如今的妇科病患病率愈来愈高,年龄愈来愈低。随着人们更加注重自身健康管理,互联网中医学相关服务和网站也随之增多,海量的医学数据不断产生。如何整合互联网和医学文献中专业医学知识成医学知识图谱,为妇科患者提供优质的诊断服务成为了关键问题。在众多知识表示方式中,知识图谱作为一种语义网络拥有极强的表达能力和建模灵活性,而知识图谱构架的前提则是知识的建模。论文基本思路,围绕妇产科学知识进行妇科知识特征的抽取,构建领域知识模型框架和表示形式。根据网页树结构特点制定知识抽取规则,实现半结构化知识的自动抽取;以Skip-gram模型为基础采用依存分析实现领域非结构化知识自动抽取;最终,通过原型系统完成图谱构建以及实现知识的搜索。本文主要工作如下:（1）本文基于医学文献和临床实践思维深入分析了妇产科领域的知识特征,围绕疾病抽取了症状、病因、治疗等六个维度实体,并对六个维度实体之间的相关信息进行了关系建模,构建了妇科疾病领域知识模型框架。（2）通常使用正则表达式方法对半结构化文本的知识进行抽取以获取目标节点,影响抽取效率的主要原因是不同的节点内容对应不同的正则表达式。文中采用了Xpath路径归纳方法来提高抽取效率,其原理是采用抽取规则集中抽取目标节点,通过避免反复的抽取过程来提高抽取效率。首先计算目标节点的Xpath之间最小编辑距离,接着基于网页树结构采用动态规划方法将所有Xpath距离进行整合,最终形成抽取规则。（3）由于医学文献中不同的疾病会存在相同的症状,传统Skip-gram词向量模型无法有效判断抽取的症状是否属于同类疾病,导致疾病相关信息不完整。针对上述问题,通过对医学文本依存分析来制定加权方案,在传统的Skip-gram词向量模型基础上置入加权依赖矩阵,进一步强化抽取信息的上下文指向性,使得抽取同类疾病的信息更全面。本文对四种常见疾病进行知识抽取,实验结果表明,该方法更准确的识别同类疾病相关信息,从而提升知识抽取的完整性。（4）在Neo4j图形数据库搭建平台基础上,进行原型系统分析和总体架构设计,使用cypher语言实现对图数据的基本操作,最终完成妇科知识图谱原型系统搭建,通过对功能模块进行场景应用,验证论文工作的有效性。