1.一种基于中医临床知识图谱的机器人主动问诊方法，其特征在于，具体包括如下步骤：
第一步、获取病人的主诉内容、年龄、性别、舌像、脉像，同时还向病人索问病程，内容经过NLP处理，抽取相关的症状词条，形成病人症状集合S；
第二步、根据症状集合S进行证型诊断，得到证型分布Dtcm(syni)；
第三步、判断证型分布中最大的概率分数是否大于设置的阈值，如果是跳转到第八步，否则，跳转到第四步；
第四步、根据中医临床知识图谱KGtcm与证型分布Dtcm(syni)，利用症状选择策略流程，获取pstd(msx'j)、pstd(ksx'j)、 的症状分布，并对这些症状分布进行合并形成新的症状分布列表：
其中，[；]表示合并两症状分布； 表示根据当前R轮条件下选择症状分布；λ表示专家经验系数；
所述症状选择策略流程具体如下：
基于主症－关键症展开策略获得pstd(msx'j)、pstd(ksx'j)：
4.1.1)从症状集合S中取出主症症状SRmsx与舌脉症状集合SRtpsx；
4.1.2)遍历SRmsx症状，从KGtcm中搜索满足主兼症关系rprimary的症状实体集合SR'msx；
4.1.3)基于预测推理MtransH模型，输入集合SRtpsx对集合SR'msx进行重排；症状评分为：
其中，fr(·)表于基于模型MtransH预测得到的评分，rspt表示症状与舌脉关系，tpsxi表示SRtpsx的第i个症状，msx′j表示SR'msx的第j个症状，len(·)获取集合的元素大小，c≠0为常数；
4.1.4)标准化p(msx'j)症状评分，标准化公式为：
4.1.5)从症状集合S中取出当前轮症状作为关键症状SRksx，将它替换4.1)中的SRmsx集合，重复步骤4.1.1)－4.1.4)，得到症状分布pstd(ksx'j)；
基于共现－鉴别性策略获得
4.2.1)对症状集合S诊断得到的输出证型分布Dtcm(syni)判断其有效性，即判断是否满足以下条件：
len(·)表示集合元素数，C表示预设的元素数量阈值，θ表示证型分布的最大值阈值；
初始化症状分布变量SRnxnx，如果证型分布Dtcm(syni)无效，跳转至步骤4.2.2)，否则跳转到步骤4.2.3)；
4.2.2)主症如果是病名，从KGtcm中搜索满足与病名相关的关系rsub的证型集合来填充SRnxnx，否则根据症状从KGtcm中搜索满足与症状名相关的关系rexpress的证型集合来填充SRnxnx；
4.2.3)对Dtcm(syni)作降序操作，取前M个证型作本轮有效证型诊断并标准化，记为：
4.2.4)初始化下一个询问问题列表，获取当前问诊的轮数Rcur并判断奇偶数，如果是奇数，跳转至步骤4.2.5)，否则，跳转至步骤4.2.6)；
4.2.5)执行共现性最大策略：
在问诊过程中，根据关联规则进行问诊，在 上定义关联规则：
其中，N表示自然数，sxi表示症状i；
假设关联事件为 共现支持度定义如下：
其中，num(all)表示诊断表的所有记录数，number(sxj)表示症状j在诊断 之上的证型个数；
共现性最大策略的具体过程为：
4.2.5.1)根据诊断模型 结果，获取证型列表listsndrm；
4.2.5.2)扫描listsndrm中的证型，对每个证型相关的症状j，计算 得到症状的共现支持度分布，标记化后记为
4.2.6)执行鉴别性策略：
证型i中症状sx的鉴别度定义为：
其中，ωm+ωsub＝1，ωm表示主症权重，ωsub表示兼症权重，sym_num(·)表示证型包含典型症状数；
所述鉴别性策略的具体过程为：
4.2.6.1)根据计算每个证型中典型症状的鉴别度diffi,j；
4.2.6.2)根据诊断模型 输出的结果，获取证型列表listsndrm；
4.2.6.3)扫描listsndrm中的证型，对每个证型相关的症状sx，求和并作标准化形成症状分布：
第五步、对P(sx)的症状进行过滤、排序，生成新的侯选症状分布P(sx)'；
第六步、从中P(sx)选择第一个症状主动问诊；
第七步、等待病人反馈回答，返回第二步；
第八步、验证证型分布并过滤不合适的证型；
第九步，反馈诊断报告；
第十步，根据诊断结果进行开方；
第十一步，结束。
2.根据权利要求1所述的方法，其特征在于，所述中医临床知识图谱的过程包括知识建模、设定知识来源、知识抽取和知识融合；
1.1、知识建模：病、病位、别称、证、症、治则、方剂、中药材为实体，各实体之间相互关联；每两个实体之间，通过线来相连构成为一个三元组，即＜实体1，关系，实体2＞；
1.2、设定知识来源；
1.3、知识抽取：知识抽取主要分结构化数据、非结构化数据、半结构化数据三种情况进行处理：
(1)对于结构化数据，关系数据的字段映到图关系上的节点，字段与字段关系映射为病、病位、别称、证、症、治则、方剂、中药材的相互关联关系；
(2)对于非结构化，基于NLP处理方法进行知识抽取；
1)对于实体的抽取的具体过程为：
1.1)判断文本数据的表述结构是否规范且固定，如果是，跳转至步骤1.2)，否则，判断文本的句子特征是否明显；如果文本的句子特征明显，跳转至步骤1.3)，否则，跳转至步骤
1.4)；
1.2)基于规则正则表达模板进行实体抽取；
1.3)基于统计机器学习方法进行实体抽取：采用条件随机场CRF算法，本质上就是序列标注任务；在训练阶段，标注训练数据，然后设置特征模板，最后使用CRF++工具训练，生成CRF模型；在预测阶段，采用训练好的模型输入要预处理的测试文本，获取最后提取得到的实体；
1.4)基于深度机器学习方法进行实体抽取：采用BiLSTM+CRF，本质上也是序列标注任务；在训练阶段，清洗数扰，然后标注训练数，接着设计BiLSTM模型，所述BiLSTM模型包括输入层、嵌入层、BiLSTM编码层、CRF层、输出层，其中嵌入层由GloVe预训练初始化；在预测阶段，采用训练好的模型输入要预处理的测试文本，获取最后提取得到的实体；
2)对于关系的抽取的具体过程为：
2.1)判断是否已完成部分知识图谱，如果是，跳转至步骤2.4)，否则，判断数据的数量是否大且特征显示；如果数据的数量大且特征显示，跳转至步骤2.3)，否则，跳转至步骤
2.2)；
2.2)在实体已识别的前提下，中医专业人员来标记实体之间的关系；
2.3)在实体已识别的前提下，根据设定的表达模板标记出实体之间的表达文本，并对表达文本作关系映射；
2.4)基于远程监督方法的实体关系抽取：
2.4.1)选择一个知识图谱半成品；
2.4.2)遍历所有语料，把句子进行自动标注，把一个关系打包成一个bag，标记为flag；
2.4.3)中医专业人员对标注的噪音数据作修正，例如自动标记内容或位置有误的情况，进行修正；
2.4.4)设置神经网络模型，依次为输入层、嵌入层、BiLSTM层、输出层；并利用2.4.3)修正之后的数据作模型训练；
2.4.5)采用2.4.4)得到的训练好模型作预测；
(3)对于半结构化数据：分析数据格式，把格式元标记数据抽取出来，数据满足(2)中规则固定的条件，采用正则表达式方法来提取标签，并把提取出来的标签赋予相关对应的数据含义，转化成结构化数，最后基于(1)的过程映射成图结构形式；
1.3、知识融合：
基于中医临床术语及中医词典中术语实体，根据实体中“别称”实现实体对齐；另外，通过中医专家来完成实体对称。
3.根据权利要求2所述的方法，其特征在于，所述知识来源包括中医临床术语系统、中医内科知识库、中医专家总结处理、互联网上在线的中医相关问答与问诊、互联网上的百科知识、古籍医案医书。
4.根据权利要求1或2所述的方法，其特征在于，第二步的具体过程为：
S2.1、从中医临床知识图谱KGtcm获取中医知识点，转换成＜症状KRsx，证型KRs＞的记录形式，记为KRssx；
S2.2、从KRssx抽出＜主症状KRmsx，证型KRs＞的记录，记为KRmssx；
S2.3、把KRsx、KRmsx两集合分别向量化：
S2.3.1、找出中医临床知识图谱KGtcm的症状集合Stcm，记症状总数为Lsx；
S2.3.2、对Stcm按拼音升序来排序并编号，起始值设置为0，终止值为Lsx-1，编号作为向量的维度；初始化零向量vi,1、vi,2，i表示第i个证型，长度为Lsx；
S2.3.3、遍历KRsx，取出第j个症状sxj，获取sxj的编码index(sxj)，即寻找到了vi,1的对应位置，重新赋值vi,1[index(sxj)]＝1，最后得到向量vi,1；
S2.3.4、遍历KRmsx，取出第j个主症状msxj，获取msxj的编码index(msxj)，即寻找到了vi,2的对应位置，重新赋值vi,2[index(msxj)]＝1，最后得到向量vi,2；
S2.4、从机器人问诊过程中获取到症状集合S；
S2.5、将S分为病人反馈的肯定回答集SRcsx与否定回答集SRnsx；
S2.6、对SRcsx、SRnsx进行词网扩展；词网扩展原则为基于KGtcm中构建的包括同义关系、反义词关系、上下位关系、整体部分关系在内的词关系；遍历肯定回答集SRcsx，获取每个症状的近义词和上位词，扩展形成症状集合SR′csx；同时，遍历否定回答集SRnsx，获取每个症状的近义词和上位词，扩散形成症状集合SR'nsx，然后操作获取SR'nsx中每个症状的反义词、近义词的反义词、反义词的下位词，加入到SR′csx集合中；
S2.7、对SR′csx、SR'nsx两个集合进行去重操作；
S2.8、把SR′csx、SR'nsx联合向量化：
S2.8.1、找出KGtcm的症状集合Stcm，记症状总数为Lsx；
S2.8.2、对Stcm按拼音升序来排序并编号，起始值设置为0，终止值为Lsx-1，编号作为向量的维度，形成初始化零向量v0，长度为Lsx；
S2.8.3、遍历SR′csx，取出第i个症状csxi，获取csxi在Stcm中的编号index(csxi)，即寻找到了v0的对应位置，重新赋值v0[index(csxi)]＝1；
S2.8.4、遍历SR'nsx，取出第i个症状nsxi，获取nsxi的编号index(nsxi)，即寻找到了v0的对应位置，重新赋值v0[index(nsxi)]＝-1；
遍历完成后，得到联合向量v0；
S2.9、分别计算诊断距离Dtcm1(syni)＝dist(v0,vi,1)，Dtcm2(syni)＝dist(v0,vi,2)，其中syni表示第i个证型，dist(·)定义为：
a表示向量，b表示向量，|·|表示向量的模操作；
S2.10、融合两个证型识别结果：
Dtcm(syni)＝φDtcm1(syni)+(1-φ)Dtcm2(syni)；
其中 表示为衡量主症诊断与普通症状诊断的参数；Dtcm(syni)即为最终输出的证型分布。
5.根据权利要求1或2所述的方法，其特征在于，所述预测推理模型MtransH通过如下过程获得：
从中医临床知识图谱KGtcm中输出三个文件，文件一为实体编码文件，表示对实体的数字编码；文件二为关系编码文件，表示对实体的数字编码；文件三为编码之后的知识三元组数据；
根据知识三元组数据，采用随机的策略生成负样本数据Δ'，正样本数据表示为Δ；
引入TransH对中医临床知识图谱进行训练；假设一个事实(h,r,t)，r表示关系向量，dr由r经过向量wr∈R投影得到，h、t表示实体向量，定义实体h与t存在r关系的分数为：
其中， 表示2－范式的平方，h⊥、t⊥分别定义为：
其中，wr∈R表示超平面的投影向量，其为学习参数；R表示实数集，T表于向量的转置；
定义模型训练用的损失函数为：
其中，[·]+＝max(0,·)，γ为分割正确与错误元组的边际参数，Δ为正样本数据，Δ'为负样本数据；
设置最大迭代次数为itmax，输入正样本数据和负样本数据的batch，分别计算对应的fr(h,t)与fr'(h',t')，最小化损失函数L，反向求导更新参数，获取下批数据进行训练，直到最大迭代次数itmax；
完成训练，保存预测推理模型MtransH，利用模型MtransH可以预测推理实体h与t存在r关系的分数fr(h,t)。
6.根据权利要求1所述的方法，其特征在于，第一步中，通过病人输入或通过传感器中的一种或多种方式获取病人的主诉内容、年龄、性别、舌像、脉像。