It is indeed a luxury to keep human reason forever. by Moss, a robot of the film The Wandering Earth
“让人类永远保持理智,确实是一种奢求” ,机器人莫斯,《流浪地球》
项目概况
本项目为一个使用深度学习方法解析问题,知识图谱存储、查询知识点,基于医疗垂直领域的对话系统的后台程序
- 运行效果:
-
项目的搭建大致分为三个模块:
- 基础数据爬取
- 知识图谱构建
- 自动问答实现
-
项目运行环境:
python :
python 3.6.8
运行系统:
ubuntu 16.04
知识图谱:
neo4j 3.2.2 图形数据库
py2neo 3.1.1 neo4j对应的python驱动
深度学习:
jieba 0.39
numpy 1.17.0
pandas 0.25.0
tensorflow 1.10.0
文本匹配:
ahocorasick (安装方法 pip install pyahocorasick)
必要说明:
1.深度学习模块深度网络的训练使用tensorflow的gpu版本,
在应用阶段由于要部署要服务器上使用的对应的tensorflow的cpu版本
2.若要clone项目,尽量保持扩展包的版本一致
- 项目运行方式
- 搭建知识图谱:python build_grapy.py。大概几个小时,耐心等待。
- 启动问答系统:python chatbot_graph.py
- 项目主要文件目录结构
chatbot
├── answer_search.py # 问题查询及返回
├── BiLSTM_CRF.py # 实体识别的双向LSTM-CRF网络
├── build_medicalgraph.py # 将结构化json数据导入neo4j
├── chatbot_graph.py # 问答程序脚本
├── classifyApp.py # 问句分类应用脚本
├── classifyUtils.py # 工具函数集合
├── data
│ └── medical.json # 全科知识数据
├── data_ai
│ ├── cbowData # 词向量文件
│ │ ├── classifyDocument.txt.ebd.npy # 词向量查找表
│ │ ├── classifyDocument.txt.vab # 词向量中词与索引对照表
│ │ ├── document.txt.ebd.npy
│ │ └── document.txt.vab
│ ├── classifyData # 问句分类训练数据
│ │ ├── test_data.txt
│ │ └── train_data.txt
│ ├── classifyModel # 问句分类模型
│ │ ├── checkpoint
│ │ ├── model-3500.data-00000-of-00001
│ │ ├── model-3500.index
│ │ └── model-3500.meta
│ ├── nerData
│ └── nerModel # 命名实体识别模型
├── dict # 实体数据文件
├── nerApp.py # 命名实体识别应用脚本
├── nerUtils.py # 工具函数集合
├── prepare_data
│ ├── build_data.py # 数据库操作脚本
│ ├── data_spider.py # 数据采集脚本
│ └── max_cut.py # 基于词典的最大前向/后向匹配
├── question_analysis.py # 问句类型分类脚本
├── question_parser.py # 回答生成脚本
└── text_cnn.py # 文本分类的cnn网络
基础数据爬取
基础数据爬取于寻医问药网站,一家医疗信息提供平台,上面的数据做了较好的分类处理,爬下来后可以较为方便的保存为json格式的结构化文件,格式展示如下:
爬取的数据保存为json格式文件
知识图谱搭建
知识图谱可以用若干三元组来表示,三元组的基本形式:
- 实体1-关系-实体2
- 实体-属性-属性值
将爬取的数据调用build_medicalgraph.py
脚本将结构化json数据导入neo4j图数据库,部分数据库展示如下:
图形数据库部分展示
知识图谱实体类型
实体类型 | 中文含义 | 实体数量 | 举例 |
---|---|---|---|
Check | 诊断检查项目 | 3,353 | 支气管造影;关节镜检查 |
Department | 医疗科目 | 54 | 整形美容科;烧伤科 |
Disease | 疾病 | 8,807 | 血栓闭塞性脉管炎;胸降主动脉动脉瘤 |
Drug | 药品 | 3,828 | 京万红痔疮膏;布林佐胺滴眼液 |
Food | 食物 | 4,870 | 番茄冲菜牛肉丸汤;竹笋炖羊肉 |
Producer | 在售药品 | 17,201 | 通药制药青霉素V钾片;青阳醋酸地塞米松片 |
Symptom | 疾病症状 | 5,998 | 乳腺组织肥厚;脑实质深部出血 |
Total | 总计 | 44,111 | 约4.4万实体量级 |
知识图谱实体关系类型
实体关系类型 | 中文含义 | 关系数量 | 举例 |
---|---|---|---|
belongs_to | 属于 | 8,844 | <妇科,属于,妇产科> |
common_drug | 疾病常用药品 | 14,649 | <阳强,常用,甲磺酸酚妥拉明分散片> |
do_eat | 疾病宜吃食物 | 22,238 | <胸椎骨折,宜吃,黑鱼> |
drugs_of | 药品在售药品 | 17,315 | <青霉素V钾片,在售,通药制药青霉素V钾片> |
need_check | 疾病所需检查 | 39,422 | <单侧肺气肿,所需检查,支气管造影> |
no_eat | 疾病忌吃食物 | 22,247 | <唇病,忌吃,杏仁> |
recommand_drug | 疾病推荐药品 | 59,467 | <混合痔,推荐用药,京万红痔疮膏> |
recommand_eat | 疾病推荐食谱 | 40,221 | <鞘膜积液,推荐食谱,番茄冲菜牛肉丸汤> |
has_symptom | 疾病症状 | 5,998 | <早期乳腺癌,疾病症状,乳腺组织肥厚> |
acompany_with | 疾病并发疾病 | 12,029 | <下肢交通静脉瓣膜关闭不全,并发疾病,血栓闭塞性脉管炎> |
Total | 总计 | 294,149 | 约30万关系量级 |
知识图谱属性类型
属性类型 | 中文含义 | 举例 |
---|---|---|
name | 疾病名称 | 喘息样支气管炎 |
desc | 疾病简介 | 又称哮喘性支气管炎... |
cause | 疾病病因 | 常见的有合胞病毒等... |
prevent | 预防措施 | 注意家族与患儿自身过敏史... |
cure_lasttime | 治疗周期 | 6-12个月 |
cure_way | 治疗方式 | "药物治疗","支持性治疗" |
cured_prob | 治愈概率 | 95% |
easy_get | 疾病易感人群 | 无特定的人群 |
自动问答实现
自动问答采用深度学习的方法,由于缺少问句训练语料,训练数据来源于自制的问句生成器,然后对问句分词,问句中的每个词进行嵌入,即由词向量组成的问句代替自然语言的问句输入,再进行命名实体识别及实体/问句关系抽取(问句分类),实现对问句的语义解析。
自动问答实现流程图
本仓库为了代码结构清晰,只放了深度学习的模型应用的脚本,词向量及模型训练的脚本会放在另一个代码仓库中。
数据准备
- 数据冷启动
问句解析部分是用深度学习的方法实现的,那自然需要数据来训练模型。在通常的垂直领域内,由于缺乏系统性地数据积累或合作项目,本项目所用地问句语义解析必须依赖大规模地问句语料,因此设计了一个问句生成器(专业点地叫法为数据冷启动?),就是根据设定好的问句模板将上文爬取到的实体填充到模板的槽当中,同时对问句进行逐词的命名实体标注(BIOES标注法)及问句类别标注,用于后面的实体抽取及实体/问句关系抽取(问句分类)
命名实体标注标签:
实体 | 序号 | 含义 |
---|---|---|
O | 0 | 其它 |
B-dis | 1 | 疾病实体开头 |
I-dis | 2 | 疾病实体中间 |
E-dis | 3 | 疾病实体末尾 |
B-sym | 4 | 症状 |
I-sym | 5 | |
E-sym | 6 | |
B-dru | 7 | 药品 |
I-dru | 8 | |
E-dru | 9 | |
S-dis | 10 | 单个-疾病实体 |
S-sym | 11 | |
S-dru | 12 |
问句类别标注标签
类别 | 序号 | 含义 |
---|---|---|
disease_symptom | 0 | 疾病有啥症状 |
symptom_curway | 1 | 症状有啥治疗方法 |
symptom_disease | 2 | 症状对应啥疾病 |
disease_drug | 3 | 疾病要吃啥药品 |
drug_disease | 4 | 药品治疗啥疾病 |
disease_check | 5 | 疾病要做啥检查检查 |
disease_prevent | 6 | 疾病有啥预防方式 |
- 数据增强
经过人工造问句后,再针对问句结构类型单一不够多样进行了数据增强,比如采取了如下措施:句子结构倒装,同义词替换,随机插入标点加入噪音
- 数据类别平衡及shuffle
在未做类别平衡及数据shuffle时,模型会严重过拟合,有时只能预测出一种结果,在测试集上正确率很低,做了类别平衡及输入数据打乱之后预测结果大幅改观
词向量训练
采用词向量模型中的连续词袋模型cbow进行词向量的训练
一些参数:
参数名 | 参数值 |
---|---|
学习率 | 0.0001 |
词向量长度(中间/隐藏层维度) | 200 |
上下文window_size | 10 |
batch_size | 300 |
最小词频min_frq | 2 |
值得注意的是:
-
词向量的训练也会有loss,但是在训练词向量的过程中没有太必要关注其loss,因为训练词向量一般只是我们想要的中间结果,与我们的目的相去甚远,经验是等loss稳定之后将词向量先用于后面的任务,看后面任务的实际效果怎么样,若效果不佳再调整参数甚至更换其它词向量模型。
-
最开始是用的字向量,但是用于之后的任务效果不佳,会出现ner标注偏执及正确率低的现象。然后使用了词向量,效果提升较大。究其原因可能是词包含的信息更多,对模型的辅助效果更明显
-
网上说词向量一般在
200~300
维度表示效果较好,字向量在100~200
维度就够了,当语料很小时候,词向量维度应调小。实际测试在10多M的语料大小情况下,词向量维度50都能达到可用效果。
医疗命名实体识别
- 模型训练描述
在知识库问答系统处理过程中,解析问句意图首先需要进行命名实体识别(NER),正确提取出问句中询问的医疗实体。当前NER模型大多采用LSTM-CRF模型。基于词的中文NER,则需要预先对句子进行分词。
嵌入层
最开始我是用的字向量,但是效果不好,换成了词向量。句子分词后,将每个词查找词向量的lookup tabel获得对应词向量,用词向量替换原句子中的词,形成新的句子作为输入,为保证训练效果,当句子太长时候要截断,句子太短时要填充,本项目使用的0填充。
BiLSTM层
然后将规整后的句子输入到BiLSTM网络中,就是句子正向导入LSTM网络一次,再把句子反向导入LSTM网络一次,经过多次迭代输出LSTM网络的两个预测结果(正向,反向),然后将两个预测结果拼接成一个长向量作为下一层的CRF层的输入
具体是怎么拼接的:做ner时,前向时候得到的LSTM的的中间状态输出向量和后向时中间状态输出向量中对应的单词的中间状态拼接,如下图:
lstm中间状态向量拼接作为输出用于ner
若用于句子的情感分类则作以下拼接:
lstm中间状态向量拼接作为输出用于情感分类
图片来至详解BiLSTM及代码实现
tensorflow中tf.nn.dynamic_rnn函数
outputs, state = tf.nn.dynamic_rnn(
cell,
inputs,
sequence_length=None,
initial_state=None,
dtype=None,
parallel_iterations=None,
swap_memory=False,
time_major=False,
scope=None
)
其中两个返回值:
outputs: The RNN output Tensor. this will be a Tensor shaped: [batch_size, max_time, cell.output_size].
state: The final state. If cell.state_size is an int, this will be shaped [batch_size, cell.state_size].
第一个输出outputs
就是一批数据的中间状态输出的集合(张量)。第二个输出state
就是LSTM最后一个状态,
它含了一个方向的所有信息
CRF层
CRF的转移矩阵A
由神经网络的CRF学习得到,而发射概率矩阵P
就是由Bi-LSTM的输出来作近似模拟。
这样有了(A,P,$\pi$)就可以调用viterbi算法进行解码做预测了
Bi-LSMT+CRF
##### 损失函数及反向传播损失函数用的tensorflow的crf.crf_log_likelihood
,对数似然函数
目标函数是的-tf.reduce_mean(crf.crf_log_likelihood)
,即对数自然函数的均值的负数,这和LR回归的目标函数一样
反向传播更新参数,进行下一批数据前向传播训练
循环网络结构与超参数
a)使用句子分词后词的词向量作为输入,
b)dropout的值调到0.5,
c)句子的最大长度sentence_length调到30以下(我使用的20),
d)句子填充那里使用的0填充,
e)语料中实体种类数目做平衡(不出现某个种类严重偏执,否者就回导致预测偏执严重和过拟合),
f)语料标注使用的BIOES标注(之前用的BIO标注)
训练出来模型的F1值可以达到0.98,
参数名 | 参数值 |
---|---|
lstm 隐藏层维度 | 600 |
学习速率 | 0.00075 |
batch_size | 100 |
句子截断长度 | 25 |
梯度截断 | [-5,5] |
标签数目 | 13 |
训练时dropout | 0.5 |
句子填充 | 0值填充 |
句子标注方式 | BIOES法 |
用户意图识别
通过命名实体识别模型正确提取出问句中询问的医疗实体之后,还需要理解用户问句的意图,其意图的具体表现就是医疗实体的关系或属性,即需要进行问句意图和知识库关系的映射。考虑医疗问诊场景的用户问题通常是短文本,因此本项目将用户意图识别设定为短文本分类任务
数据嵌入人工特征
数据同样用冷启动的方式获得大量数据,然后将在上一轮识别出来的命名实体类别嵌入到句子中,增加句子的区分度
得了感冒要吃啥药
嵌入人工特征:
得了感冒disease要吃啥药
模型选择
由n-gram语言模型可知,自然语言存在局部特征,卷积神经网络(CNN)可用来提取局部特征,如今常被用于表示句子级别的信息和短文本分类任务,结合识别出的医疗实体实现用户问句的意图理解。
短文本有其特点,局部信息可决定句子意图,比如像我头疼发烧流鼻涕,这是啥病
与问句这是啥病,我最近发烧流鼻涕头疼
里面的整体与局部语序换了,但是句子意图没有变,所以短文本适用于CNN。长文本可用LSTM,attention,有大量训练语料则bert有优势,需要快速但精确度要求不高可用fasttext模型。
嵌入层
将词表示成具有相同长度的词向量,句子就可表示成词向量的矩阵,一个二维的矩阵,这个矩阵可以类比为一张单通道的图片,若图片时RGB三通道图片,则在这里,我们的词可以采用不同的嵌入方式,比如字嵌入,或者golve形式的词向量,这样就可得到多层的句子词向量矩阵。
textCNN词的嵌入
##### 卷积层- 一个长度为n的句子被视为N个word的拼接(concatenation),每个word 的embedding有k维,则concat后的句子表示为一个N x k的矩阵,即神经网络的输入
- 由于图像是二维(长和宽)三通道(RGB),而句子是一维的(word按顺序拼接)(可以L通道,即使用L种不同的embedding方法,就可以形成L层输入为N x k的矩阵),因此这里的CNN的filter(卷积核)的大小都为h x k(h为卷积核所围窗口中单词的个数) ,即每个filter扫过的区域是从上往下覆盖到h个word的所有embedding长度
- 根据n-gram模型,可选取几个不同大小(h不同的)filter去学习句子的不同的局部特征,得到不同的feature map。
池化层
在得到每个卷积核的feature map之后,要做一个max-pooling,即max(c)
max-pooling的用处是: 1.使得可以输入不同长度的句子。长度不同的sentence经过这个卷积核后得到的特征都为1维 2.能够有效抓取句子的最突出特征。比如一个卷积核是用来检测是否存在not like这样的负面评论,则不论出现该模式出现在句子的哪里,前面还是后面,这个卷积核都能取得很高的卷积值。
当然Pooling会损失句子的order信息,比如最显著的模式出现的位置(句子的前面还是后面),因此又多种基于Pooling的优化:如k-max pooling(保留feature map中K个最大的值)或者dynamic k-max pooling (sentence分为几段,每一段取一个最大值)
全连接及SoftMax分类层
一个句子从输入卷积层,再到最大池化后的数据,拼接成一个向量(一共有多少个feature map,这个向量就有多少维),然后喂入全连接层。比如作13分类,则全链接的输出就是13维的向量
最后接一层全连接的 softmax 层,输出每个类别的概率。
注意:一般之后还会过一个tf.argmax函数过程,就是将向量中最大的概率变那一位为1,其余变成0
卷积网络结构与超参数
参数 | 值 |
---|---|
嵌入层(词向量)维度 | 200 |
卷积核尺寸 | h=2,3,4 此外不做填充,步长=1 |
卷积核个数 | 各种尺寸各128个 |
dropout_keep_prob | 0.5 |
batch_size | 300 |
预测类别 | 9 |
学习率 | 0.0001 |
l2正则化系数 | 3 |
另外还指定了句子截断长度为20,textcnn可以不用要求指定输入句子的长度,但是发现tensorflow运行时会说不指明input的所有维度会分配很多内存,以免溢出,就会占用大量内存,所以指明了。
一个textcnn的参考图
textCNN
回答生成知识图谱三元组<实体,关系,实体>或者是<实体,属性,属性值>
前面抽取的“医疗命名实体”就三元组的第一个元素——实体
前面进行的“用户意图识别”则是三元组中的第二个元素——关系/属性
得到三元组的这两个元素就可以用cypher语言在neo4j图数据库中进行查找对应的实体或属性值,然后构建回答返回给用户
def sql_transfer(self, question_type, entities):
if not entities:
return []
# 查询语句
sql = []
# 查询疾病的原因
if question_type == 'disease_cause':
sql = ["MATCH (m:Disease) where m.name = '{0}' return m.name, m.cause".format(i) for i in entities]
# 查询疾病的防御措施
elif question_type == 'disease_prevent':
sql = ["MATCH (m:Disease) where m.name = '{0}' return m.name, m.prevent".format(i) for i in entities]
# 查询疾病的持续时间
elif question_type == 'disease_lasttime':
sql = ["MATCH (m:Disease) where m.name = '{0}' return m.name, m.cure_lasttime".format(i) for i in entities]
# 查询疾病的治愈概率
elif question_type == 'disease_cureprob':
sql = ["MATCH (m:Disease) where m.name = '{0}' return m.name, m.cured_prob".format(i) for i in entities]
'''
...
'''
return sql
参考资料
Bidirectional LSTM-CRF Models for Sequence Tagging