文章详情

摘要

文章针对民族医药知识分散、难以系统化利用及智能化查询的问题，依托中国民族药大数据平台，采集并清洗了55个少数民族药材的结构化数据。创新性提出“民族药数据立方模型”，明确定义民族、药材、病症三元域及其映射关系，支持多维度闭环推理与动态交叉验证。该模型有效解决了“药材跨民族使用”“相似病症异药同治”等复杂规律的动态挖掘难题，提升了知识关联分析能力。进一步，结合LangChain框架构建知识图谱问答系统，针对上下文理解与查询控制局限，提出上下文重构链与约束式Cypher查询生成机制，有效解决了语义解析精度不足的问题，提升了问答准确性。结果表明：数据立方模型能有效揭示药材跨民族使用等规律；所提问答机制在解析精度和回答准确性上优于基线方法，验证了其可行性与有效性。该系统融合Neo4j与大语言模型技术，支持用户以自然语言交互式探索药材核心知识，为民族医药知识的系统性组织、智能应用与数字化传承提供了新路径。

关键词

民族药材；知识图谱；LangChain；LLM；智能问答

参考文献

1. [1] 孙晓明，张小会，王海峰，等.中国民族药产业现状及发展策略 [J].中国实验方剂学杂志，2020，26（12）：195-202.
2. [2] 朱兆云.民族药传承创新发展路径探索 [J].中国食品药品监管，2023（12）：12-17.
3. [3] 贾敏如，张艺，严铸云，等.中国民族药的品种和使用现状 [J].世界科学技术-中医药现代化，2015，17（7）：1546-1550.
4. [4] 何韩娇，闫飞，龙毅.我国少数民族外用药的应用现状及发展 [J].山西中医药大学学报，2023，24（5）：584-590.
5. [5] AMIT S. Introducing the Knowledge Graph: things, not strings. America: Official Blog of Google [EB/OL].(2012-05-16)[2025-04-25].https://googleblog.blogspot.com/2012/05/introducing-knowledge-graph-things-not.html.
6. [6] 于彤，李敬华，于琦，等.中医养生知识图谱的构建与应用 [J].中国数字医学，2017，12（12）：64-66.
7. [7] 黄魏龙.基于深度学习的医药知识图谱问答系统构建研究 [D].武汉：华中科技大学，2019.
8. [8] 阮彤，孙程琳，王昊奋，等.中医药知识图谱构建与应用 [J].医学信息学杂志，2016，37（4）：8-13.
9. [9] 曹皓伟，徐建良，窦方坤.基于Neo4j生物医药知识图谱的构建 [J].计算机时代，2020（6）：35-38.
10. [10] 付洋，刘茂福，乔瑞.心脏病中文知识图谱的构建 [J].武汉大学学报：理学版，2020，66（3）：261-267.
11. [11] 郑光敏，易天源，唐东昕，等.基于BERT-BiLSTM-CRF模型的中国民族药知识抽取 [J].武汉大学学报：理学版，2021，67（5）：393-402.
12. [12] 张晨童，张佳影，张知行，等.融合常用语的大规模疾病术语图谱构建 [J].计算机研究与发展，2020，57（11）：2467-2477.
13. [13] 王菁薇，肖莉，晏峻峰.基于Neo4j的《伤寒论》知识图谱构建研究 [J].计算机与数字工程，2021，49（2）：264-267，396.
14. [14] 崔研伟，高屹.藏医药知识图谱检索系统设计与开发 [J].西藏科技，2024，46（10）：74-80.
15. [15] 宋海涛，陈达，高军礼，等.基于GPT模型的医疗知识图谱构建方法 [J].信阳师范大学学报：自然科学版，2025，38（3）：289-296.
16. [16] 李晴.基于民族医药知识图谱的构建和问答系统研究 [D].贵阳：贵州大学，2023.
17. [17] 李晴，唐东昕，贺松.基于Albert模型的民族医药知识图谱构建 [J].计算机时代，2022（9）：6-11.
18. [18] 乔波，周子濠，袁铨.基于专业书籍和网页数据的中医药知识图谱设计与实现 [J].安徽农业科学，2024，52（21）：222-226，232.
19. [19] 李儒婷，吴翔宇，张翼飞，等.基于Neo4j构建《海药本草》知识图谱的研究 [J].广州中医药大学学报，2024，41（11）：3063-3069.
20. [20] 潘辉.大语言模型的技术发展研究 [J].造纸装备及材料，2025，54（1）：53-55.
21. [21] OLIVIER C，BLETE M-A. Developing Apps with GPT-4 and ChatGPT: Build Intelligent Chatbots, Content Generators, and More [M].Sebastopol：O' Reilly Media，Inc.，2024.
22. [22] LIU Y Y，ZHENG Z，ZHANG F. A Comprehensive Survey of Prompt Engineering Techniques in Large Language Models [J/OL].Frontiers of Computer Science，2026，20（3）：2003601[2025-05-06].https://journal.hep.com.cn/fcs/EN/10.1007/s11704-025-50058-z.
23. [23] 张鹤译，王鑫，韩立帆，等.大语言模型融合知识图谱的问答系统研究 [J].计算机科学与探索，2023，17（10）：2377-2388.
24. [24] 王帅，何文春，王甫棣，等.大语言模型融合知识图谱与向量检索的问答系统 [J].科学技术与工程，2024，24（32）：13902-13910.
25. [25] CHANG K Y，XU S C，WANG C L，et al. Efficient Prompting Methods for Large Language Models: A Survey [J/OL].arXiv:2404.01077 [cs.CL].[2025-05-03].https://doi.org/10.48550/arXiv.2404.01077.
26. [26] 胡佳慧，李姣，姚宽达，等.大语言模型融合知识图谱的医学问答系统构建研究 [J].中国数字医学，2024，19（6）：91-95.

基金项目

融合策略行为的人工蜂群高效算法理论研究（62176273）

作者简介

罗森强（1999—），男，汉族，陕西咸阳人，硕士在读，研究方向：知识图谱；潘秀琴（1971—），女，汉族，河南开封人，教授，博士，研究方向：人工智能技术与智能系统；杜海英（1979—），男，汉族，北京人，中级工程师，本科，研究方向：人工智能。