知识图谱是一种将多源异构的知识融合到统一的网络结构模型中并进行知识推理和挖掘的技术。知识图谱发展至今,已不局限于通用知识领域。在专业领域,知识图谱能对模式复杂的专业知识进行结构化的整理和对框架结构的深层次分析,准确清晰地展现专业知识的内在联系,对知识的推理发散和辅助决策有着重要作用。本文研究并构建了医疗领域的商业知识图谱,主要贡献如下:(1)图谱本体层设计定义。基于本体理论知识,结合原始数据模式分析,抽取主要本体类和本体间关系,定义商业知识图谱概念层中的实体、实体属性、关系和关系属性,并使用RDFS语言进行描述;(2)实现多数据源数据的获取和处理。设计爬虫系统,从分散的信息发布平台中采集大量文本类型数据和半结构化数据,用于知识图谱构建的数据准备;(3)提出一种基于Bi-LSTM-CRF模型的命名实体识别系统。使用word2vec进行文本的向量化表示,使用Bi-LSTM模型进行特征提取,使用条件随机场模型进行序列标注。在对比实验中,本模型在对机构名实体、人名实体、产品名实体识别的F1值都达到了85%以上,其中机构名实体识别的F1值达到了91.97%;(4)提出一种基于机器学习的事件抽取与摘要生成算法。使用doc2vec模型进行文档级向量化表示,使用K-Means算法进行事件文档聚类,使用基于关键词覆盖的算法进行文档摘要抽取;(5)医疗领域商业知识图谱的构建验证。提出一种将数据从非关系型数据库中映射为三元组知识的算法,在模式层定义和知识抽取的基础上完成图谱的实际构建。基于医疗商业知识图谱,用户可以快速全面的了解企业、医院的相关信息,挖掘深层次的商业往来关系,为业务决策提供技术支持。