当前知识图谱的构建方法主要分为机器构建 和人工构建两种。
在医学知识图谱的构建中，机器构建主要用 于解决人工效率低的问题，所以机器构建的 技术方法选择应以最大化减少人力为主要判 断标准。具体来说有以下几点原则：
1）技术成熟度优先： 知识图谱构建技术的研究和发展速度很快， 大量的新理论和新技术在科研中被应用。但 是构建临床实际应用级别的医学知识图谱不 应执着于高新技术，技术的成熟性和稳定性 才是保证数据质量的关键。
2）技术按需选取： 医学知识图谱的构建不能寄希望于依靠单技 术或少量几种技术解决所有问题，而应该更 加细致地拆分任务，针对不同的细分任务选 取合适的技术方法，才能达到更好的效果。
3）技术准确率优先： 医学知识图谱质量要求高，机器自动处理的 结果中错误率过高不但会降低整体数据质 量，而且人工纠错会带来更多的工作量。因此技术应定位在保证简单知识的准确抽取， 并且准确率的考量要优先于召回率。
人工构建医学知识图谱可以一定程度上解 决机器构建的数据质量的问题，同时人工 产生的标注数据也可以用于机器学习的模 型训练，但人工构建的主要问题是效率相 对比较低下。近些年，随着互联网技术的 发展，知识型众包正逐渐发展起来。众包 （Crowdsourcing）是一种通过将工作先分 配给很多非特定的参与者再合成为最终结果 的模式 [64]。众包相较于传统的人工方式， 在效率和灵活性上更有优势，所以众包适合 用于知识图谱的构建。采用众包的方式进行 医学知识图谱构建有以下几点原则：
1）较高的准入资质： 医学专业性很强，要确保众包构建出的医学 知识图谱不出现质量问题，就一定要保证参 与人员的资质。需要针对不同的领域，选取 不同的医学从业者，如临床医生、护士、医 学生和医技专业人员等，同时也要做好资质 审核。
2）全面的知识培训 ：医学知识图谱构建是一个跨学科的任务，需 要医学专业人员有一定的知识图谱的基础 知识。因此，在正式开始任务前，需要对任 务执行者进行知识图谱基础知识的培训和讲 解，然后可以安排测试，通过测试后方可正 式开始任务，确保任务执行者充分理解任务。
3）精细的任务划分： 在医学知识图谱的构建流程中，不同工作所 需要的人工参与度不同。如何选取出其中最 重要且最需要人工的部分来进行众包构建是 关键。例如，构建 Schema 一定需要领域专 家大量参与，知识抽取和知识融合则需要人 工对机器的结果做审核和质量控制，而知识 推理则一般只需要人工定义规则。 其次，尽量选取易达成共识性的知识源，从 而避免在任务过程中相关专业人员因个人的 原因出现分歧。例如，可以选取医学教科书、 临床指南、临床路径和药品说明书等权威性 较高的知识源，尽量避免个人经验类的知识。
4）易用的协作平台： 医学知识图谱构建任务比较繁琐，所以搭建 一个易用的协作平台很有必要。通过协作平 台，任务管理者可以更简单的设置任务和分 发任务，任务执行者可以更方便和简单的完 成任务。例如，通过协作平台将大任务拆分 成小任务，分多次的分发以保证参与度与完 成度；通过将填空型任务转换为选择型任务， 将选择型任务转换为判断型任务等方式来简 化任务 [7]。
5）健全的质控机制： 由于参与人数众多，采用人工众包的方式构 建医学知识图谱同样也会存在质量隐患， 所以建立一个良好的质量控制体系也尤为关 键。常见的方法有：相同任务安排双人独立 完成后，对一致性进行检测；任务结果的人 工抽样检测；与成熟的医学知识图谱对比评 估等。
