الهدف هو معالجة مشكلة التعبير غير الهيكلي باللغة الكلاسيكية لحالات الأطباء المشهورين في الطب الصيني التقليدي، وتداخل العلاقات الكيانية، ونقص بيانات التعليقات، من خلال بناء إطار استخراج العلاقات المشتركة الذي يجمع بين تعزيز البيانات ورسم الخرائط الكيانية، لتوفير دعم تقني لبناء خريطة المعرفة في تشخيص وعلاج الطب الصيني والتنقيب عن الأنماط السريرية. المنهجية تشمل بناء هيكل تعليق للكيانات والعلاقات في نصوص حالات الأطباء المشهورين، استخدام استراتيجية تعزيز البيانات، دمج العديد من الكتب الكلاسيكية لتوسيع مجموعة بيانات استخراج العلاقات، تصميم نموذج استخراج العلاقات المشتركة المعتمد على التسمية الثنائية المتتابعة (CasRel) الملائمة لدلالة الطب الصيني، إدخال طبقة ترميز الممثل الثنائي الاتجاه المدربة مسبقاً على النصوص الكلاسيكية للطب الصيني (BERT) لتعزيز التمثيل الدلالي للغة الصينية القديمة، اعتماد آلية رسم الخرائط رأس الكيان - العلاقة - ذيل الكيان لمعالجة تداخل الكيانات والتداخل في العلاقات بالتزامن. النتائج أظهرت أن نموذج CasRel الموحد مع تعزيز البيانات ورسم الخرائط يتفوق بوضوح على نموذج خط الأنابيب BRL-BiLSTM-Attention المستند إلى Bert-Radical-Lexicon، حيث كانت الدقة الشاملة لاستكمال 12 فئة من العلاقات مثل علاقات الأمراض، وعلاقات تشخيص اللسان، وعلاقات السبب، وعلاقات الوصفة الطبية 65.73%، ونسبة الاستدعاء 64.03%، وقيمة F1 64.87%، بزيادة قدرها 14.26%، 7.98%، و 11.21% على التوالي مقارنة بنموذج خط الأنابيب BRL-BiLSTM-Attention. كان تحسن علاقات تشخيص اللسان ملحوظا (قيمة F1 69.32%، زيادة 22.68%)، وكانت علاقات الوصفة الطبية الأفضل أداء (قيمة F1 70.10%، زيادة 9.93%). الاستنتاج أن هذه الدراسة حسنت بشكل ملحوظ مشاكل الدلالة الكامنة والتبعيات المعقدة بين الكيانات في نصوص الطب الصيني عبر تعزيز البيانات وفك الترميز المشترك، وقدمت إطار عمل تقني قابل لإعادة الاستخدام للتنقيب الهيكلي في حالات الطب الصيني، وتدعم خريطة المعرفة المنشأة تحسين اختيار وصفات التشخيص والتوافق الدوائي سريرياً، كما تقدم مرجعية منهجية لأبحاث الذكاء الاصطناعي في الطب الصيني.

تعزيز البيانات;حالات الأطباء المشهورين;استخراج العلاقات;الطرق المشتركة;استخراج العلاقات المشتركة القائمة على التسمية الثنائية المتتابعة (CasRel);خريطة المعرفة