(资料图片)

说到问答机器人，就不得不说一下 ChatGPT 啦。一个预训练的大预言模型，只要是人类范畴内的知识，似乎他回答得都井井有条，从写文章到写代码，再到解决零散琐碎的问题，不光震撼到我们普通人，就百度和阿里也因此紧追其后分别推出了文心一言和通义千问。

所以好像我们也可以通过 GPT，并训练特定的数据来完成本业务下的问答。但是，那时出现了 OpenAI 在封号的事件，国内公司又担心以后形成垄断后收取高昂费用。于是，我打算自己弄一个 GPT，(打断…… 很显然不现实)，但是呢！既然是特定场景，那也不需要这么强大的机器人，只要能完成基本流程的智能回复就可以了。 前期我就想着用知识图谱的方式来完成，正好在网上也找了一个医疗知识问答的项目，所以跟着做一遍总结一下。

一个基于 python+neo4j 的问答，通过在图数据库里创建节点和关联边，接收问题的词语，进过拆解特定解析完成查询语句的拼装，最后输出答案。说到这里，是不是感觉这个其实就是一个程序化的思维导图，但是改造的地方也有很多，比如可以通过深度学习进行语义分析，添加语音对话，特定语气地回答输出等等。

1. 创建节点

create (n:Attr {name: "磕碰掉漆"}

2. 删除节点

MATCH (n:iphone6s) DELETE n

3. 创建关联边

MATCH (e:Goods_Class),(cc:Goods) CREATE (e)-[r:HAS_GOODS ]->(cc)match(class_name:Goods_Class),(goods_name:Goods) where class_name.name="%s"and goods_name.name="%s" create (class_name)-[rel:关联边名称{name: 指定名称}]->(goods_name)

4. 删除关联边

MATCH (c:Goods_Class)-[r:HAS_GOODS]-(g:Goods) DELETE r

5. 删除删除指定属性的节点

Match (n:Goods{name: "黑鲨手机"}) DELETE n

6. 条件查询

通过某个节点名查询与之关联的另一些节点信息，如下面是根据一个疾病名称，获取该疾病与之有关联 (has_symptoms) 的症状名称列表

MATCH (m:Diseases)-[r:has_symptoms]->(n:Symptoms) where m.name = "喘息样支气管炎" return m.name, r.name, n.name