本文以disease3.csv为数据集，搭建基于TuGraph数据库的医疗知识图谱问答系统，实现用户输入问题系统自动查询并返回答案的功能。

数据集disease3.csv包含了28条记录，15个属性。

一、TuGraph启动

TuGraph的启动方式与new4j类似，步骤如下：

1.启动docker

2.在powershell中输入命令

docker run -d -v D:\tugraph_test:/mnt -p 7070:7070 -p 7687:7687 docker.1ms.run/tugraph/tugraph-runtime-ubuntu18.04 lgraph_server

3.打开浏览器，在地址栏输入localhost:7070，进入TuGraph平台登录界面

4.登录，默认账号admin，密码73@TuGraph，需要修改密码（这里无法跳过）

进入后TuGraph初始界面如下：

二、TuGraph数据导入

Tugraph数据导入需要先写schema（建模），再导入数据。

写schema有三种方法：

1.localhost:7070可视化界面

2.lgraph_import

3.py接口

本文使用localhost:7070可视化界面进行schema的编写，步骤如图所示：

同时，localhost:7070可视化界面也提供了批量导入schema的方法，但需要提前编写好json文件。

可以使用Python编写json文件，如图所示。

运行write_conf.py得到example.json，将其导入TuGraph。

而后导入数据，导入数据也有以上三种方法，同样本文使用的是可视化界面导入数据的方法，操作步骤如图所示。

这样导入数据有个问题，就是一些字段连在一起，比如说别名“勃起功能障碍 勃起机能障碍 勃起无力 阳萎 勃起不足”是连在一起作为一个节点的，而我们希望是分开作为多个节点。所以运行write_V_E_files.py，将disease3.csv转成多个csv文件，再导入。

write_V_E_files.py

得到15个点文件，14个边文件。点文件只有一列，代表点的名称，边文件有两列，代表起点到终点的映射。

最终导入数据。

三、TuGraph中使用cypher语句、Python交互

通过neo4j包中的GraphDatabase包，实现Python对TuGraph的连接。

# pip install neo4j
from neo4j import GraphDatabase

class MedicalChatbot:
    def __init__(self):

        # 连接到 TuGraph
        self.driver = GraphDatabase.driver(
            "bolt://localhost:7687",
            auth=("admin", "123456")  # 按你的密码修改
        )

可以在Python中使用Cypher语句进行查询。

        with self.driver.session(database="default") as session: # 按你的子图修改
            # 查询数据库中所有疾病名称
            result = session.run("MATCH (d:Disease) RETURN d.name AS disease_name")
            self.disease_list = [record["disease_name"] for record in result if record["disease_name"]]

四、对话系统搭建及测试

在Python中通过读取用户输入，提取疾病名称，提取所问关键词，匹配对应的Cypher语句，连接TuGraph获得查询结果，格式化输出实现对话系统。

    def query_knowledge_graph(self, text, disease_name):
        # 查询知识图谱
        with self.driver.session(database="default") as session:

            # ------------------ 查询别名 ------------------
            if any(k in text for k in ["别名", "别称", "又名"]):
                cypher = """
                MATCH (d:Disease {name: $name})-[:HAS_ALIAS]->(a)
                RETURN a.name AS alias
                """
                data = session.run(cypher, name=disease_name)
                results = [r["alias"] for r in data]
                return self.format_response(results, "alias")

    def format_response(self, results, query_type):
        # 格式化输出
        if query_type == "symptom":
            return f"可能出现的症状包括：{'、'.join(results)}"

通过输入输出测试对话系统。

未来改进之处：

1.本实验仅使用28条数据的数据集，可以使用更完整的数据集提高查询广度。

2.数据导入方法使用的是手动导入，可以使用lgraph_import会py接口方法提高数据导入效率。

3.对话系统仅能识别当前问题中的关键词，在上下文理解、关键词以外的自然语言表达识别中存在缺陷，可以引入大模型极高对话系统智能程度。