化算法将多意图复杂问句分解成若干个属性类或关系类的简单问句组合。医疗意图识别对语法成分规范化之后的每个简单问句使用预训练语言模型提取特征信息,然后输入到Text CNN模型中对问句意图进行分类。实验结果表明,将多意图复杂问句分解之后再进行意图识别能够降低自然语言口语化表达对问句意图理解的影响,提高解析问句完整意图的能力。3)基于本文所提出的医疗知识图谱、医疗实体识别模型和复杂问句意图理解方法设计了一种新的智能问答系统框架,包括人机交互模块、问句语法分析、问句规范化、医疗意图识别、智能知识检索和自然语言答案生成6个处理模块,并开发了面向导诊机器人的医疗咨询智能问答系统。智能问答系统支持使用语音或文字等不同模态的交互方式输入自然语言问句,然后对输入的问句进行语义解析,获取医疗实体和关系谓词,并转化为检索语句在医疗知识图谱中检索相关知识,最后根据检索到的医疗知识生成自然语言答案反馈给用户。