当前位置：首页 > news >正文

D007 django+neo4j三维知识图谱医疗问答系统|3D+2D双知识图谱可视化+问答+寻医问药系统

news 2025/9/13 6:11:55

文章结尾部分有CSDN官方提供的学长联系方式名片

up的B站名字为：麦麦大数据
关注B站，有好处！

编号: D007

视频

Vue+Django 医疗疾病知识图谱问答neo4j KGQA系统

1 系统简介

系统简介：本系统是一个基于Vue.js前端框架和Django后端框架构建的智能医疗问答平台，旨在为用户提供疾病知识图谱的可视化展示与问答服务。系统采用neo4j图数据库存储并管理医疗疾病知识，构建了包含疾病、药物及其关联关系的知识图谱。系统集成了自然语言处理技术，支持通过关键词检索和问答交互，快速获取疾病相关信息。同时，系统提供2D和3D两种可视化方式，便于用户直观理解疾病知识表现。整体界面设计采用午夜蓝与赛博紫的配色方案，具有独特的视觉吸引力。系统还支持用户的基础功能，如注册登录、密码修改及个人信息管理，为用户提供了便捷的交互体验。。

2 功能设计

统主要包含知识图谱构建与可视化、智能问答、用户权限管理等核心功能。首先，在知识图谱构建模块中，系统能够将医疗疾病数据导入neo4j数据库，构建疾病与药物的关联关系，并存储包括病因、治愈率、预防方法、常用药物等详细的疾病知识。其次，智能问答模块通过LTP技术进行实体识别，结合图数据库中的知识进行检索，能够根据用户提供的症状或疾病名称，快速返回相关治疗药物、治愈率、治疗方法和预防措施等信息。在可视化方面，系统集成了echarts和三维可视化库，实现了疾病知识图谱的2D和3D展示，并支持关键词模糊搜索功能，满足不同用户的查阅需求。此外，系统还完善了用户的基本功能，包括注册、登录、密码修改、头像及个人信息管理等，确保了用户的使用体验和数据安全。
在这里插入图片描述

2.1系统架构图

在这里插入图片描述

2.2 功能模块图

在这里插入图片描述

3 功能展示

3.1 登录 & 注册

在这里插入图片描述

3.2 生成知识图谱

医疗疾病知识图谱导入neo4j数据库，有疾病和药物的关系图、疾病包含的知识有病因、治愈率、预防的方法、常用药物等。
整个过程我们都可以看到图谱的生成进度的：
在这里插入图片描述

通过neo4j 界面查看：

3.3 2D 知识图谱可视化

图谱的2D展示，支持关键词模糊搜索，通过echarts实现可视化。
在这里插入图片描述

3.4 3D 知识图谱可视化

图谱的3D三维展示，支持关键词模糊搜索，通过三维相关可视化库实现可视化。
在这里插入图片描述

3.5 问答系统

问答系统实现，后端利用LTP进行实体识别后根据关键词从图谱中检索内容进行展示，根据疾病可以返回治疗的常见药物、治愈率、治疗方法、预防方法等疾病相关知识。
基于Vuetify前端框架和后端的LTP（语言技术平台）命名实体识别结合Neo4j图数据库的关键词检索功能。整体上，这个系统的功能可以概括为以下几点：
智能问答：用户可以在输入框中输入与疾病或治疗相关的问题，系统通过LTP命名实体识别模块分析用户的提问，从中提取出关键信息（例如疾病、症状、药物等）。
根据提取出的关键数据，系统利用Neo4j进行知识图谱的检索，以获取与用户查询相关的信息。
信息展示：系统能够将关于疾病、治疗方法和药物的详细信息以对话的形式返回给用户。信息展示区域采用了卡片式设计，使得文本信息可读性强，用户能够快速获取所需信息。
关键信息反馈：系统能够提取并反馈疾病的病因、治疗建议及治愈率等信息，优化用户的经验，使得用户能更高效地获取健康信息。
“治疗药物应该可以使用”、“治愈率”等反馈能够直观地展示治疗方法的有效性。
用户交互：系统具备实时交互功能，用户的查询和系统的回答都能在单一的对话界面中进行展现，增强了用户体验。
可扩展性：由于采用了知识图谱和命名实体识别，系统具有较强的扩展性，可以轻松地加入更多的医学知识与数据源，提高回答的全面性和准确性。
在这里插入图片描述

3.6 修改个人信息 & 修改密码

修改密码、修改个人头像、个人信息。
在这里插入图片描述

4程序代码

4.1 代码说明

代码介绍：该医疗知识问答系统基于LTP进行医疗相关问答。系统通过接收用户输入的问题或描述，利用LTP进行句法分析、实体识别和语义理解。系统首先对输入的文本进行分词和词性标注，识别出关键的医疗实体（如疾病、症状、药物等）。随后，系统通过分析句子的语义角色，理解用户的意图和所需的信息类型。系统将提取的实体与预先构建的医疗知识库进行匹配，筛选出相关的知识条目，并生成自然语言形式的回答。知识库包含疾病的定义、症状、治疗方法、用药建议等多方面内容。在匹配过程中，如果系统无法找到相关信息，会提示用户重新输入或提供更详细的描述。

4.2 流程图

在这里插入图片描述

4.3 代码实例

import requests# 假设LTP的API地址为http://localhost:8000
LTP_API = "http://localhost:8000/segment"
MEDICAL_KB = {"头痛": {"描述": "常见的症状，可能由感冒、紧张或偏头痛引起。","治疗": "usual：对症治疗，如服用止痛药；严重时需就医。","建议": "建议多休息，注意饮食。"},"发烧": {"描述": "体温升高，通常由感染引起。","治疗": "usual：降温药物；严重时就医。","建议": "多喝水，注意隔离。"}# 可以扩展更多的医疗知识
}@app.route('/ask', methods=['POST'])
def answer_question():question = request.json.get('question', '')if not question:return jsonify({'error': '请提供问题'}), 400# 调用LTP进行分词和语义分析try:response = requests.post(LTP_API, json={'text': question})words = response.json()['words']print(f"分词结果：{words}")except Exception as e:return jsonify({'error': 'LTP服务不可用'}), 500# 简单的关键词匹配（开发者可以扩展为更复杂的语义分析）for entity in words:if entity in MEDICAL_KB:return jsonify({'result': f"关于{entity}的信息：",'description': MEDICAL_KB[entity]['描述'],'treatment': MEDICAL_KB[entity]['治疗'],'suggestion': MEDICAL_KB[entity]['建议']})return jsonify({'message': '没有找到相关信息，请重新描述问题'}), 404if __name__ == "__main__":app.run(debug=True)