在构建知识图谱的初始阶段，首先要确定知识图谱的中心数据——疾病：功能性胃肠病。然后以中心数据为基础，进行扩展和发散，以补充完整知识图谱。确定中心数据“功能性胃肠病”后，通过数据模型，确定其包含属性：名医、证型、临床症状、方剂、中药、中成药、相关疾病。根据初始建立的数据模型收集相关数据。

功能性胃肠病知识图谱的原始数据主要来源于现行教材，其他渠道（出版图书、期刊文献、名医经验、临床医案等）作为补充。教材中的知识属于非结构化数据，我们需要抽取实体、关系和属性：

l 实体抽取，也称为命名实体识别，此处的实体是指一个较大的概念，如疾病、证型、临床症状等等。

l 关系抽取，也就是实体和实体之间的关系，这是文本中的重要知识，但实体之间的关系在文章中并不是准确而清晰的，需要采用深度学习等技术手段（或者人工进行判断、抽取）将关系信息从全文中提炼出来。

l 属性抽取，也就是实体的属性信息，和关系比较类似，关系反映实体的外部联系，属性体现实体的内部特征，在功能性胃肠病知识图谱的实体构建中，为实体增加了属性“type”“id”和“system_type”，便于三元组的构建。

将所需数据抽取出来之后，将其转换为三元组的形式，然后对三元组的数据进行规范化整理。由于各地中医学术流派的不同、教材版本的不同、参考资料的不同，同一个实体可能出现多种表达方式。而且，实体之间的关系在表达上也有多种形式，所以实体的规范化表达和关系的准确性表达是数据整理的两个关键点。

经过知识抽取与知识融合，形成标准的数据表示（图2、3）。

节点导入公式：

:auto USING PERIODIC COMMIT LOAD CSV FROM "file:/nodes_pattern.csv" AS line create (a:pattern1 {name:line[0],type:line[2],system_type:'gastritis', id:line[1],label:line[5]})

图表 4导入实体“pattern（证型）”

边导入公式：

:auto USING PERIODIC COMMIT LOAD CSV FROM "file:/relation_has.csv" AS line MATCH (from:nodes{id:line[0]}),(to:nodes{id:line[1]}) merge (from)-[r:现象表达{type:line[2]}]-> (to)

图表 5导入关系“has（现象表达）”

图表 6功能性胃肠病知识图谱

将所有实体和关系导入之后，可以得到完整的功能性胃肠病知识图谱。

参考文献：

[1]杨任,游绍伟,詹亚梅,王文素.从心胃相关理论探讨功能性胃肠病[J].光明中医,2020,35(12):1805-1807.

[2]王作玉,杜锦辉.功能性胃肠病的中西医结合诊治进展[J].内蒙古中医药,2020,39(04):163-165.

[3]侯梦薇,卫荣,陆亮,兰欣,蔡宏伟.知识图谱研究综述及其在医疗领域的应用[J].计算机研究与发展,2018,55(12):2587-2599.