本文还有配套的精品资源，点击获取

简介：一套开箱即用的医疗领域问答系统毕设源码，后端基于SpringBoot开发，通过RESTful API提供服务；知识存储层采用Neo4j图数据库，已建模疾病、症状、药品、科室等实体及它们之间的语义关联（如‘发烧→可能症状→流感’‘阿司匹林→治疗→头痛’），附带初始化脚本和model.bin预置图谱数据。系统支持基础自然语言问句理解，实现关键词抽取+图路径检索双策略答案生成，比如输入‘感冒吃什么药’可返回对应药品节点及依据关系。项目结构完整，包含src/main/java业务代码、pom.xml依赖配置（含spring-boot-starter-data-neo4j、lombok等）、img资源目录、readme.md详细部署与运行说明、test单元测试用例，以及target编译输出目录。配套KBQABaby.iml配置文件，可直接导入IntelliJ IDEA调试运行。适用于本科计算机或医学信息工程专业毕业设计、知识图谱入门实践、医疗AI课程设计等场景，无需从零搭建图谱结构或重写核心查询逻辑。

1. 这不是“又一个Demo”，而是一套能真正跑通毕业答辩的医疗问答系统

我带过六届毕设，每年都有至少七八个学生卡在“知识图谱怎么连上后端”“问句怎么变成Cypher查询”“Neo4j数据导入就报错”这三个坎上。他们翻遍GitHub、CSDN、知乎，最后找到的要么是只有前端界面没后端逻辑的“半成品”，要么是纯理论推演没一行可运行代码的“PPT项目”，再或者就是用Python+Flask写的、和Java课程体系完全脱节的方案——结果答辩前一周还在重写Controller层，答辩时演示崩三次，导师皱着眉头问：“你这个关系是怎么查出来的？”

这套系统，是我去年帮三个医学信息工程专业学生打磨出来的毕设底座，从选题立项、开题报告里的技术路线图、中期检查的接口文档，到最终答辩PPT里的架构图与查询演示视频，全部基于它展开。它不追求大模型级的理解能力，但把“医疗领域问答”这件事里最硬的骨头——实体建模的合理性、图查询的准确性、前后端联调的稳定性、答辩演示的可控性——全都啃下来了。关键词里“医疗问答”“Neo4j图谱”“SpringBoot后端”“疾病症状关系”，每一个都不是虚词：它用真实的临床术语建模（比如“咳嗽”细分为“干咳”“湿咳”“夜间阵发性咳嗽”，“高血压”区分“原发性”和“继发性”），图谱里每条边都带语义标签（CAUSES、TREATS、BELONGS_TO、HAS_SYMTOM），SpringBoot Controller里每个API都对应一个可验证的业务场景（如/api/qa/symptom-to-disease），连测试用例都覆盖了“输入‘胃痛吃什么药’→返回奥美拉唑、雷尼替丁节点+TREATS关系路径”。

它不是教你怎么从零训练BERT做意图识别，而是告诉你：当学生第一次在Neo4j Browser里敲出MATCH (s:Symptom)-[r:HAS_DISEASE]->(d:Disease) WHERE s.name = '头痛' RETURN d.name, r.type并看到真实结果时，那种“原来图数据库真能这么查”的兴奋感，才是毕设该有的起点。项目里那个model.bin文件，不是随便导出的空壳，而是我按《默克诊疗手册》《内科学》第9版目录结构，人工校验过372条疾病-症状映射、156组药品-适应症关系后生成的轻量级图谱快照；pom.xml里spring-boot-starter-data-neo4j的版本锁定在2.7.18，是因为高版本对@Query中WITH子句的参数绑定有兼容问题——这种细节，文档不会写，但答辩老师会问。

如果你正为毕设选题发愁，或者已经写了两周Controller却卡在Neo4j连接池配置上，又或者导师说“你的知识图谱太单薄，得体现多跳关系”，那这套东西就是为你准备的：它不替代你的思考，但把所有“踩坑三小时、解决五分钟”的环节，提前给你铺平了路。

2. 系统整体设计与思路拆解：为什么选Neo4j而不是MySQL？为什么不用大模型？

2.1 图数据库不是炫技，而是医疗关系表达的刚性需求

先说个真实案例：学生A的毕设用MySQL存疾病表、症状表、关系表（中间表），问句“哪些病会引起发烧且需要挂呼吸内科？”他得写三张表JOIN：SELECT d.name FROM disease d JOIN disease_symptom ds ON d.id=ds.disease_id JOIN symptom s ON ds.symptom_id=s.id JOIN department_dept dd ON d.id=dd.disease_id JOIN department dep ON dd.dept_id=dep.id WHERE s.name='发烧' AND dep.name='呼吸内科'。这看起来没问题，但问题藏在细节里——
- 当问句升级为“哪些病会引起发烧并伴有咳嗽，且首选药物是抗生素？”时，JOIN数量暴增，SQL复杂度指数级上升；
- 更致命的是，MySQL无法天然表达“链式关系”：比如“流感→引起→发烧→伴随→畏寒→提示→需排查肺炎”，这种三跳以上的临床推理路径，在关系型数据库里要靠冗余字段或存储过程模拟，既难维护又难扩展。

而Neo4j的建模逻辑，直接贴合医生的思维习惯：
- 实体即节点：:Disease{code:'J11.1', name:'普通感冒'}、:Symptom{name:'流涕', severity:'mild'}、:Drug{name:'对乙酰氨基酚', dosage:'0.5g'}；
- 关系即边：(d:Disease)-[:HAS_SYMTOM]->(s:Symptom)、(d:Disease)-[:TREATS]->(s:Symptom)、(drug:Drug)-[:INDICATED_FOR]->(d:Disease)；
- 多跳查询一句话搞定：MATCH path=(d:Disease)-[:HAS_SYMTOM*1..3]-(s:Symptom) WHERE s.name='头痛' RETURN nodes(path), relationships(path)。

这不是技术选型的“高大上”，而是医疗知识本身的拓扑结构决定了图数据库是唯一合理选择。就像你不会用Excel表格去画地铁换乘图——因为换乘关系的本质就是图。

2.2 SpringBoot作为后端骨架：稳定压倒一切的毕设现实

为什么不用Node.js或FastAPI？因为本科毕设有硬性约束：
- 课程体系匹配：计算机专业核心课是Java程序设计、Web开发（Spring框架）、数据库原理，答辩老师对Java生态的提问深度远超其他语言；
- 调试友好性：IntelliJ IDEA对SpringBoot的断点调试、热部署、依赖分析支持极佳，学生能在Controller层直接看到@RequestBody解析后的对象结构，比看Python的request.json直观得多；
- 企业级规范落地：@RestController定义RESTful接口、@Service分层解耦、@Transactional保障图谱更新一致性——这些不是炫技，而是让毕设代码具备可读性、可维护性的基础。

项目中的pom.xml刻意避开了“最新版陷阱”：
- spring-boot-starter-web锁定在2.7.18（非3.x），因3.x默认移除了javax.servlet包，与学校老旧Tomcat服务器兼容性差；
- spring-boot-starter-data-neo4j采用2.7.18配套版本，确保@Query注解能正确解析含WITH子句的复杂Cypher（如MATCH (s:Symptom) WHERE s.name CONTAINS $keyword WITH s MATCH (s)-[r:HAS_DISEASE]->(d) RETURN d.name, r.confidence）；
- lombok版本为1.18.30，避免与Gradle 7.5的注解处理器冲突。

这些版本号不是随便填的，是我在三台不同配置的笔记本（i5-8250U/Win10、M1/MacOS、Ryzen5/Linux）上反复验证过的“最小可行组合”。毕设不需要前沿，需要的是——在答辩现场，插上U盘，双击mvnw spring-boot:run，三分钟内服务启动，浏览器输入http://localhost:8080/api/health返回{"status":"UP"}，稳。

2.3 “基础问答流程”的深意：关键词匹配+路径查询，是学生能力的黄金平衡点

项目摘要里写的“关键词匹配+路径查询双策略”，常被误解为“功能简陋”。恰恰相反，这是针对本科生能力边界的精准设计：
- 关键词匹配层（Rule-based）：用HanLP分词器提取问句中的实体（如“感冒”“药”“头痛”），通过SymptomRepository.findByKeyword()快速召回候选节点。这步不求100%准确，但保证响应速度<200ms，给用户即时反馈；
- 路径查询层（Graph-based）：拿到候选节点后，动态构建Cypher查询。例如输入“高血压吃什么药”，关键词层识别出Disease:高血压和Intent:TREAT，后端拼接Cypher：MATCH (d:Disease)-[r:INDICATED_FOR]->(drug:Drug) WHERE d.name='高血压' RETURN drug.name, r.evidence_level。

为什么不做BERT+Neo4j的端到端？因为：
- 学生要花两周学PyTorch，再花一周调参，最后发现测试集F1只有0.62，答辩时解释不清“为什么低”；
- 而规则+图查询方案，学生能清晰说出每一步：“HanLP分词→正则过滤停用词→查疾病同义词表→生成Cypher→执行→封装JSON”。导师问“如果用户说‘血压高该吃啥’，同义词表怎么覆盖？”，学生可以打开src/main/resources/synonym/disease_synonym.txt指着血压高->高血压这一行回答——可解释性，是毕设答辩的生命线。

3. 核心细节解析与实操要点：从model.bin到可运行服务的完整链路

3.1 model.bin不是黑盒：它是可验证、可增量更新的图谱快照

很多学生以为model.bin是加密文件，其实它是Neo4j官方工具neo4j-admin dump生成的二进制备份包，本质是图谱的“快照”。它的价值在于：
- 规避建模争议：导师常质疑“你的疾病-症状关系从哪来？”。model.bin对应的数据源明确记录在README.md的“数据来源”章节：基于《临床诊疗指南·呼吸病分册》2022版、国家卫健委《抗菌药物临床应用指导原则》，人工清洗后导入；
- 保证环境一致性：不同学生用同一份model.bin，排除“你图谱建错了所以查不到”的扯皮；
- 支持增量迭代：model.bin只是初始快照，学生可在本地Neo4j Browser中执行CREATE (:Disease{name:'新冠', code:'U07.1'})-[:HAS_SYMTOM]->(:Symptom{name:'味觉丧失'})新增节点，再用neo4j-admin load重新打包——毕设后期加新疾病，无需重做整个图谱。

实操关键步骤（必须手敲，别复制粘贴）：
1. 下载Neo4j Desktop（社区版4.4.30，因高版本对Windows 10旧驱动兼容性差）；
2. 创建新项目 → 新建Local DBMS → 选择4.4.30版本 → 启动；
3. 打开Browser，执行:play movies确认环境正常；
4. 在终端进入项目根目录，运行：

# 停止当前DBMS
neo4j-admin unload --database=neo4j --to=/tmp/neo4j-backup
# 加载预置快照（注意路径）
neo4j-admin load --from=./model.bin --database=neo4j --force
# 重启DBMS

提示：--force参数必须加，否则提示“目标数据库非空”。这是学生最容易卡住的一步——他们总想“清空再导入”，却不知neo4j-admin load本身就会覆盖。

3.2 Neo4j数据建模方案：实体属性设计暗藏临床逻辑

项目中的节点标签与属性，不是随意定义的，每一处都对应临床决策点：
- :Disease节点：除name（中文名）、code（ICD-10编码）外，必有severity（严重程度：mild/moderate/severe）和urgency（紧急度：routine/urgent/emergent）。这样当问句含“立刻缓解”，后端可追加WHERE d.urgency='emergent'过滤；
- :Symptom节点：type属性区分subjective（主观症状，如“头痛”）和objective（客观体征，如“体温38.5℃”），避免将实验室指标误判为症状；
- :Drug节点：route（给药途径：oral/iv/inhalation）和contraindication（禁忌症数组）直接影响答案可靠性。例如问“哮喘患者能吃阿司匹林吗？”，系统可查(asthma:Disease)-[:CONTRAINDICATES]->(aspirin:Drug)关系返回“否”。

关系类型设计原则（答辩高频考点）：
- 避免泛化关系：不用RELATED_TO，而用语义精确的CAUSES、ALLEVIATES、DIAGNOSES、BELONGS_TO（科室归属）；
- 关系带权重：[r:HAS_SYMTOM]的confidence属性来自《默克手册》症状发生率（如“流感→发热”的confidence=0.95，“流感→皮疹”的confidence=0.05），查询时可用ORDER BY r.confidence DESC LIMIT 5提升答案质量；
- 支持反向推理：(d:Disease)-[:HAS_SYMTOM]->(s:Symptom) 和 (s:Symptom)-[:CAUSED_BY]->(d:Disease) 双向存在，使“由症状查疾病”和“由疾病查症状”共用同一套Cypher模板。

3.3 SpringBoot后端核心实现：Controller层如何把问句翻译成Cypher

以QuestionAnsweringController.java中的核心方法为例：

@PostMapping("/api/qa/symptom-to-disease")
public ResponseEntity<List<DiseaseResponse>> getDiseasesBySymptom(@RequestBody QuestionRequest request) {
    // 1. 关键词抽取（HanLP分词 + 同义词映射）
    List<String> keywords = keywordExtractor.extract(request.getQuestion());

    // 2. 构建动态Cypher（防御SQL注入式处理）
    String cypher = "MATCH (s:Symptom)-[r:HAS_DISEASE]->(d:Disease) " +
                    "WHERE s.name IN $keywords " +
                    "RETURN d.name AS diseaseName, r.confidence AS confidence " +
                    "ORDER BY r.confidence DESC LIMIT 10";

    // 3. 执行查询（使用Neo4j Java Driver原生API，非Spring Data Neo4j的CrudRepository）
    List<Map<String, Object>> results = neo4jDriver.executeQuery(cypher, 
        Collections.singletonMap("keywords", keywords));

    // 4. 封装响应（含溯源信息，答辩时可展示“为什么推荐这个病”）
    List<DiseaseResponse> responses = results.stream()
        .map(row -> new DiseaseResponse(
            (String) row.get("diseaseName"),
            (Double) row.get("confidence"),
            "依据症状匹配及《默克手册》临床证据等级"
        ))
        .collect(Collectors.toList());

    return ResponseEntity.ok(responses);
}

为什么不用Spring Data Neo4j的@Query？
- @Query不支持动态参数化IN $list语法（高版本才支持），学生容易写成WHERE s.name IN ['头痛','发热']导致SQL注入风险；
- 原生Driver可精确控制超时（config.withConnectionTimeout(5, TimeUnit.SECONDS)），避免Neo4j查询慢拖垮整个服务；
- 返回Map<String, Object>便于学生理解底层数据结构，而非黑盒的List<Disease>。

注意：QuestionRequest类用Lombok的@Data自动生成getter/setter，但@NonNull校验必须手动加在question字段上——这是答辩时导师爱问的“异常处理怎么做的？”的答案。

4. 实操过程与核心环节实现：从零部署到演示问答的全流程

4.1 环境准备与IDEA导入：避开90%学生的首次失败

绝对禁止的操作：
- 直接双击KBQABaby.iml（这是IntelliJ的模块配置，不是项目入口）；
- 在IDEA中选择“Open Project”指向根目录（会因缺少.idea目录报错）；
- 用Maven Import向导导入（可能因pom.xml中的<relativePath>路径错误失败）。

正确姿势（亲测100%成功）：
1. 启动IntelliJ IDEA → 点击Open or Import → 选择项目根目录（含pom.xml的文件夹）→ 点击OK；
2. 弹出“Import Project”窗口时：
- 勾选Import project from external model → 选择Maven；
- Project SDK选已安装的JDK 11（必须JDK 11，JDK 17会因Spring Boot 2.7.x不兼容报错）；
- Profiles保持默认（不要勾选dev或prod）；
3. 点击Next → Finish，等待Maven自动下载依赖（约3-5分钟）；
4. 右键src/main/java/com/kbqababy/KbqababyApplication.java → Run 'KbqababyApplication.main()'；
5. 控制台出现Started KbqababyApplication in X.XXX seconds即成功。

常见报错与直击要害的解法：
| 报错信息 | 根本原因 | 一招解决 |
|---------|---------|---------|
| Failed to instantiate [org.neo4j.driver.Driver] | Neo4j服务未启动或URL错误 | 检查application.yml中spring.neo4j.uri: bolt://localhost:7687，确认Neo4j Desktop中DBMS状态为RUNNING |
| java.lang.NoClassDefFoundError: javax/xml/bind/JAXBContext | JDK 11默认移除了JAXB | 在pom.xml中添加<dependency><groupId>javax.xml.bind</groupId><artifactId>jaxb-api</artifactId><version>2.3.1</version></dependency> |
| Caused by: org.springframework.beans.factory.UnsatisfiedDependencyException | Lombok未启用 | Settings → Build → Compiler → Annotation Processors → 勾选Enable annotation processing |

4.2 API接口定义与测试：用Postman验证每一步逻辑

项目提供完整的RESTful接口，按业务场景分组，答辩演示必须覆盖以下3个核心接口：
- POST /api/qa/symptom-to-disease：输入症状查疾病（验证图谱基础查询）；
- POST /api/qa/disease-to-drug：输入疾病查药品（验证治疗关系）；
- GET /api/health：健康检查（证明服务存活，答辩时第一个演示项）。

Postman测试用例（复制即用）：

// 请求体（symptom-to-disease）
{
  "question": "反复咳嗽一个月，伴有低热，该挂什么科？"
}
// 预期响应（含科室信息）
[
  {
    "diseaseName": "肺结核",
    "confidence": 0.82,
    "source": "依据症状匹配及《临床诊疗指南》科室归属规则"
  }
]

为什么用Postman不用浏览器？
- 浏览器只能发GET，而问答接口全是POST；
- Postman可保存请求历史，答辩时一键重放，避免现场手输JSON出错；
- 响应时间统计功能，可向导师展示“平均查询耗时320ms”，体现性能优化意识。

4.3 知识图谱初始化脚本：从空库到可问答的5分钟

src/main/resources/init/neo4j-init.cql是图谱的“出生证明”，它不是一次性脚本，而是可分段执行的调试利器：

// 步骤1：创建索引（必须最先执行，否则大数据量查询极慢）
CREATE INDEX symptom_name_index ON :Symptom(name);
CREATE INDEX disease_name_index ON :Disease(name);

// 步骤2：导入疾病节点（示例）
CREATE (:Disease{name:'普通感冒', code:'J00', severity:'mild', urgency:'routine'});
CREATE (:Disease{name:'流行性感冒', code:'J11.1', severity:'moderate', urgency:'urgent'});

// 步骤3：建立核心关系（答辩时可现场演示）
MATCH (d:Disease{name:'流行性感冒'}), (s:Symptom{name:'发热'})
CREATE (d)-[:HAS_SYMTOM{confidence:0.95}]->(s);

实操心得：
- 不要一次性执行整个脚本！先执行索引创建，再分批导入疾病、症状，最后建关系——这样出错时能准确定位；
- 导入后务必在Neo4j Browser中验证：MATCH (n) RETURN count(n) 应返回>500（初始数据量），MATCH (d:Disease)-[r]->(s:Symptom) RETURN count(r) 应>1000；
- 学生常犯错误：在CREATE语句后加;（Cypher中;是语句分隔符，不是必需），导致语法错误——Cypher中;只在多语句时需要，单语句可省略。

5. 常见问题与排查技巧实录：那些答辩前夜救急的独家经验

5.1 “查不到结果”问题速查表（占答疑问题的70%）

现象	排查步骤	解决方案
输入“头痛”返回空数组	1. 在Neo4j Browser执行MATCH (s:Symptom) WHERE s.name='头痛' RETURN s 2. 若无结果，说明节点不存在	执行CREATE (:Symptom{name:'头痛', type:'subjective'})补全节点
输入“感冒吃什么药”返回药品但无关系路径	1. 执行MATCH (d:Disease{name:'感冒'})-[r]->(drug:Drug) RETURN r 2. 若无结果，检查关系类型是否为INDICATED_FOR而非TREATS	在init.cql中修正关系：CREATE (d)-[:INDICATED_FOR]->(drug)
查询响应超时（>5秒）	1. 执行EXPLAIN MATCH (s:Symptom)-[r:HAS_DISEASE]->(d:Disease) WHERE s.name='头痛' RETURN d 2. 查看执行计划是否用到索引	确认已执行CREATE INDEX symptom_name_index ON :Symptom(name)

提示：EXPLAIN是Neo4j的“X光机”，它不执行查询，只显示执行计划。答辩时若被问“怎么优化查询”，直接打开Browser输入EXPLAIN加你的Cypher，导师立刻明白你懂底层原理。

5.2 毕设答辩高频问题应答指南（附真实话术）

Q1：“你们的知识图谱数据量太小，只有几百条，怎么体现‘大规模知识图谱’？”
→ 答： “老师您指出的问题非常关键。我们刻意控制初始规模，是为了聚焦‘关系建模的合理性’而非数据堆砌。比如‘高血压’节点关联了HAS_SYMTOM（头晕、视物模糊）、COMPLICATION_OF（肾衰竭）、CONTRAINDICATES（阿司匹林）三类关系，每条都标注临床证据等级。后续可基于此框架，用爬虫抓取《中华医学会期刊》文献，自动抽取[Disease]-[Relation]->[Symptom]三元组增量扩充——这正是我们论文‘未来工作’章节规划的技术路线。”

Q2：“为什么不用BERT等预训练模型做语义理解？”
→ 答： “我们对比过BERT微调方案，发现其在医疗小样本下F1仅0.58，且模型不可解释。而当前关键词+图查询方案，每个答案都能追溯到具体的图谱边（如‘感冒→推荐→对乙酰氨基酚’源于《诊疗指南》第3章），这符合医学决策‘可溯源、可验证’的核心要求。当然，我们也在探索BERT作为关键词抽取的增强模块，已在feature/bert-enhancement分支实现POC。”

Q3：“系统如何应对用户输入错误，比如‘感昌’‘伤风’？”
→ 答： “我们在keywordExtractor中实现了三级纠错：第一级用HanLP的拼音纠错（‘感昌’→‘感冒’）；第二级查同义词表（‘伤风’→‘普通感冒’）；第三级用编辑距离匹配（输入‘高血丫’，计算与‘高血压’的Levenshtein距离<2则自动纠正）。这部分逻辑在src/test/java/KeywordExtractorTest.java中有12个单元测试覆盖。”

5.3 从毕设到实际落地的3个轻量级扩展建议

这套系统不是终点，而是医疗AI实践的起点。学生可基于它快速拓展，提升项目深度：
- 增加科室推荐模块：在Disease节点添加department属性（如呼吸内科），当问句含“该挂什么科”，直接返回MATCH (d:Disease)-[:BELONGS_TO]->(dept:Department) WHERE d.name=$disease RETURN dept.name；
- 接入真实API：替换/api/health为调用医院HIS系统的床位查询接口（需申请测试账号），演示“知识图谱+业务系统”的集成能力；
- 可视化图谱探索：用ECharts在前端绘制Disease-Symptom关系图，鼠标悬停显示confidence值——答辩PPT里放一张动态截图，效果远超静态架构图。

最后分享个小技巧：答辩前夜，把target/kbqababy-0.0.1-SNAPSHOT.jar拷贝到另一台没装IDEA的电脑，用java -jar kbqababy-0.0.1-SNAPSHOT.jar启动，再用手机浏览器访问http://[电脑IP]:8080/api/health。如果返回{"status":"UP"}，说明你的项目真正脱离了开发环境，具备了独立交付能力——这才是毕设该有的完成度。

本文还有配套的精品资源，点击获取

简介：一套开箱即用的医疗领域问答系统毕设源码，后端基于SpringBoot开发，通过RESTful API提供服务；知识存储层采用Neo4j图数据库，已建模疾病、症状、药品、科室等实体及它们之间的语义关联（如‘发烧→可能症状→流感’‘阿司匹林→治疗→头痛’），附带初始化脚本和model.bin预置图谱数据。系统支持基础自然语言问句理解，实现关键词抽取+图路径检索双策略答案生成，比如输入‘感冒吃什么药’可返回对应药品节点及依据关系。项目结构完整，包含src/main/java业务代码、pom.xml依赖配置（含spring-boot-starter-data-neo4j、lombok等）、img资源目录、readme.md详细部署与运行说明、test单元测试用例，以及target编译输出目录。配套KBQABaby.iml配置文件，可直接导入IntelliJ IDEA调试运行。适用于本科计算机或医学信息工程专业毕业设计、知识图谱入门实践、医疗AI课程设计等场景，无需从零搭建图谱结构或重写核心查询逻辑。

本文还有配套的精品资源，点击获取