Python搭建Bert-BiLSTM-CRF与Neo4j知识图谱实现心理疾病咨询问答系统|附AI智能体、代码和数据

从爬取结果的json文件中读取数据，解析每条疾病数据并分类存储到相应列表中，包括疾病名称、别名、感染部位、症状、检查项目、科室、并发症、传染性、遗传性、易感人群以及专家建议等。

首先通过CQL命令在Neo4j数据库中创建节点：

建立节点之后，创建节点之间的关系，通过CQL命令在Neo4j数据库中创建关系：

最后为节点添加属性：

使用Neo4j Browser功能对已存储的知识图谱进行可视化展现：

知识图谱共有七种实体类型，每种实体类型的属性数量如上图所示。

代码：MATCH (n:disease{name:''})<-->(k) return n,k

代码：match(n:department{name:'精神病科'})<-->(qq) return n,qq

代码：match(n:symptom{name:'幻觉'})<-->(qq) return n,qq

阅读原文进群获取完整内容及更多AI见解、行业洞察，与900+行业人士交流成长。

在知识图谱构建完毕的基础上，对心理咨询问答功能进行设计，主要分为用户问句的实体抽取、意图分类和系统回答三部分，完成对用户问句的语义分析并返回答案。

首先通过Bert-BiLSTM-CRF模型从用户问句中提取实体，提取出来的实体需要和词典进行匹配，保存匹配成功的实体。然后对用户的意图通过基于特征词的方式进行分类。最后将得到的实体和问句意图转化成Neo4j图数据库的Cypher查询语句，在已构建好的心理疾病知识图谱中查询信息，并将信息组合成符合表达习惯的语句。

最终系统能够解答用户在心理方面的问题。例如用户输入"躁郁症有什么症状？"，系统回答"躁郁症的症状有妄想、易激惹、情感高涨、思维奔逸"，实现人机交互功能。

从开源项目获取Bert-BiLSTM-CRF原始模型代码，解读并学习其代码结构。

目前市面上没有与心理疾病问诊相关的开源完善数据集，因此自主构建了一份小样本数据集，用于在Bert-BiLSTM-CRF预训练模型上进行训练。

数据集共有3类标签（实体）：disease（疾病）、symptom（症状）、check（检查项目）。使用BIO标注模式进行标注：

• B（Beginning）：表示实体的开始，如"儿"标记为B-disease
• I（Inside）：表示实体的内部，如"童分离性焦虑症"后续字符标记为I-disease
• O（Outside）：不属于任何实体的词，如"的"、"是"、"什么"、"？"标记为O

最终构建完成的数据集中，训练集126条数据，测试集58条数据。

使用自制数据集对模型进行训练，根据训练结果对数据集进行不断的调整与优化，前后共进行几十次训练。

评估指标如下：

在经过数据集的多次修改与迭代、模型多次训练后，最终确定的模型性能指标如下：

输入用户问题"抑郁症怎么预防"，模型将疾病类型（disease）的医疗实体"抑郁症"正确预测出来：

本文构建的特征词主要是对知识图谱中关系描述的相关词语，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。针对不同种类的问题创建了不同的词库。

疾病实体预测与用户意图分类虽然在逻辑上是两个步骤，但在代码文件（predict.py）中顺序执行，方便后续将两者结果转换成Cypher查询语言。

首先使用NER模型对用户问句进行疾病实体识别，将其转换成合适的格式，保留识别出的医疗实体和其类型。

根据预定义的关键词和预测出的实体类型，判断用户问句属于哪种意图类别。主要意图类别包括疾病与症状之间的关系、疾病的并发症、疾病的检查项目、检查项目对应的疾病、疾病的防御措施、易感染人群等。

以两种问句类型为例：

• 已知症状查疾病：检查问题中是否包含症状关键词，同时医疗实体中有疾病类型，则问题类型设置为'disease_symptom'
• 已知检查项目查相关疾病：检查问题中是否包含检查关键词，同时医疗实体中有检查类型，则问题设置为'check_disease'

对不符合条件的问句进行默认设置，如识别到疾病相关实体但未识别出用户意图：将问题设置为'disease_symptom'或'symptom_disease'，如输入"早恋"，自动查询其相关症状描述。

应用案例：

用户问句处理的最后一步，是根据前两个部分预测出的疾病实体与用户意图，构造Cypher查询语句，生成不同类型的查询语句。

应用案例——疾病实体为"口齿不清"，用户意图为"symptom_disease"即症状导致的疾病：

其中(m:disease)匹配疾病节点，[r:has_symptom]匹配疾病与症状之间的关系边，(n:symptom)匹配症状节点，where n.name = ''过滤条件确保只匹配特定症状，return m.name, r.name, n.name指定查询返回内容。

系统采用简约风格，设置了三个功能版块："知识图谱"、"问答机器人"、"心理测评"。

前端主要使用Flask框架以及html、css、js。Flask是轻量级Python Web应用框架，简单灵活易于使用。html负责页面结构，css指定系统样式与界面风格，js存储功能函数与交互逻辑。

连接数据库使用neovis.js，它是Neo4j和vis.js的结合体，可以实现图数据库的读取与可视化。图形可视化由vis.js提供，数据来自Neo4j。neovis.js构建在D3.js之上，针对Neo4j数据库特点进行了定制化开发。

初次使用时需要设置本地neo4j数据库的账号密码，根据本地数据库中的节点结构定义节点和关系样式以及图形可视化的配置参数。

用户在前端页面输入问句后，系统将问题输入模型内，调用模型对用户问句进行处理，识别实体以及用户意图，再利用识别到的实体和意图对问题进行分类，调用question_parser.py，根据分析出的内容编写Cypher语句以便后续查询neo4j数据库。

连接neo4j数据库，根据Cypher语句查询数据库，得到反馈值后根据相应问题的模板进行回答撰写，将编写好的答复内容生成消息样式填充到页面上。

知识图谱构建测试——测试知识图谱的完整性和准确性：

读取通过网络爬虫获取的数据后存入neo4j数据库，检验数据库已成功存入数据。

问答功能测试——评估问答系统的准确性和用户满意度：

使用常见的心理健康问句进行询问，测试结果成功，问答机器人可以及时做出正确反应。

最终确定的模型性能评估分析：

1. 损失函数：训练过程中损失函数不断降低，说明模型在不断学习和优化
2. 三类实体的类别性能：disease类别F1分数达到0.98，symptom类别F1分数为0.89，check类别F1分数为0.70

check类别表现相对较差，这是数据集不均衡导致的——check类别训练数据最少（仅10条），后续可通过扩充数据量或使用数据增强策略进一步提高该类别性能。

3. 从微平均、宏平均和加权平均的F1分数来看，模型整体表现良好，加权F1达0.93，召回率达0.95

系统查询时间较短，在可接受响应时间范围内，较快的响应速度为用户提供了流畅的使用体验。

1. 领域知识注入CRF转移矩阵：在CRF初始化时利用心理疾病NER的BIO标签约束规律，为B→I同类别转移设置较高初始分数，B→O跨类别转移设置较低分数，提升标签序列的合法性约束，这是针对小样本NER任务的关键优化
2. 特征词库+NER模型的双引擎意图识别：传统方法依赖单一模型做意图分类，本系统采用特征词库匹配与NER实体识别的双引擎协同，在心理疾病领域规模有限的情况下实现高效准确的意图判断
3. 端到端心理咨询问答系统：从数据爬取到知识图谱构建、从NER模型训练到问答系统上线，全流程可复现、可部署，为心理健康咨询平台提供实际的智能化服务能力，加权F1达0.93，响应时间在可接受范围内

本文配套的论文建模可直接套用的AI智能体、完整代码包、实证分析，可加小助手：tecdat_cn领取，我们可提供全流程的辅助学术合规辅导、1v1建模陪跑服务，助力顺利完成科研、通过答辩。

作者系心理疾病数据挖掘与知识图谱领域分析师，拥有多年心理健康领域数据挖掘与NER模型训练经验。