大数据时代的发展推动了整个社会对智慧医疗方向的探索,使得智能医疗成为当下众人所关注的焦点,迎合了国民对于智能化医疗服务的迫切需求。如何从海量的医疗文本中抽取关键的知识并加以管理对智能医疗应用的研究具有重大意义,知识图谱的出现有效的解决了这个问题。前期实验室工作中初步构建了医学知识图谱,完成了知识图谱相关规范的定义及从临床医学知识服务系统和医脉通网站抽取知识的工作。经过探讨,我们认为知识图谱的规范定义需要更进一步的丰富与细化。此外,按科室划分抽取知识能够使单一科室的知识更加完备,结合实验室的工作需求和呼吸系统疾病的现状,本文以扩充呼吸科室疾病相关医疗知识为目标,主要开展了以下几项工作:(1)知识图谱规范的重新定义。经对数据源分析,结合实际需求,在原有知识图谱规范中定义的六大类实体基础之上添加了身体部位实体。此外,针对这七大类实体细化了它们之间的语义关系。(2)面向呼吸科室疾病的知识抽取工作。前期工作中主要利用医学词典完成实体抽取,导致抽取的实体存在很多疏漏,本文采用机器学习方法和深度学习方法进行了命名实体识别实验,由于标注数据规模较小,本文基于电子病历进行参数迁移学习,改进了命名实体识别的效果。最后经过关系抽取和属性抽取,完成了对现有呼吸系统疾病相关医疗知识的扩充。(3)实体对齐方法的研究。利用字符串相似性和重定向方法生成候选,分别对无监督和有监督的实体对齐算法进行了实验。无监督方法本文首先尝试了成对实体对齐方法,但该方法不能准确的衡量待对齐实体邻居节点的重要性,因此本文提出了基于图的实体对齐方法,将候选与待对齐实体邻居节点的候选进行构图选取目标对齐实体。此外,本文对基于联合知识嵌入的有监督实体对齐方法进行了探究,通过TransE算法把实体和关系表示成向量,通过计算向量之间的语义距离判断两个实体是否对齐。实验证明,本文提出的基于图的算法达到了最好的效果。