基于知识图谱的心理咨询问答系统

.绪论1.1研究背景及意义1.1.1研究背景随着我国整体的发展，人们的心理健康意识在不断提高。然而，社会的快速发展也加快了人们的生活节奏，竞争日趋激烈，人际关系也变得愈发复杂。同时，科学技术的迅猛进步使得知识呈现爆炸式增长，迫使人们不得不持续进行知识更新。因此，人们普遍面临着情绪上的重负，心理问题已成为一种普遍存在的疾病问题。据《中国国民心理健康发展报告（2023-2024）》显示，青年群体和低收入群体在心理健康方面存在的问题尤为突出，忧郁与焦虑风险检出高于其他群体。无业、失业人群的忧郁风险约为其他职业人群的3倍以上。人们出现心理问题后，因为心理医生诊费高，同时担心惹来其他人非议，不愿意去相关机构诊治。并且，传统的心理咨询方式受限于时间、地点和专业人士的数量，往往无法满足广大用户的需求。因此，开发基于知识图谱的心理咨询问答系统具有重要的现实意义和应用价值。知识图谱作为一种图结构的知识表示方法，能够有效地组织和存储大量的心理学知识，包括心理症状、治疗方法、案例经验等。通过构建基于知识图谱的心理咨询问答系统，可以实现对用户自然语言问题的智能解析和回答，为用户提供便捷、高效的心理咨询服务。此外，随着大数据和人工智能技术的不断发展，基于知识图谱的心理咨询问答系统还可以实现对用户数据的分析和挖掘，为心理咨询师提供更加全面、精准的用户画像，进而提升咨询效果和用户体验。1.1.2研究意义基于知识图谱的心理咨询问答系统的开发和应用如下有多方面意义：拓宽心理咨询服务的覆盖范围：通过便捷的小程序，用户使用小程序时，可以突破地域限制，在哪都能用，不用受限于数量少的医生和数量多的用户，为更多地区的用户提供心理咨询服务。同时，能实现医院较难实现的实时咨询，满足了用户随时随地的咨询需求。提高心理咨询服务的效率和质量：问答系统能够快速、准确地回答用户的问题。如果有一些小问题或者不好意思的情况，问答系统能给予非常好的支持。并且，系统还可以根据用户的历史咨询记录和反馈，不断优化回答质，做的越来越好。促进心理学知识的普及和传播：通过与小程序的问与答，用户可以从非课本上了解到心理学方面的知识，增强自我认知能力。综上所述，基于知识图谱的心理咨询问答系统不仅有助于解决当前存在心理问题人群的数量与心理治疗师不匹配的问题，还能够普及心理疾病知识，让更多的，不知道自己的身体怎么了的人，不要害怕、紧张，1.2国内外研究现状1.2.1命名实体识别相关研究命名实体识别是自然语言处理中一个关键的任务，它能从文本中识别出具有特定意义的实体，如疾病名称、国家名、花名等。近年来，随着深度学习的发展，命名实体识别研究在国内外均取得了显著进展。国外的命名实体识别研究起步比国内早，他们提出了多种方法和模型。有基于规则与词典的方法，主要是通过人工制定规则来识别实体。这个方法需要一定的专业性，所以需要有相关领域的专家参与，规则制定周期长，有属于该领域自己的体系，且具有私密性。因此，后来对基于统计和深度学习的方法研究的会更多。基于统计的方法是利用语料库中的统计信息来识别实体，如条件随机场（CRF）等。这些方法提高了识别的准确率，但也会有受限于特征工程的复杂性和数据稀疏性等问题。随着深度学习技术的发展，基于神经网络的方法在命名实体识别任务中展现了良好发展前景。循环神经网络（RNN）、长短时记忆网络（LSTM）和Transformer等模型被广泛应用于命名实体识别任务中。这些模型能够自动学习文本中的特征表示，并通过多层网络结构捕捉上下文信息，从而提高识别的准确率。国内的学者则是结合中文语言的特点，提出了适用于中文的命名实体识别方法和模型。例如，利用中文分词技术辅助命名实体识别，或者结合中文的语法和语义信息。总之，命名实体识别随着深度学习技术的不断发展，相信未来的研究将会取得更加显著的成果，为自然语言处理领域的发展做出更大贡献。1.2.2知识图谱相关研究知识图谱是近年来国内外学术界和工业界的研究热点，其在人工智能和知识管理领域具有广泛的应用前景。知识图谱这一概念最早于2012年由Google公司首次提出并应用在搜索引擎上，它是在语义网的基础上提出的，语义网是一种用于存储知识的数据结构，而知识图谱则是在其基础上将知识看作实体与实体之间的联系以及各自的属性的集合，能够颠覆传统的知识获取方式，优化搜索流程及效果，满足用户在繁杂的数据中高效获取有价值的知识和信息的需求，提升搜索效率及用户体验感。因其优势显著，受到了国内外学术界的高度关注，并将其应用方向由最初的搜索引擎逐渐拓展至问答系统、推荐系统等方面。国外对于早期的知识图谱研究主要集中在构建大规模的领域本体和知识库，以及探索知识图谱的表示、存储和查询技术。随着大数据和深度学习的发展，知识图谱的研究逐渐转向自动化构建、知识推理和语义计算等方向。同时，知识图谱也被广泛应用于智能问答、推荐系统等应用中。国内问答系统的研究起步较晚且由于中文的复杂性，所以不能直接套用外国的研究模型，需要重新构建模型需要通过分词等多项工作，所以国内在20世纪初才有相对完善的问答系统产生。针对问答系统的相关研究也因此不断涌现，涵盖经济、军事、政治、文化、医疗等多个领域。总的来说，知识图谱在国内外都已经形成了较为丰富的研究成果和应用场景。随着技术的不断进步和应用场景的不断拓展，相信未来对于知识图谱的研究将会取得更加多元化的发展。1.2.3问答系统相关研究问答系统是信息检索系统的一种高级形式，旨在准确、清晰地回答用户用自然语言提出的问题。最初的形式是图灵测试。随后便涌现出第一批问答系统，其中第一个聊天机器人—ELIZA被用于心理疾病领域，通过与病人交流的方式发挥作用，在此基础上又不断出现SHRDLU及LUNAR等聊天型问答系统，但此类系统存在获取答案方式机械化等局限性。为了更智能、更深入地得到答案，问答系统开始转移至开放领域，1993年问世的START具有海量的知识基础，可以从各个角度对问题进行更加合理的回答，自生成以来不断持续运行，至今已在多个领域应用。1.3本文主要研究内容本文主要研究多种命名实体识别模型，总结出识别效果较为理想的实体识别模型，将其应用到心理咨询知识图谱的构建当中，并在此基础上，利用所学知识搭建智能问答系统，达到满足用户咨询的需求。接下来介绍一下本文主要的工作内容：（1）基于ALBERT-BiLSTM-CRF模型的命名实体识别方法。研究当前主流的实体识别模型后，选择ALBERT预训练语言模型，并通过爬虫获取心理咨询问答数据文本，在对数据进行清洗和预处理后用来训练模型，并结合BiLSTM-CRF模型进一步提升命名实体识别的准确率。（2）构建关于心理咨询的知识图谱。在命名实体识别研究基础上，对爬取获取得到的心理咨询信息进行抽取和知识融合，并选用Neo4j图数据库进行知识存储，构建心理咨询的知识图谱，为之后的系统应用做好铺垫。（3）设计并实现心理咨询问答系统。根据之前的命名实体识别和构建知识图谱的研究，设计并实现了界面简洁、操作方便、功能合理的心理咨询问答系统，满足用户的需求。1.4论文组织结构本文总共有六个章节，下文介绍一下每个章节：第一章，绪论。本章介绍关于基于知识图谱的心理问答系统的研究背景及研究意义，阐述命名实体识别、知识图谱、问答系统的国内外研究综述，总结了本文的主要研究内容以及组织结构。第二章，相关理论基础。本章首先介绍了知识图谱构建技术的4个方面，如命名实体识别、实体关系抽取、知识图谱概述和图数据库的知识存储。再介绍了问句意图识别，辨别问题的目的，如是想询问疾病症状还是疾病治疗方法等等。最后介绍了本文最重要的功能——问答系统，通过检索图数据库正确的回答问题。第三章，心理疾病知识图谱的构建。首先概括性的介绍了知识图谱的构建流程。接下来就从数据爬取到存入图数据库系统的介绍一遍。第四章，命名实体识别和问答功能的设计。首先介绍了命名实体识别，通过实体抽取、实体融合等识别出文本中的关键信息，如疾病名称、疾病发生部位等。再介绍了问句意图分类，通过Python将问句的意图标注出来，给出回答时的参考方向。最后具体地介绍了问答功能的设计流程和具体实现。第五章，问答系统的设计与实现。首先进行了需求分析，分析了项目的可行性。之后介绍了系统的开发环境。接着进行了系统设计，包括核心任务设计、系统功能模块设计、系统整体架构设计。然后就是具体的系统实现。最后对此系统进行了功能测试与展示。第六章，总结与展望。2.相关理论基础2.1知识图谱构建技术2.1.1命名实体识别自然语言处理（NLP）是人工智能领域中一个至关重要的研究方向，核心目标在于实现人与计算机之间能够通过自然语言进行沟通与交流，这一领域的研究旨在深化计算机对人类语言的理解与处理能力，促进人机交互的智能化与便捷化。名实体识别的目的是把自然语言文本中非结构化文本识别出具有特定含义的实体，例如从“福宝是中国的大熊猫”这个句子中可以识别出“福宝”、“中国”和“大熊猫”三个命名实体。命名实体识别是构建知识图谱非常重要的一环，命名实体的识别效果，如精确度、召回率，都会直接影响到问答的质量，有效的命名实体识别模型可以提高识别心理咨询问答文本数据中各类实体的准确度，构建高质量的心理咨询问答知识图谱。命名实体识别主要涵盖三种方法，包括基于规则与词典的识别、基于统计模型的识别，以及基于深度学习的识别。每种方法都各有特色，在不同场景下展现出每个方法独特优势，为命名实体识别任务提供多元化的解决方案。（1）基于规则和字典的方法基于规则和字典的方法是指手动搭建的基于实体特征分析的规则、词典和本体，不需要标注数据。通常依赖特定的领域、语言和知识库，适用性有限制且维护成本非常高。但是由于医疗领域专业、严谨的术语和知识库，使用基于规则和字典的方法，所以本文采用此方法。（2）基于统计模型的方法基于统计学习的方法主要包括有监督、无监督两种。基于特征的有监督学习方法使用特定的特征集来提取与实体相关的特征并用于训练机器学习模型。这种方法通常需要大量标记数据来训练模型，在一些特定的领域和任务中，已经取得不错的性能和识别准确率。（3）基于深度学习的方法无监督学习方法的模型需要训练大数量和高质量的数据来提升模型的训练度，由于专业知识的缺乏，模型的实体识别率也不能保证准确度。随着深度学习技术的持续革新，基于深度神经网络的命名实体识别方法应运而生，并不断推陈出新，探索出性能更为卓越的模型。这些方法通过深度神经网络强大的特征学习能力，有效提升了命名实体识别的准确性和效率，为自然语言处理领域的发展注入了新的活力。2.1.2实体关系抽取在命名实体识别率较优的前提下，实体关系抽取旨在进一步提取两个实体之间的语义联系。这一过程，即实体关系抽取，主要可通过三种途径实现：基于规则的方法、基于机器学习的方法以及基于深度学习的方法。这些方法各适用于不同的场景和需求，为实体关系抽取提供了丰富的技术手段。（1）基于规则的实体关系抽取方法在实体关系抽取中，通常会运用预定义的规则或模式识别实体间的联系。这种方法通常专家针对特定领域制定详细的规则或模板。优点是规则设计有灵活度、可解释性强。缺点是规则需要手动设计，维护成本高难等。（2）基于机器学习的实体关系抽取方法基于机器学习的实体关系抽取方法，将实体关系识别视为一项监督学习任务。在次框架内，我们训练分类器或序列标注模型，以预测文本中的实体关系，使用例如词性、句法结构等特征区分实体和它们之间的关系，这类方法具有灵活性强，可拓展性好等优点。但是机器学习方法通常只考虑局部上下文信息而忽略了全局上下文信息，可能会错过一些重要的实体关系。此外，需要有足够的高质量数据集来对模型进行训练，否则会影响抽取效果。（3）基于深度学习的实体关系抽取方法深度学习的抽取方法，通过神经网络模型对文本特征进行深度学习和表示，并使用分类器或序列标注模型预测实体间的关系。这类方法可以处理复杂的语言结构和上下文信息，更好地提取实体之间的关系。2.1.3知识图谱知识图谱是一种基于语义的知识表示方式，数据通过分析实体、属性和关系三者之间的联系，构成一张图，描述自然世界中的各种事物之间的关系和属性。知识图谱的基本组成单位是三元组（实体—关系—实体），如（福宝—中国—熊猫），“福宝”和“熊猫”是两个实体，它们之间的关系是中国，福宝是中国的熊猫。实体是多种多样的，如人物、组织、事件、地点等。知识图谱的构建主要两种途径，自顶向下和自底向上。自底向上构建是先从数据集中提取出实体和关系模式，选择置信度最高，经过人工审核之后，存入到数据库之中，属于“先数据后模式”。自顶向下的知识图谱构建方式，是指预先确定好实体和关系模式，再存入到数据库中。这种“先模式后数据”的构建策略，依赖于现有的结构化知识库作为支持。知识图谱的构建流程涉及多个步骤，首先是命名实体识别，然后是实体关系抽取，再进行知识融合，将不同来源的数据整合到一起，最后，进行知识存储等。将非结构化数据、结构化数据、半结构化数据经过知识抽取和知识融合转化为具有清晰结构的知识图谱，构建流程如图2.1所示。图2.1知识图谱构建流程2.1.4知识存储知识图谱是指将命名实体和关系转换成三元组后，存储到图数据库中，形成一个结构化的知识网络。这类知识图谱主要依赖于图数据库的方式来进行存储，图数据库以网络结构呈现知识图谱，其中实体作为节点，实体间的关系为连接线。目前市场主流的图数据库有Neo4j和AmazonNeptune等。本系统选用的是Neo4j作为图数据库，它运用图形结构来存储和管理数据，这些数据存储在网络上。Neo4j提供了Cypher查询语言，这一语言类似于SQL语言，专为图数据库设计，用于高效的执行查询和操作的命令。语法简洁易懂，可实现复杂的图查询。面向用户的方式表示和查询复杂的关系数据，具有可扩展性、高性能和灵活性等。Neo4j的应用场景广泛，如：社交网络分析、推荐系统、欺诈检测以及物流和供应链管理等领域。在推荐系统中，Neo4j可以构建基于图的推荐系统，通过分析用户、商品和其它相关数据之间的关系，提供推荐服务。2.2问句意图识别意图识别是指利用自然语言理解技术，通过分析问题句子，以确定该句子所表达的用户想要解决的问题的核心需求或意图。例如“抑郁症会引起嗜睡吗？”，这个属于抑郁症症状的问句，系统就会针对性地给出抑郁症相关信息。问句意图识别是自然语言处理中重要的任务，本质上是一个文本分类问题，旨在识别和理解提问者想要询问或表达的核心意图。具体可以分为基于规则、基于机器学习（如支持向量机）以及基于深度学习（如循环神经网络）等多种途径。随着深度学习技术的发展，基于神经网络的方法在问句意图识别任务中表现出了显著的性能提升。而问句意图识别的准确性对问答系统返回答案的质量有较大的影响，因此，提升问句意图识别的准确性对于优化问答系统的性能来说挺重要。在进行问句意图识别时，以下几个方面需要注意：（1）关键词和短语：某些关键词或短语可能是判断意图的关键线索。如，“产后抑郁症的发病部位？”，“发病部位”在这句话中就是识别意图的关键。（2）问题结构：问句的结构和语法也能提供意图的线索。如，特殊疑问句（“为什么”、“怎么样”等）可能与原因、方式或状态有关；一般疑问句（“是吗”、“可以吗”等）则可能与确认、请求有关。（3）上下文信息：理解问句的意图有时需要依赖上下文信息。如，我想接着上一个答案问问题或者我对上一个回答不满意，我希望得到新的回答。（4）领域知识：如果知识图谱是某些专业性要求高的领域，如医疗、法律、金融等，识别就需要依赖领域相关的专业知识。问句意图识别的应用领域，包括智能客服、搜索引擎优化、问答系统、对话系统等。通过识别问句的意图，系统可以更快地检索到答案，提供更有针对性的回答。如，在电商平台的智能客服中，问句意图识别可以理解用户是想购买商品、查询订单状态，还是进行投诉等。2.3问答系统2.3.1问答系统的概念问答系统，作为信息检索系统的一种重要形式，具备以自然语言回答用户问题的能力。常见的分类有：生成型与检索型，以及单论问答与多轮问答和面向开放领域与特定领域。经典的应用场景包括：淘宝在线客服、情感聊天类小助手等。2.3.2基于检索式的问答系统检索式问答系统，实质上是一种基于规则的问答系统。其核心功能，是将用户输入的问题和答案与预先编写的规则进行匹配，同时与数据库中的问题进行相似度比较。通过这种方式，系统能够找出与用户问题相似度最高的问题，并将相应的答案返回给用户。例如百度搜索引擎，它在原有功能的基础上，引入了知识图谱，包括分类、归纳功能，提供更加有序、清晰的搜索结果，提高检索效率。基于检索式的问答系统的工作流程如下：（1）收集问题和答案数据，并对其进行预处理和分词，构建相应的知识库。（2）把用户输入的问题分词、词性标注、命名实体识别等。（3）进行完命名实体识别，进行相似度比较，查找与用户问题相似度最高的答案。（4）最终，系统输出相似度最高的答案，并根据用户的反馈信息不断优化，提升问答系统的准确性。基于检索式的问答系统的优点是开发和维护成本低，且能够提供准确度较高的答案。但是也存在一些问题，如规则的制定和维护需要大量的人工操作，超出规则外的问题较难回答，在一些领域需要不断更新。2.3.2基于生成式的问答系统基于生成式问答系统不是简单的检索已有的答案，而通常使用深度学习技术，如神经网络等，根据一定的算法和模型来理解和分析问题的语义。例如，文心一言模型作为新一代知识增强大语言模型，通过深入学习和处理数万亿数据中，并融合，得到预训练大模型，具备与人对话互动、回答问题、协助创作等功能。基于生成式的问答系统的工作流程详述如下：（1）对用户输入的问题，进行分词、词性标注、命名实体识别等数据处理操作。（2）将处理后的问题输入到生成模型中，生成答案。（3）对生成的答案进行质量评估，包括语法正确性、语义准确性等方面的考量，输出符合问句意图的答案。基于生成式的问答系统的优点是具有和的灵活性和泛化能力，可以应对多样化问题和多义词情况。但也存在一些缺点，比如，需要大量的训练数据和优秀的算法、模型等。2.4文章小结本章对基于知识图谱的心理咨询问答系统介绍了需要用到的相关技术和理论。首先介绍了知识图谱构建技术，第三章就进行了知识图谱的搭建。接下来本章对问句意图识别和问答系统进行了阐述，便于第四章对心理咨询问答系统的搭建。问答系统属于本文最重要的技术。

3.知识图谱的构建3.1知识图谱构建流程在本文中，因为主要的研究内容是关于心理疾病方面的医疗类型，主要采用的是自底向上的构建方式。首先在知识抽取环节，对于半结构化数据，如网页上爬下来的数据，利用爬虫解析器进行知解析，再使用ALBERF-BiLSTM-CRF实体识别模型对解析完的数据进行抽取，然后通过知识融合技术整合，把知识图谱存入图数据库。构建流程如图3.1所示。图3.1知识图谱的构建流程图3.2数据收集及处理本文的数据分为两种：一是通过爬虫工具以定义具体规则的方式，从专业心理网站中，如闻医网，爬取半结构化数据，从中可以获得较为科学且完整的心理疾病医疗信息。二是非结构化数据，通过第四章的实体识别获得相关的医疗信息。图3.2闻医网忧郁症的截图如图3.2所示，该截图介绍了忧郁症的概述、病因、症状、治疗方法、并发症等等。信息具有极高的概况性。确定数据来源后，使用网络爬虫技术从网站上收集数据。爬虫的工作流程主要有以下内容：首先，从一个网页为起点，发送HTTP请求获取网页的内容。然后，对内容进行解析，提取出其中的链接形成一个链接池。从链接池中选择一个新的链接，并重复第二和第三步，这样就获取更多的网页内容和链接。对已经爬取的网页内容进行处理和存储，一般后端会收到一个response回答，一般为HTML、JSON等格式。然后，通过正则表达式、爬虫解析工具等方式对页面数据进行解析。最后保存数据。网络爬虫的流程图如图3.3所示。图3.3网络爬虫流程图Python语言有很多的第三方库，是网络爬虫的主流开发语言。在构建网络爬虫工具时，首先会利用到urllib库，这是一个专门用来处理网络请求的Python标准库。通过urllib库中的request模块，根据给定的URL地址和请求头，向目标网站发起请求。接着将使用parsel库的Selector模块。parsel库可以解析HTML和XML格式的数据，并支持XPath和CSS选择器，非常灵活且强大。在爬取网页内容的过程中，首先需要建立所有心理疾病的地址集合，即图3.4的URLs队列，为后续爬取疾病的详细信息做准备。图3-4是网站关于所有心理疾病的汇总，分为三个科室，共370种疾病，但其中有些疾病被重复记录，去除重复记录后，最终有245种不重复的疾病。图3.4闻医网心理疾病列表根据闻医网数据，本次爬取过程中，共涉及三个科室，其中“精神病科”和“心理咨询科”有两页记录，“成瘾医学科”一页，共5页。因此初始爬虫网站列表共5个URL地址。当网络爬虫开始爬取数据后，首先请求访问第一个地址，然后根据返回的HTML数据，提取内容。返回的内容中包含多个疾病名称和对应的详细地址。对返回的内容进行解析后，会提取出一个包含多个疾病内容的对象，通过遍历该对象依次获取多个疾病的名称和地址。疾病列表页面爬取完所有的疾病名称数据后，创建psychology_url.csv文件进行存储。该文件共两列，为“name”和“href”。第一列“name”用于存放疾病名称，第二列“href”存放疾病URL地址。图3.5是psychology_url.csv文件的部分存储内容。图3.5心理疾病爬取结果3.3知识抽取知识抽取是一个关键环节，旨在从不同来源和不同结构的数据种进行知识提取，形成知识存入知识图谱。本章进行知识抽取的主要内容，就是将之前获得的心理疾病医疗数据进行实体、关系和属性的定义和标准化处理，建立起“实体-关系-实体”和“实体-属性-属性值”的知识三元组，构成知识图谱的基本单元，以表达实体之间的语义关系。在本文中，由于数据源不同，因此需要对同一实体或属性的不同表述进行标准化，并且需要对数据表中的字段名进行处理，重新分类。首先逐行读取psychology_url.csv文件，获取文件第二列的“href”值，通过网络爬虫依次发送请求。在服务器返回的HTML数据中，根据所需要的属性等内容，利用CSS语法确定其位置。在浏览器中对网页的响应数据进行定位，可以使用浏览器的开发者模式，在网页上通过键盘的F12打开该模式。然后通过代码展开或文字搜索定位所需数据的位置，鼠标右键可以复制该数据的CSS路径，然后利用parsel库的Selector模块获取数据。遍历所有疾病的URL获取的属性结果，存储为psychology_detail.csv，然后转化为json，部分数据展示如图3.6所示。图3.6疾病属性爬取结果在爬取数据集后，对原数据进行数据预处理，主要包括分词、实体标注以及脱敏处理三部分。由于问答文本数据中包含着病人的家庭信息、致病经历等隐私信息，为保护个人隐私，并且减少无关数据的干扰，因此对文本数据进行脱敏处理。另外使用Jieba工具进行分词，比如“抑郁症不只是不开心”一句中，Jieba分词器可将其表述分解为“抑郁症/不只是/不开心”，能够帮助后续的特征表达和识别分类。在进行实体标注之前要先对实体类别进行定义，根据心理疾病文本系统数据内容可将医疗实体划分为七类，分别为疾病（Disease）、疾病别称（Alternate_name）、症状（Symptom）、病发部位（Pathogenic_site）、科室（Department）、检查（Check）、易感人群（Susceptible_crowd）。知识图谱实体类型如表3.1所示：表3.1知识图谱实体类型实体类型中文含义举例Disease疾病强迫症Alternate_name疾病别称强迫性障碍Symptom症状强迫行为、强迫观念、强迫性性行为、强迫性联想、强迫型人格障碍Pathogenic_site病发部位全身Department科室精神病科,心理咨询科Check检查头部MRI、头部CTSusceptible_crowd易感人群无人群限制complication并发症失眠、营养不良、抑郁症infectivity传染性该病不具有传染性heredity遗传性不遗传confusable_disease易混淆疾病精神分裂症、抑郁症、焦虑症expert_remind专家建议采取心理治疗为主，结合药物治疗，同时注重自我调节，保持积极心态，耐心应对治疗过程，以减轻症状并提高生活质量。知识图谱实体关系类型如表3.2所示：表3.2知识图谱实体关系类型实体关系类型中文含义举例disease_alternate_name疾病别名<社交恐惧症，疾病名称，社交恐惧症>disease_pathogenic_site疾病感染部位<社交恐惧症，感染部位，全身>disease_symptom疾病症状<社交恐惧症，症状,恐惧坐立不安>disease_check疾病所需检查<社交恐惧症，检查，头部CT脑电图(EEG)>disease_department疾病所属科室<社交恐惧症，科室，精神病科心理咨询科神经内科>disease_complication并发症<社交恐惧症，并发症，头痛心悸>disease_confusable易混淆病症<社交恐惧症，易混淆病症，惊恐障碍[间歇发作性焦虑]>disease_crowd疾病易感人群<社交恐惧症，易感人群，所有人群>disease_infectivity传染性<社交恐惧症，易感人群，不具有传染性>disease_heredity遗传性<社交恐惧症，易感人群，不具有遗传性>disease_heredity_susceptible_crowd专家建议<社交恐惧症，易感人群，内向和社交恐惧症不同就像容易紧张是焦虑症的一种表现但不能说容易紧张的人就是焦虑症患者>知识图谱属性类型如表3.3所示：表3.3知识图谱属性类型属性类型中文含义举例expert_remind专家建议患者忌吃带有刺激性的食物和烟酒，多吃些海产品、豆类、牛奶infectivity传染性该病不具有传染性heredity遗传性不遗传3.4知识存储Neo4j的数据存储结构由节点和边组成，节点是知识图谱中的实体，边则是知识图谱中的实体与实体或属性间的关系。Neo4j具有诸多显著优势：（1）高实用性和适用性，支持多种数据库的导入方式，且对数据库的操作较快。此外，Neo4j支持多种操作平台，在分布式和嵌入式部署有优异的性能。（2）符合数据库应有的原子性、一致性、隔离性、持久性四大ACID规则。（3）有内置的数据库操作语言Cypher，更直观地表示数据库操作语句，可以进行复杂增删改查等数据操作，可对知识图谱做可视化处理。知识图谱管理界面如图3.7所示。图3.7知识图谱管理界面经过之前知识抽取，已经获取了构建心理疾病知识图谱所需要的实体、关系和属性数据。接下来则需要将融合后的数据进行存储，本文决定采用Neo4j图数据库对知识图谱进行存储，完成心理疾病知识图谱的构建。利用Python编写代码，将数据导入数据库，图是导入知识图谱的部分代码。图3.8数据导入Neo4j部分Python代码展示本文中主要涉及的部分是图模式，子句及查询。因为知识图谱数据量大，所以我们只看300条实体与关系数据：“match(n)returnnlimit300”查询并展示图谱，如图3.9所示。图3.9部分知识图谱展示由于整体的知识图谱过大，仅展示‘产后抑郁症’的实体与联系。在neo4j通过Cypher查询语句match(n:disease{name:'产后抑郁症'})<-->(b)returnn,b进行查询，查询结果如3.10所示。图3.10产后抑郁症的知识图谱3.5本章小结本章主要介绍如何构建关于心理疾病的知识图谱，首先分析了知识图谱的构建流程；数据来源选择爬虫爬取的闻医网，将这些数据保存为csv，之后解析为json格式进行保存；在知识抽取阶段，定义实体和关系类型，将数据建立三元组作为知识图谱的基本单元；最后导入Neo4j图数据库进行知识存储，心理疾病知识图谱构建完成。4．命名实体识别与智能问答研究实体类型的识别是命名实体识别技术的核心功能，它为信息抽取、知识图谱构建以及问答系统等自然语言处理技术的实现奠定了坚实基础。通过这一技术，我们能够有效地从文本数据中识别并提取出各类实体，推动自然语言处理技术的发展和应用。4.1命名实体识别图4.1是命名实体识别的整体流程图。图4.1命名实体识别的流程图4.1.1实体抽取分析用户输入的问题时，准确识别问题中的实体对问答质量至关重要。所以，本章采用ALBERT-BiLSTM-CRF实体识别模型，旨在从数据中精确抽取实体信息，从而优化问答系统的性能。心理咨询问答文本的命名实体识别存在标注量较低等问题，并且心理疾病的命名实体有着特殊、严谨的专业术语。图4.2是实体抽取模型。图4.2实体抽取模型Albert-BiLSTM-CRF模型是一个结合了Albert预训练语言模型、双向长短期记忆网络（BiLSTM）和条件随机场（CRF）的序列标注模型。Albert作为一种预训练语言模型，能够有效地从大规模文本语料中提取特征，将文本转化为对应的向量表示。BiLSTM作为LSTM的改进版，通过双向编码机制，能够捕捉文本中的长距离语义信息。在模型中，BiLSTM层为每个单词生成对应各类别的分数，这些分数将作为CRF层的输入。CRF则是基于隐含马尔可夫模型（HMM）的变体，考虑了字符间的影响，从而计算出条件概率。在模型中，BiLSTM层的输出被用作CRF层的输入，CRF层通过学习标签之间的顺序依赖关系，最终得出精确的预测结果。在对数据进行预处理之后，将数据输入到ALBERT层进行训练，这一阶段，模型主要学习字词的语义和上下文信息。具体而言，输入的是文本中各个字词的原始词向量，而经过ALBERT层的处理后，输出的是融合了语义信息的字词向量表示。然后，在BiLSTM层中嵌入句子向量的语义表征信息，用于特征提取，利用softmax函数，计算每一个词语所对应的最大概率；然后，我们将经过ALBERT层处理后的向量表示作为CRF层输入，进行标记预测。通过CRF层解码模块，我们能够获取输入序列对应的最优标签序列。这一过程即实现了命名实体识别的最终效果，为我们提供了准确识别文本中实体的能力。4.1.2实体融合实体融合是指将各个数据来源中指向同一个实体的记录链接起来，从而充分整合来自多个来源的属性信息。在实际的融合过程中，链接的候选实体对需要按照不同属性的特点通过相似度衡量以有监督算法的方式判断究竟是否为同一实体。这通常需要训练集来训练分类器给属性分配不同的权重，然后将候选结果按照计算出相似度的高低依次分为成功集、复审集和失败集。词嵌入表示将文本中的字符或词语通过训练向量矩阵的方式，映射成包含上下文信息的低维稠密向量。通过词嵌入方法将文本转变为向量的形式，便可对文本进行计算。本文将此嵌入层分为字向量模块和词向量模块两部分，词向量采用已经训练好的向量集合，字向量模块随机初始化后训练而成。在词向量表示模块中，传统的BiLSTM模型会将一个词分为多个字符，分别进行训练，或者通过分词技术，分割出词汇进行训练。但本文并没有直接对文本进行分词操作，以免因分词错误造成的误差传播，影响模型效果。本文在字符训练的基础上，还会将字符与词汇库中的词汇进行匹配，获取相关词向量。根据不同位置的词频赋予词向量不同的权重。具体步骤如下：（1）首先遍历测试集，根据测试集的字符建立字典；（2）然后遍历字典，将字典中的每一个字符放到词汇库中进行匹配，找出所有包含该字符的词汇;（3）将该字符匹配到的词汇按照该字符所在位置进行分类，共分成三类：“开始”、“中间”和“结尾”；（4）将不同位置的词向量进行融合;（5）然后计算不同位置词汇占总匹配词汇的比例，将其作为权重与词向量进行计算;（6）将字向量和生成的词向量进行拼接，将结果传入BiLSTM模型。以图中所使用的“抑郁症”一词为例，首先将“抑郁症”中的第一个字“抑”在词汇库中进行匹配，找到所有包含“抑”字的词汇。然后将匹配到的词汇，根据“郁”字所在词汇中的不同位置进行分类统计，根据命名实体识别的标签要求，可分为实体的开头、中间和结尾三部分。最后根据三部分的数量计算占比，将占比作为权重和词向量进行融合，最后再和训练好的字向量进行融合，生成最终的向量，最后再将向量传入BiLSTM模型。4.1.3实体抽取示例图4.3和图4.4展示了用户问题的实体抽取结果。在测试过程中，输入“什么是狂躁症？”，可以成功识别并提取出属性（疾病：disease）和实体名称“狂躁症”。图4.3构造对应词类型图4.4用户问题实体抽取示例4.2智能问答在进行问答功能的实现前，先要完成问句意图分类，是根据基于特征词分类的方法，把问句的意图进行分类，如：“谵妄综合征该怎么治疗”，询问的就是专家建议；“谵妄综合征需要拍脑部CT吗？会有什么影响吗？”，询问的是谵妄综合征的检查项目。识别出问句的意图，能够更好的回答用户的问题。4.2.1问句意图分类本文在问句意图部分使用基于特征词的分类方法。基于特征词的分类方法，通常是在文本处理和信息检索领域中广泛应用的一种技术。它是通过分析文本中的特征词来对文本进行分类。这些特征词可以是关键词、短语或者更复杂的文本模式。基于特征词的分类方法有广泛的应用，如新闻分类、产品分类、情感分析等。通过准确地识别和利用特征词，可以显著提高文本分类的精度和效率。本文中构建的特征词主要是描述知识图谱中关系的词语，通过对特征词所属关系的判断，最终可以得到用户问题的意图、想法。根据人们日常生活中对心理问题的描述，创建不同的词库，特征词库如图4.5所示，并通过Python加载特征词，如图4.6所示。图4.5特征词库图4.6加载特征词通过对心理疾病知识图谱中数据的特点和特征词的研究，构建如表4.1的问句意图类型。表4.1问句意图类型表问句意图类型问句意图含义举例Prevent询问某病的预防措施抑郁症有哪些预防措施？Food询问某病的推荐事物抑郁症吃什么比较好Symptom询问某病的症状抑郁症有哪些症状？Pathogenic_site询问某病的病发部位抑郁症会有其他的并发症吗？Department询问某病的科室抑郁症挂什么科？Check询问某病的检查项目抑郁症要做哪些检查项目？Susceptible_crowd询问某病的易感人群抑郁症的易感人群？Cause询问某病的成因为什么会得抑郁症？以下是问句意图分析示例，通过向系统输入不同问题，系统能够识别出问题的不同意图，并且标记。图4.7利用classify函数，通过加载特征词，先收集问句中所涉及的实体类型，将问句类型扩展到question_type中图4.7意图分类代码4.2.2智能问答流程设计心理咨询系统最重要的模块就是问答功能，主要分为两部分，问句语义的深度解析和答案的精准检索。这两部分共同实现对用户输入问题的语义解读，并检索图数据库并返回答案。具体实现流程如下：用户在问答界面输入问题，通过Form表单提交后，后端响应请求并调用相应的视图函数，进一步激活实体识别模型。模型结合问题中的关系定义对问题类型，识别出的实体及其关系来构造Cypher查询语句。将查询结果嵌入预设模板，最终呈现前端界面。另外即根据查询语句，将相关实体和关系数据封装并转化为json数据格式。具体问答模块流程图，如图4.8所示。图4.8问答模块流程图以下为问答功能模块各任务具体实现方法：（1）问题类型定义通过上文问句意图识别，我们已经将问题划分。（2）语义解析问句解析的关键是实体识别，即是对问句中的实体和关系类型进行准确的提取。对于实体提取，本系统是采用第三章所搭建的ALBERT-BiLSTM-CRF命名实体识别模型进行实体抽取。该模型中包含了依存句法分析，对问句中各个成分及它们之间的修饰关系进行分析，这会促使问句理解更加符合中文习惯，有利于正确理解语义。之后根据第四章的实体及关系定义，抽取出问句中的实体间关系，对涉及的实体进行分类，获取以三元组形式存在的医疗知识，匹配人工构建的问题类型，预测用户问句意图。（3）查询语句转换在完成语义解析后，为了便于从知识库中查询相关心理疾病知识，需要将查询问句转换成Neo4j的Cypher语言，查询语句为“MATCH（n）where=‘实体名称’returnn”，当被归类为不同的实体类后，会生成相应的Cypher关系查询语句“MATCH（m:Disease）”，如图4.9所示。图4.9查询语句转换（4）答案检索与展示Neo4j图数据库使用Cypher语言在知识图谱中查询答案，如图4.10所示。对答案按图套入回复模板，已形成易于理解的自然语言，并将答案以文本的形式作为结果返回给前端界面，如图4.11所示。图4.10py2neo查询Neo4j中数据的基本步骤图4.11返回答案4.3本章小结本文围绕ALBERT-BiLSTM-CRF命名实体识别模型，首先阐述了此模型的整体架构，介绍了各层次的功能原理。然后从数据收集及预处理开始，通过爬虫爬取医疗网站问答数据，对这些数据进行分词、标注等处理，完成命名实体识别。再通过问句意图识别，将问句类型进行标注，最后检索知识图谱，回调套用模板，完成对问题的回答。

5.系统的设计与实现随着时代的发展和人们的需求，问答系统可以帮助用户更加方便、快捷、高效地了解心理疾病知识。5.1需求分析5.1.1用户需求分析随着社会的发展和技术的进步，人们安居乐业，蓬勃发展的生活中，也容易出现一些心理方面的问题。心理疾病问答系统的用户需求如下：（1）隐私和安全：用户通常期望他们的个人信息和心理健康状况得到保护，不被未授权的第三方访问。（2）准确性和可靠性：用户需要从系统中获得准确、可信赖的信息，包括疾病诊断、治疗方法和自我帮助建议。（3）易用性：系统应该易于导航，即使是对技术不太熟悉的用户也能轻松使用。（4）即时反馈：用户可能希望快速获得回答或支持，特别是在遇到紧急情况时。（5）个性化服务：根据用户的需求提供个性化的信息和建议。（6）支持和社区：为用户提供访问支持团体或心理健康专家的渠道，以便进行更深入的交流和获得专业帮助。5.1.2功能需求分析基于知识图谱的心理疾病问答系统需要有以下功能：（1）系统能够高效地处理用户提出的心理疾病方面的医疗问题，在处理问题时能及时结合数据库中的医疗知识做出响应，并且能逐步完善知识库中的医疗信息，形成更加完整的心理知识疾病知识库。（2）系统能够实现问句语义解析，通过实体识别模型识别语句中的实体，进行响应的依赖分析，构建“问句三元组”，根据相应的Cypher查询语言文本，生成图数据库检索代码，最终得出问题答案。（3）心理学领域是一个严肃领域，需要科学严谨的医疗知识，相关内容要做到安全可靠。在解决用户提问时，不失专业性的前提下，还要提供一些暖心的回答。（4）该系统应基于WEB开发，访问便捷，易于操作，界面简洁大方。5.2系统设计5.2.1核心任务设计问题回答系统最核心的两个关键任务为：语义解析和答案检索。语义解析的重点是分析用户输入和理解特定类型的问题，将用户的自然语言问句转变为清晰的逻辑性语言，问题被转换为词向量格式。然后用训练有素的实体识别神经网络模型来识别问题，从中提取相应的特征，并将它们与构建的问题特征字典结合起来，以确定问题的类型。答案检索之前将问句经过分词和知识抽取等一系列加工，再把分析结果映射到医疗知识图谱，答案检索主要由产生答案的查询语言组成，通过产生对应的Cypher语言检索数据库，完成查询功能。最后结合人为构建的答案模板组织语言，返回给用户。5.2.2系统功能模块设计根据上文分析以及系统需求，可以将系统分为用户功能、问答功能、图谱可视化功能、数据处理功能四大模块，如图5.1所示。图5.1问答系统功能模块（1）用户功能模块：负责区分用户类型，保证普通用户可以登录系统并正常访问页面，使用问答功能；管理员用户可以看到数据，并且可以处理数据和自检问答。（2）问答功能模块：对用户提出的问题进行语义解析，通过命名实体识别模型抽取问句中的实体类型。确定了问题类型后，通过代码生成的数据库查询语句，在图数据库中进行检索，得到问句答案并返回，完成用户和系统之间的交互。（3）知识图谱可视化功能模块：当获取到用于回答问题的知识信息后，通过预设的逻辑规则将这些知识转化为文本形式进行输出。此外，利用可视化库将知识中的心理疾病信息以图谱化的方式呈现，让用户对心理疾病有多方面的了解，提升兴趣。（4）数据处理功能模块：仅限管理员用户在登录之后对心理疾病知识库进行更新的操作（基于MySQL数据库），以保证知识库内的医疗信息可以持续补充或及时更正。5.2.3系统整体架构设计通过前文的分析，可以得到系统整体架构如图5.2所示。图5.2问答系统整体架构（1）数据层：数据层是心理问答系统的基础，它负责处理所有与数据相关的任务，包括知识采集及预处理和心理疾病知识图谱的构建。从专业网站上爬取心理疾病数据文本进行处理，抽取对应的实体、关系，构建知识图谱。（2）逻辑层：逻辑层是心理问答系统的核心，它连接数据层和业务层，负责命名实体识别、判定问题类型、构建查询语句和检索知识库。解析用户的查询，包括语言识别、分词、实体识别和意图理解，将自然语言转换为系统能够处理的结构化查询。查询知识图谱，从知识图谱中检索相关的答案并返回。（3）业务层：业务层是用户与系统交互的前端，提供用户界面和访问逻辑层功能的应用程序接口（API）。它主要负责以下方面：用户界面（UI）：设计直观、用户友好的界面，包括网页、移动应用端，以方便用户提出问题和接收答案。用户体验（UX）：确保系统易于使用，提供清晰的导航和有意义的反馈，以增强用户满意度。安全性和隐私保护：实施用户认证、数据加密和隐私保护措施，保护用户信息不被未授权访问或泄露。通过这三层的紧密协作，使基于知识图谱的心理问答系统能够提供准确、个性化的心理健康信息和建议，帮助用户了解他们的心理健康状况。5.3系统开发环境本系统使用前后端分离技术，后端用SpringBoot框架搭建，实现心理咨询问答系统的业务逻辑，主要包括数据处理、登录功能、问答功能、知识图谱可视化功能等。前端使用Vue框架对后端输出进行统一处理转化为图形界面。对于心理学知识图谱数据本系统选用Neo4j数据库进行存储，用户相关信息，缓存日志和服务运行日志本体系选用MySQL数据库进行存储。软硬件环境配置如表5.1所示：表5.1实验环境配置项目配置操作系统MicrosoftWindows10_x64CPUIntel(R)Core(TM)i7-1065G7CPU@1.30GHz图数据库Neo4j/MySQL运行内存16GBPython3.6.4框架Vue/Flask/SpringBoot/uni-app开发语言Python/Java/Cypher测试工具Postman5.4系统实现系统旨在实现一个前后端分离的Web应用系统，PC端采用Vue.js框架，负责与管理员进行交互，小程序端采用uni-app框架，负责用户的交互。前端技术：采用Uni-app技术，用于构建平台应用。该技术支持iOS、Android、H5、小程序等多个平台；Vue.js作为uni-app的基础框架，提供响应式数据绑定和组件化开发能力；Axios则是用于发送HTTP请求，与后端数据进行交互。后端技术：SpringBoot是快速构建Spring应用的框架，可以简化后端开发流程，方便开发者；MySQL用于存储系统数据。5.4.1用户功能模块微信小程序传统的登录方式一般是通过输入密码或者手机验证码实现登录。但在实际生活中，用户在使用小程序时，其实已经登录微信。所以，本系统只需要读取微信授权给小程序的用户信息，实现授权登录。具体通过前端调用wx.login()接口获取登录凭证（code），后端凭借code向微信服务器换取用户登录态信息，前端界面如图5.3所示，部分代码示例，如图5.4所示。图5.3用户授权登录界面图5.4获取登录凭证用户登录才能编辑用户个人信息，个人信息界面如图5.5所示，图5.5获取登录凭证部分会员信息渲染代码如5.6所示图5.6员信息渲染代码5.4.2数据处理功能模块（1）数据标注：主要功能是与标注工具相关的数据导入、数据浏览和数据保存等。数据导入主要分为数据预处理和数据存储。数据预处理阶段调用了多种函数来对原始数据进行清洗和转换，以便在页面加载时更好地展示。数据存储阶段则针对每个数据库创建DataFiles文件，将Json格式的数据写入到该文件中。数据浏览部分：通过API接口实现，可以在前端页面上实时查询数据库的基本信息、所有数据集的列表以及每个数据集的详细信息。具体而言，可以查看数据集的总数、已标注数据的数量和数据集的名称和ID等信息，还可以查看每个数据集下的数据节点列表，包括数据节点的文本及其所对应的节点和关系信息。数据保存部分：用于保存前端标注的数据。具体而言，函数可以将前端传来的标注数据按照一页一页地保存，每次只保存一个段落的数据。如果保存的数据与数据集中的文本相似，则会更新该文本的“nodes”和“rels”数据，并将更新后的数据再次写入到数据文件中。图5.7是本系统的数据处理的数据标注部分，图5.8是数据标注代码部分。图5.7数据处理部分的数据标注图5.8数据标注代码部分（2）数据爬虫：用户输入需要爬取的网址，点击“自动抓取”，后台针对相关网址进行爬虫，并返回进行格式化处理的数据，以便后续上传到数据集中进行处理。前端界面如图5.9所示，代码部分如5.10所示。图5.9系统数据爬虫界面图5.10系统数据爬虫部分代码5.4.3问答功能模块图5.11展示了PC端心理问答功能界面，图5.12展示了小程序端心理问答功能界面。图5.11PC端问答界面图5.12小程序端问答界面5.4.4图谱可视化配合检索与问答模块，实现回答与可视化知识图谱的共同展示，如图5.13所示。图5.13知识图谱展示界面5.5系统功能测试搭建完基于知识图谱的心理咨询问答系统后，需要进行功能测试。软件测试是指通过一定的手段和方法对系统进行全面、深入的检查和验证，以发现潜在的缺陷和问题。我们要用的测试用例是测试的基本单元，包括测试输入、预期结果和实际结果等。通过对测试用例的执行，可以评估系统是否满足本文的设计要求和功能需求，同时也能发现系统中存在的各种错误和异常情况，从而帮助开发者提高软件系统的质量和可靠性，降低开发成本和维护成本，提升用户的满意度和体验。该系统采用黑盒测试的方法，验证软件是否存在功能上的错误。测试过程中，将测试软件的正常流程是否符合预期，同时也会检查是否存在数据访问异常或数据结构设计错误等问题。这样可以确保软件在实际应用中能够正常运行并满足用户需求。本次系统测试重点在于对用户注册，登录，个人信息编辑，检索功能，问答功能以及图谱可视化功能进行测试。测试结果如表5.2所示。表5.2测试示例表测试功能具体操作测试输入预期结果实际结果注册在注册页面输入账号、密码用户名：liueng密码：991226用户注册成功符合预期登录在登录界面输入正确的账号和密码用户名：liueng密码：991226登录成功符合预期登录在登录界面输入错误的账号和密码用户名：liueng密码：hhh登录失败，提示账号或密码错误符合预期个人信息编辑在个人信息页面填写个人信息点击保存昵称：liueng性别：女出生日期：2001/12/19城市：浙江义乌职业：学生保存成功符合预期问答在问答界面输入问题抑郁症有哪些症状？得到正确回答符合预期实体识别选择数据集，点击数据标注输入数据集能够正确命名实体符合预期5.6本章小结本章主要实现了心理咨询问答系统。首先，对该系统进行用户需求分析和功能需求分析，明确了系统应到达的预期效果。接着，我们进行设计系统，包括逻辑层面上的设计。包括了从语义解析到答案检索，再到回答展示的完整流程。它是，也进行了业务层面的设计，包括问答功能、数据处理、用户管理以及知识图谱的可视化等各个功能模块的设计。在系统实现阶段，阐述所使用的软硬件设备和开发技术，详述实现开发过程中的细节问题。最后对该系统所实现的功能进行全面的测试与展示，验证系统的可行性和适用性。

6.总结与展望6.1总结基于知识图谱的心理咨询问答系统，希望能为更广泛的用户提供便捷、舒心的心理问答和对话。通过对知识图谱、命名实体识别、问答系统的学习，本文成功构建了能够理解和回答用户关于心理问题方面的智能问答系统。主要内容包括心理疾病知识图谱的构建，命名实体识别方法的使用，以及心理咨询问答系统的设计与实现。构建心理疾病知识图谱：通过爬虫技术爬取数据，解析和清洗完数据后，利用命名实体识别模型，对文本数据进行实体识别和关系提取，再利用Python构建三元组。最后将这些信息存入Neo4j图数据库，建立结构化的、易于查询的心理疾病知识库。问答方法研究：通过对用户问题的分析，包括实体识别、意图理解等，再利用Cypher查询语言在知识图谱中检索相关信息，返回查询到的数据，套入回答模板，为用户提供正确的答案和建议。问答系统实现：设计并实现一个用户友好的心理咨询问答系统。系统实现利用uni-app开发技术，集成了问答功能、心理健康资源推荐及用户管理等模块，为用户提供了一个便捷的心理咨询小程序。基于知识图谱的问答系统是人工智能领域的热点。该系统通过构建大规模的知识图谱，将各种实体、概念、关系等以图的形式进行表示，