智能医疗的构建需要全面科学的知识体系网络来支撑,医疗知识图谱的应用推进非结构化知识被更加有效的管理和利用,不仅使患者的就诊流程简易化,还使医务人员的工作量降低,从而使其诊治效率提升。现阶段医疗网站层出不穷,可从中抽取关键的医疗信息知识为医患提供辅助参考,相比于以往集中于医学文献和电子病历的医疗研究,更加贴近现代社会人们对健康问题的关注侧重点。此外,当前知识图谱构建的研究大多集中于知识抽取方向,然而多来源数据存在差异性,单纯合并会产生冗余现象,因此,论文在图谱构建过程中引入知识融合,以获得高质量数据。文章以“39健康网”和“寻医问药网”网站为数据源爬取乳腺疾病百科板块信息,针对百科知识半结构化、专业名词多、长文本以及数据量较少的特点,对其进行知识抽取、知识融合研究,进而构建知识图谱进行实验验证,主要工作如下:（1）互联网医疗百科知识图谱模式层定义。引入矩阵分析法从医生关注程度和患者关注程度两个维度基于文本语料特点和实际情况对实体类别进行划分,将知识图谱模式层定义为7类实体和14类实体关系。（2）面向互联网医疗百科的知识抽取工作研究。综合采用预训练模型BERT（Bidirectional Encoder Representation from Transformers）、双向长短时记忆神经网络（Bidirectional Long Short-Term Memory,Bi LSTM）和条件随机场（Conditional Random Field,CRF）进行命名实体识别,相比于Word2vec模型,BERT可生成包含丰富语义信息的动态词向量,实验表明实体识别预测的准确率提高了3.2542%;综合采用预训练模型BERT、双向门控循环单元（Bidirectional Gated Recurrent Unit,Bi GRU）和注意力机制（Attention）进行关系抽取,对医疗语料信息进行深层次的特征挖掘,结果显示“临床表现”、“诊断依据”等大部分细分关系类别的F值均达95%以上;同时引入early＿stopping机制根据模型的表现提前停止迭代训练,不但可以避免过拟合现象的产生,还可以提高知识抽取的效率,最终实现不同源医疗实体关系库的构建。（3）面向互联网医疗百科的知识融合工作研究。针对多来源知识融合中可能出现的“多词一义”现象使用Mu GNN（Multi-Channel Graph Neural Network）模型进行医疗实体对齐,不仅有效解决了图结构的异质性问题,还为每个实体捕获到了信息最丰富、最有判别力的邻居,实验证明该模型的实体对齐效果优于GCN-Align模型,其中前n项命中率Hits@1提升了12.17%;针对多来源知识融合中可能出现的“一词多义”现象基于上下文进行实体消歧,充分考虑了单词上下文语序对消歧的影响,增强了向量的表达能力,最后结合上述结果实现多来源知识的融合并完成医疗知识统计。（4）基于互联网医疗百科的知识图谱可视化和分析。应用图数据库实现乳腺疾病知识图谱可视化展示,并提出实体专业性、连接唯一性等4个评价指标将论文构建的知识图谱与实验室现有乳腺癌知识图谱进行比较,表明本研究通过知识融合获取了覆盖面更广,质量更加优质的乳腺疾病相关知识,最后针对医护人员和患者两类不同服务对象总结了知识图谱的管理应用启示。