馬月坤，張可心，高 唱

（1.華北理工大學(xué) 人工智能學(xué)院，河北 唐山 063210；2.華北理工大學(xué) 河北省工業(yè)智能感知重點實驗室，河北 唐山 063210；3.北京科技大學(xué) 計算機與通信工程學(xué)院，北京 100083；4.材料領(lǐng)域知識工程北京市重點實驗室，北京 100083）

0 概述

辨證論治是中醫(yī)學(xué)的主要學(xué)術(shù)特色和價值體現(xiàn)，是醫(yī)家認(rèn)識和治療疾病的基本原則。方藥中先生在《辨證論治研究七講》［1］中對辨證論治理論體系進行了總結(jié)：辨證即通過四診并根據(jù)患者一系列癥狀表現(xiàn)進行病因、性質(zhì)、部位等方面的綜合分析，概括判斷出“證”；論治即在辨證的基礎(chǔ)上制定相應(yīng)的治療法則與措施。由于不同的醫(yī)家學(xué)術(shù)觀點常有不同，在“辨證”與“論治”中，存在如下兩種差異：第一種體現(xiàn)在辨證結(jié)果上，依據(jù)患者的癥狀表現(xiàn)，不同的醫(yī)家對病位、病性、病勢以及輕重的認(rèn)識各有側(cè)重［2］，根據(jù)自身習(xí)慣與經(jīng)驗可能從不同角度辨別證候［3-4］；另一種體現(xiàn)在用藥治療上，醫(yī)家依據(jù)多年的實踐經(jīng)驗，在治療時可能因為治療角度不同，使得所用的藥物也會存在差異［5-6］。因此，認(rèn)識和把握名老中醫(yī)辨證論治差異是中醫(yī)個性化知識繼承與發(fā)展的重要基礎(chǔ)，構(gòu)建能夠直觀體現(xiàn)差異的知識圖譜，在名老中醫(yī)診療經(jīng)驗的整合及診療規(guī)律的發(fā)現(xiàn)上具有重要意義。

近年來，中醫(yī)藥知識圖譜構(gòu)建被廣泛研究。劉凡［7］以姚乃禮醫(yī)師中醫(yī)脾胃病臨床經(jīng)驗為研究對象，構(gòu)建脾胃病知識圖譜，分析和展示姚乃禮醫(yī)師在脾胃病上的診療思路。也有部分學(xué)者利用多位醫(yī)家的臨床診療數(shù)據(jù)構(gòu)建不同中醫(yī)流派的知識圖譜。李新龍［8］分別對3 位醫(yī)家有關(guān)失眠癥的臨床醫(yī)案構(gòu)建知識圖譜，分別展示3 位醫(yī)家個性化辨證論治知識體系。張雨琪等［9］針對趙炳南、朱仁康的用方經(jīng)驗，構(gòu)建關(guān)于不同流派治療皮膚病的知識圖譜。盡管上述構(gòu)建的知識圖譜在一定程度上整合了多位醫(yī)家的診療經(jīng)驗，系統(tǒng)地建立了辨證論治知識之間的關(guān)聯(lián)，但是沒有直觀地體現(xiàn)不同醫(yī)家在某種疾病上的辨證規(guī)律和個性化用藥習(xí)慣。

本文以不同醫(yī)家在辨證論治中存在的兩種差異性為出發(fā)點，區(qū)別于目前的知識圖譜，構(gòu)建整合多位醫(yī)家辨證論治知識并且能夠直觀反映不同醫(yī)家辨證論治差異的知識圖譜，以體現(xiàn)名老中醫(yī)的辨證及用藥規(guī)律。

1 體現(xiàn)辨證論治差異的知識圖譜構(gòu)建思路

知識圖譜［10-11］是一種從數(shù)據(jù)中獲取知識，描述真實世界中存在的概念或?qū)嶓w以及概念、實體之間關(guān)系的技術(shù)方法。領(lǐng)域知識圖譜通常采用自頂向下的方式來構(gòu)建［12-13］，首先根據(jù)知識的層次與體系，確定實體類型與實體屬性以及實體間的關(guān)系，建立知識圖譜框架；然后從數(shù)據(jù)中提取實體與關(guān)系，以RDF三元組的形式關(guān)聯(lián)存儲知識，構(gòu)成知識圖譜。

本課題組前期收集婦科名老中醫(yī)臨床醫(yī)案，通過自頂向下的方式，分別為不同醫(yī)家建立婦科疾病診療的個性化知識圖譜。每個個性化知識圖譜中均包含由10 類實體、9 種關(guān)系組成的知識圖譜框架，以及對應(yīng)醫(yī)家醫(yī)案中涉及的實體與關(guān)系實例。根據(jù)本文需要，選取6 位在不孕癥診治上經(jīng)驗豐富的醫(yī)家個性化知識圖譜，利用其中的4 種實體類型、5 種關(guān)系以及相關(guān)的三元組，作為本文構(gòu)建體現(xiàn)不孕癥辨證論治差異知識圖譜的基礎(chǔ)，涉及的實體類型、關(guān)系、三元組示例如表1 所示。

表1 實體類型、關(guān)系、三元組示例Table 1 Examples of entity types，relationships，triples

已有的不孕癥知識圖譜以三元組為單位，獨立地存儲表達(dá)各醫(yī)家關(guān)于不孕癥的診療知識，無法直觀體現(xiàn)不同醫(yī)家的不孕癥辨證論治個性化差異。本文在此知識框架的基礎(chǔ)上，在與辨證論治有關(guān)的“癥證”和“證藥”關(guān)系中添加“doctor”和“value”屬性，分別體現(xiàn)不同醫(yī)家在辨證結(jié)果與用藥治療上的差異?！鞍Y證”關(guān)系與“doctor”和“value”關(guān)系屬性共同表示在某位醫(yī)家的醫(yī)案數(shù)據(jù)中癥狀在此證候中出現(xiàn)的典型程度。同樣，“證藥”關(guān)系與“doctor”和“value”關(guān)系屬性共同表示在某位醫(yī)家的醫(yī)案數(shù)據(jù)中用某中藥治療此證候的可能性。本文統(tǒng)一將“value”屬性值稱為實體間的關(guān)聯(lián)強度，具體關(guān)系屬性定義如表2 所示。

表2 關(guān)系屬性定義Table 2 Definition of relationship attributes

關(guān)聯(lián)強度的計算是本文構(gòu)建體現(xiàn)辨證論治差異知識圖譜的主要任務(wù)之一。由于概率軟邏輯［14-15］具有對關(guān)系型數(shù)據(jù)建模的能力，以及通過構(gòu)建邏輯規(guī)則描述數(shù)據(jù)之間關(guān)聯(lián)并進行可解釋性推理的優(yōu)點，因此本文根據(jù)辨證論治思想，構(gòu)建邏輯規(guī)則描述不孕癥知識之間的關(guān)聯(lián)，利用概率推理機制推理關(guān)聯(lián)強度。

將不同醫(yī)家不孕癥個性化知識圖譜融合為一個具有多位醫(yī)家診療經(jīng)驗的綜合知識圖譜是本文的另一個主要任務(wù)。近年來，利用圖神經(jīng)網(wǎng)絡(luò)進行知識融合成為研究熱點［16-18］，圖神經(jīng)網(wǎng)絡(luò)能夠很好地適用于知識圖譜結(jié)構(gòu)并在知識融合任務(wù)中表現(xiàn)出良好的性能。本文提出基于關(guān)系圖注意力網(wǎng)絡(luò)的知識融合（Relational Graph Attention network for Knowledge Fusion，RGAKF）模型，通過考慮不孕癥知識圖譜中關(guān)系對鄰域?qū)嶓w信息傳播的影響，更全面地融合多位醫(yī)家的不孕癥知識。

2 基于概率軟邏輯的關(guān)聯(lián)強度推理

2.1 不孕癥醫(yī)案數(shù)據(jù)預(yù)處理

本節(jié)通過PageRank［19］算法對每位醫(yī)家不孕癥醫(yī)案中癥狀、證候、中藥進行統(tǒng)計，作為后續(xù)概率軟邏輯推理關(guān)聯(lián)強度任務(wù)的基礎(chǔ)。具體步驟如下：

1）根據(jù)課題組已有數(shù)據(jù)，定義癥狀、證候、中藥3個集 合。癥狀集Symd={(Docdi，{sym1，sym2，…，symn1})}，其中，Symd為醫(yī)家d醫(yī)案中涉及的癥狀集合，Docdi代表醫(yī)家d所有醫(yī)案中的第i個醫(yī)案，{sym1，sym2，…，symn1}表示的是對應(yīng)于第i個醫(yī)案的癥狀集合；證候集Synd={(Docdi，{syn1，syn2，…，synn2})}，其中，Synd為醫(yī)家d醫(yī)案中涉及的證候集合，{syn1，syn2，…，synn2}表示該醫(yī)家醫(yī)案i中包含的證候集合；中藥集Medd={(Docdi，{med1，med2，…，medn3})}，其中，Medd為醫(yī)家d的醫(yī)案中涉及的中藥集合，{med1，med2，…，medn3}表示該醫(yī)家醫(yī)案i中包含的中藥集合。

2）分別以醫(yī)案節(jié)點為出鏈節(jié)點，以已有醫(yī)家醫(yī)案的癥狀集、證候集、中藥集中包含的節(jié)點作為入鏈節(jié)點，分別構(gòu)建癥狀PageRank 圖（Sym-prG）、證候PageRank 圖（Syn-prG）和中藥PageRank 圖（MedprG）。由于癥狀表現(xiàn)與醫(yī)家無關(guān)，因此只需構(gòu)建對應(yīng)所有癥狀的一個Sym-prG；而由于辨證論治過程中不同醫(yī)家辨證結(jié)果和用藥有所差異，因此在構(gòu)建證候和中藥兩類PageRank 圖時，需要分別針對不同醫(yī)家構(gòu)建相應(yīng)的Syn-prG 和Med-prG。

3）基于不同策略分別計算上述3 種PageRank 圖中對應(yīng)癥狀、證候、中藥節(jié)點的PageRank 值（以下簡稱為PR 值）。PR 值計算公式如式（1）所示：

其中：u表示某個具體的癥狀、證候或中藥；N表示構(gòu)建的PageRank 圖中包含的節(jié)點個數(shù)；v表示包含u的某一醫(yī)案；Bu表示包含u的醫(yī)案集合；L(v)表示v醫(yī)案包含的其他癥狀、證候或中藥的個數(shù)；a表示阻尼因子，通常取0.85。

以構(gòu)建Sym-prG、朱南孫Med-prG 為例，分別計算癥狀節(jié)點PR 值、朱南孫醫(yī)案對應(yīng)的中藥節(jié)點PR值。構(gòu)建的PageRank 圖與PR 值計算結(jié)果示例分別如圖1、圖2 所示。

圖1 癥狀PageRank 圖與結(jié)果示例Fig.1 Symptom PageRank graph and results example

圖2 中藥PageRank 圖與結(jié)果示例Fig.2 Medicine PageRank graph and results example

2.2 關(guān)聯(lián)強度推理

本節(jié)基于概率軟邏輯對關(guān)聯(lián)強度進行推理。概率軟邏輯具有邏輯謂詞與規(guī)則兩個要素，其中，每個邏輯謂詞具有［0，1］之間的軟真值，規(guī)則由邏輯謂詞組成。本節(jié)根據(jù)實體及實體間的關(guān)系定義邏輯謂詞，PR 值作為邏輯謂詞軟真值，通過自定義規(guī)則推理關(guān)聯(lián)強度。

基于謂詞表示方法，采用Rel(E1，E2)表示實體E1和實體E2以及它們之間的關(guān)系Rel［20-21］，從而構(gòu)建邏輯謂詞。通過表1 構(gòu)建相應(yīng)的邏輯謂詞如表3 所示。

表3 邏輯謂詞Table 3 Logical predicates

依據(jù)方藥中對辨證論治體系的總結(jié)，制定r1、r2兩條規(guī)則：

在r1中，BZ（B，Z）表示B 病具有Z 癥狀，BH（B，H）表示此醫(yī)家辨別為H 證候，那么在B 病中，Z 癥狀與H 證候有關(guān)聯(lián)。在r2中，BH（B，H）表示此醫(yī)家辨別為H 證候，BY（B，Y）表示此醫(yī)家使用Y 中藥，那么在B 病中，H 證候和Y 中藥有關(guān)聯(lián)。其中，“BZ”“BH”“BY”3 種邏輯謂詞的軟真值分別為癥狀、證候、中藥PR 值，“ZZ”“ZY”兩種邏輯謂詞的軟真值通過概率軟邏輯計算的每條規(guī)則的距離滿意度來推理。距離滿意度計算方法為：

其中：I(rbody)為規(guī)則中箭頭前規(guī)則體的軟真值；I(rhead)為規(guī)則中箭頭后規(guī)則頭的軟真值。規(guī)則體軟真值的運算方法為：

其中：l1、l2為邏輯謂詞，如BZ（B，Z）；I(l1)、I(l2)表示l1、l2的軟真值。

本文采用概率軟邏輯最常用的推理方法——最大概率推理進行推理。由于軟真值取值采用連續(xù)數(shù)值，因此最大概率推理求最優(yōu)解過程可以轉(zhuǎn)換為凸優(yōu)化求解。

本文定義的用于“癥證”關(guān)聯(lián)強度和“證藥”關(guān)聯(lián)強度推理的概率軟邏輯的概率分布如式（8）所示：

其中：R為規(guī)則集合；Z為歸一化因子；d(r)表示規(guī)則r的距離滿意度；p表示邏輯謂詞的階，本文取p=1；λr為規(guī)則r的權(quán)重，由于本文涉及的兩個規(guī)則同等重要，因此λr取值均為1。

概率軟邏輯以本文定義的兩條規(guī)則以及邏輯謂詞的軟真值作為輸入，通過計算概率分布中的規(guī)則距離滿意度，應(yīng)用最大概率推理機制推理“ZZ”和“ZY”兩種邏輯謂詞的軟真值，即“癥證”關(guān)聯(lián)強度與“證藥”關(guān)聯(lián)強度。

2.3 關(guān)聯(lián)強度結(jié)果分析

以“月經(jīng)量少”癥狀為例，概率軟邏輯推理的“癥證”關(guān)聯(lián)強度結(jié)果示例如表4 所示。

表4 “癥證”關(guān)聯(lián)強度結(jié)果示例Table 4 Results sample of correlation strength of "symptom and syndrome"

表4 中“癥證”關(guān)聯(lián)強度這一列數(shù)值代表的是不同醫(yī)家認(rèn)為“月經(jīng)量少”癥狀在不同證候中的典型程度，能夠證明不同醫(yī)家針對“月經(jīng)量少”的辨證結(jié)果存在差異。

以“氣滯血瘀”證候為例，概率軟邏輯推理的“證藥”關(guān)聯(lián)強度結(jié)果示例如表5 所示。

表5 “證藥”關(guān)聯(lián)強度結(jié)果示例Table 5 Results sample of correlation strength of "syndrome and medicine"

表5 中反映了不同醫(yī)家在治療“氣滯血瘀”時的用藥規(guī)律，其中，“證藥”關(guān)聯(lián)強度這一列數(shù)值具體表征了不同醫(yī)家在治療同種證候時的用藥差異。

3 基于關(guān)系圖注意力網(wǎng)絡(luò)的知識融合模型

3.1 問題定義

定義KGd=(Ed，Rd，Td)為醫(yī)家d的不孕癥個性化知識圖譜，其中，Ed為醫(yī)家d的醫(yī)案中包含的實體集合，Rd為醫(yī)家d的醫(yī)案中包含的關(guān)系集合，Td=（h，t，r）為三元組集合。為了描述不同知識圖譜中的相同實體節(jié)點，定義如下集合：

其中：m、n表示個性化知識圖譜編號；k為KGm與KGn中相同實體對的個數(shù)。

知識圖譜融合任務(wù)可以定義為分別在多個醫(yī)家的個性化知識圖譜中挖掘相同實體，并以此為基礎(chǔ)，將多個個性化圖譜融合為一個綜合性知識圖譜，其關(guān)鍵在于如何利用知識圖譜KGi和知識圖譜KGj中包含的知識元組及預(yù)先定義好的相同實體節(jié)點集合Sij，并通過本文提出的基于關(guān)系圖注意力網(wǎng)絡(luò)的知識融合模型，對兩個知識圖譜中包含的未知相同實體進行預(yù)測。

3.2 RGAKF 模型介紹

3.2.1 RGAKF 模型框架

本文提出的RGAKF 模型框架如圖3 所示。在該模型中，針對圖注意力網(wǎng)絡(luò)［22-23］中存在的對鄰域?qū)嶓w進行傳播聚合時未考慮關(guān)系對實體影響的問題，提出一種關(guān)系圖注意力網(wǎng)絡(luò)，實現(xiàn)實體和關(guān)系信息的同步鄰域信息傳播聚合，達(dá)到對實體向量語義增強的目的。

圖3 RGAKF 模型框架Fig.3 RGAKF model framework

如圖3 所示，通過RGAKF 模型實現(xiàn)了朱南孫不孕癥知識圖譜KG1中“黨參”節(jié)點與蔡小蓀不孕癥知識圖譜KG2中“黨參”節(jié)點是否為同一實體的判定。具體過程為：首先，將KG1和KG2中的實體和關(guān)系進行初始化嵌入；然后，利用RGAKF 中的關(guān)系圖注意力網(wǎng)絡(luò)，實現(xiàn)“黨參”節(jié)點周圍的二跳關(guān)系與二跳鄰域節(jié)點實體的信息聚合，得到豐富的實體向量表征；最后，通過曼哈頓距離函數(shù)對是否為相同實體進行預(yù)測。

3.2.2 關(guān)系圖注意力網(wǎng)絡(luò)

在中醫(yī)知識圖譜中，同一實體在不同關(guān)系下扮演著不同的角色，例如“乏力”這一實體，在“病癥”關(guān)系下，“不孕癥”與“乏力”之間為“包含”之意，而在“癥證”關(guān)系下，“乏力”與“肝腎陰虛”之間則為“被導(dǎo)致”之意，因此，知識圖譜中的關(guān)系屬性對實體含義的表達(dá)至關(guān)重要。關(guān)系圖注意力網(wǎng)絡(luò)考慮關(guān)系對實體信息表達(dá)的影響，將實體節(jié)點鄰域中表示關(guān)系的邊的信息和表示實體的節(jié)點的信息進行加權(quán)聚合，獲得實體節(jié)點的富語義表征。

1）模型的注意力機制

上文中提到的加權(quán)聚合的權(quán)重矩陣通過知識圖譜中的知識轉(zhuǎn)化而成，具體做法是將知識圖譜中知識三元組轉(zhuǎn)化為注意力系數(shù)，該系數(shù)構(gòu)成的矩陣就是對應(yīng)的權(quán)重矩陣。注意力系數(shù)計算方法如圖4所示。

圖4 注意力系數(shù)的計算過程Fig.4 Calculation process of attention coefficient

通過對實體向量和關(guān)系向量拼接并進行線性變換得到三元組的向量表示：

其中：ei、ej、rk分別為實體i、j以及關(guān)系k的向量表示；W1為線性變換矩陣；“||”表示拼接操作。

通過矩陣W2對三元組向量表示進行線性變換，利用LeakyReLU 函數(shù)得到每個三元組的注意力系數(shù)：

使用Softmax 函數(shù)將注意力系數(shù)歸一化，得到每個三元組的注意力權(quán)重：

其中：N(i)表示i實體的鄰居節(jié)點；R(in)表示i節(jié)點與鄰居節(jié)點之間的關(guān)系集合。

2）鄰域節(jié)點信息聚合

通過聚合與實體相關(guān)的一階三元組向量及注意力權(quán)重，得到新的實體向量：

疊加多層RGAKF，通過逐階迭代的方式聚合實體更遠(yuǎn)的鄰居節(jié)點信息，第h層聚合之后得到的實體向量表示為：

其中：tijk(h-1)為經(jīng)過h-1 層的信息傳播聚合生成的三元組向量。

3.3 模型訓(xùn)練

本文利用式（15）所示的曼哈頓距離計算公式來計算實體之間的相似度：

本文通過一組相同實體對集合訓(xùn)練RGAKF 模型，使用式（16）所示的Hinge Loss 作為損失函數(shù)：

其中：Sij'為針對實體對(ei，ej)構(gòu)造的負(fù)例集合；負(fù)例實體對(ei'，ej')中的實體分別是在KGi和KGj中隨機選取的實體；β為分割正負(fù)例的邊界超參數(shù)。

4 實驗結(jié)果與分析

4.1 RGAKF 實驗結(jié)果

本文使用Hit@N和MeanRank 來評估RGAKF模型在知識融合任務(wù)中的性能。Hit@N計算正確的實體在預(yù)測列表中前N個候選實體中排名的比例，本文設(shè)置N為1、10、30。MeanRank 計算正確的實體在預(yù)測列表中的平均排序位置。本文將朱南孫不孕癥知識與其余5 位醫(yī)家的不孕癥知識分別進行組合，利用5 組數(shù)據(jù)從兩個方向上分別測試RGAKF 的性能，實驗結(jié)果如表6 所示。

表6 RGAKF 實驗結(jié)果Table 6 RGAKF experimental results

由表6 可以得出：本文提出的RGAKF 模型在朱南孫-錢伯煊數(shù)據(jù)集上4 個指標(biāo)均表現(xiàn)出了最優(yōu)的性能，在另一個方向上的錢伯煊-朱南孫數(shù)據(jù)集上，Hit@1、Hit@10 及Hit@30 均表現(xiàn)出了最優(yōu)的性能；在朱南孫-蔡小蓀數(shù)據(jù)集上Hit@1、Hit@10及MeanRank效果較差，在李祥云-朱南孫數(shù)據(jù)集上Hit@1、Hit@10效果較差。經(jīng)過分析，原因在于朱南孫-錢伯煊數(shù)據(jù)集中數(shù)據(jù)完備，模型訓(xùn)練充分，而朱南孫-蔡小蓀、李祥云-朱南孫兩組數(shù)據(jù)集數(shù)據(jù)的完備性較低，導(dǎo)致模型訓(xùn)練效果較差。因此，表6 結(jié)果證明了RGAKF 模型在知識融合任務(wù)中的有效性。

4.2 基于Neo4j 的知識圖譜可視化

通過RGAKF 得到6 位醫(yī)家的不孕癥知識圖譜中的相同實體，對相同實體統(tǒng)一編碼，實現(xiàn)知識的融合。本文將實體、關(guān)系存儲為CSV 文件，使用Cypher 語言的LOAD CSV 語句將存儲為CSV 文件的數(shù)據(jù)導(dǎo)入到Neo4j 數(shù)據(jù)庫［24-25］中，利用Neo4j 圖數(shù)據(jù)庫可視化得到圖5 所示的不孕癥知識圖譜，兩個子圖顯示“癥證”關(guān)系和“證藥”關(guān)系分別在“doctor”和“value”屬性下的可視化結(jié)果。

圖5 知識圖譜可視化結(jié)果Fig.5 Visualization results of knowledge graph

在知識圖譜中查詢6 位醫(yī)家關(guān)于“經(jīng)血挾塊”的辨證結(jié)果，部分示例如圖6 所示，其中，關(guān)聯(lián)強度最大的用粗箭頭表示，第二位的用標(biāo)準(zhǔn)箭頭表示，其他結(jié)果用虛線箭頭表示。由圖6 結(jié)果可知，在“經(jīng)血挾塊”的辨證上，朱南孫、張淑亭、錢伯煊、蔡小蓀可能辨別為氣滯血瘀，楊宗孟從肝旺瘀阻與脾腎虧虛入手，錢伯煊、朱南孫辨別為腎氣不足的可能性也比較大，李祥云則更多得辨別為肝經(jīng)郁結(jié)型。由此可見，通過構(gòu)建的知識圖譜可以體現(xiàn)不同醫(yī)家的辨證結(jié)果差異。

圖6 6 位醫(yī)家關(guān)于“經(jīng)血挾塊”的辨證結(jié)果Fig.6 Syndrome differentiation results of "menstrual blood impingement" among six doctors

在知識圖譜中分別查詢6 位醫(yī)家關(guān)于“氣滯血瘀”的用藥結(jié)果，如圖7 所示，其中，關(guān)聯(lián)強度前兩位的用粗箭頭表示，關(guān)聯(lián)強度較強的用標(biāo)準(zhǔn)箭頭表示，其他結(jié)果用虛線箭頭表示。

圖7 6 位醫(yī)家關(guān)于“氣滯血瘀”的用藥結(jié)果Fig.7 The medication results of "Qi stagnation and blood stasis" by six doctors

由查詢結(jié)果可知，楊宗孟常用阿膠、仙茅、川續(xù)斷來治療，李祥云更擅長用大血藤、巴戟天、益母草等，朱南孫常用生蒲黃、茜草、絲瓜絡(luò)、川楝子，而張淑亭更擅長用蒲公英和芡實。本文參考《中醫(yī)大辭典》［26］可知：阿膠、生蒲黃、茜草都?xì)w經(jīng)于肝，具有止血的功效；仙茅、川續(xù)斷、巴戟天、芡實都有補腎功效；大血藤、蒲公英都有清熱解毒的功效等。由此可知，楊宗孟更擅長通過補腎治療不孕癥，朱南孫更習(xí)慣用具有活血化瘀功效的中藥等。通過構(gòu)建的知識圖譜可以直觀體現(xiàn)不同醫(yī)家的用藥差異。

5 結(jié)束語

不同醫(yī)家的辨證論治存在辨證結(jié)果和用藥習(xí)慣兩個方面的差異，本文以6 位醫(yī)家不孕癥知識為基礎(chǔ)，構(gòu)建一個既整合6 位醫(yī)家不孕癥診療知識又能夠體現(xiàn)辨證結(jié)果與用藥治療差異的知識圖譜。通過概率軟邏輯對關(guān)聯(lián)強度進行可解釋性推理，利用融合關(guān)系信息的RGAKF 模型實現(xiàn)不孕癥辨證論治知識融合。實驗結(jié)果證明了RGAKF 模型在知識融合任務(wù)中的有效性。通過本文構(gòu)建的知識圖譜直觀地體現(xiàn)辨證論治差異，有利于中醫(yī)個性化診療知識的傳承與發(fā)展。本文通過研究發(fā)現(xiàn)，患者從患病到痊愈是一個動態(tài)的過程，若在知識圖譜中增加醫(yī)案中診次信息的相關(guān)細(xì)節(jié)內(nèi)容，則知識圖譜中的知識會更全面。因此，下一步考慮在知識圖譜中添加患者病程信息，以體現(xiàn)患者不同診次間的辨證論治差異。