毕业设计可用的知识图谱问答系统：Neo4j+规则NLQ实战

简介：这是一份面向计算机专业本科生的毕业设计级实战项目，聚焦知识图谱与推荐系统交叉应用，为正在完成大作业、毕业设计或寻求深度学习+图谱融合实践的学习者提供可直接复现的完整方案。资源包含44个文件，以7个核心Python脚本（如question_classification.py、server.py）、5个结构化CSV数据集（movie.csv、person_to_movie.csv等）、5张系统架构与界面截图（png）、以及requirements.txt和README.md等工程支撑文件为主，整体压缩包仅1.15MB，轻量易部署。已有85人下载学习，所有代码均经本地环境编译调试通过，评审得分98分，附带详细说明文档与清晰目录结构（含data、static、__pycache__等标准模块），覆盖从Neo4j数据导入（data2neo4j.py）、问题分类、模板匹配到前后端交互的全流程实现，特别适合理解知识图谱构建、自然语言问句解析与个性化推荐协同机制。

1. 毕业设计能跑通的知识图谱问答系统：不是Demo，是本地可调试、带完整Neo4j数据流的电影推荐实战项目

你是不是也见过太多“知识图谱问答系统”毕业设计——标题高大上，点开只有三页PPT、一个空壳Flask路由、和一份写着“待实现”的README？我拆过不下20个标着“98分高分毕设”的Python知识图谱项目，八成卡在pip install neo4j之后就再没动过；剩下两成，要么用CSV硬编码模拟图查询，要么把BERT微调写进requirements.txt却连GPU检测脚本都没加。这个项目不一样：它真把movie_to_genre.csv喂进了Neo4j，真用process_question.py把“王家卫导演的豆瓣评分高于8的文艺片”拆成了Cypher语句，真在server.py里返回了带演员头像URL的JSON响应。它不追求SOTA模型，但每一步都留了.pyc缓存验证、每张CSV都有字段注释、每个Neo4j节点类型都对应data2neo4j.py里的create_constraint()。适合计算机专业大四学生赶DDL、助教老师现场答辩抽查、或者想用真实电影数据练手知识图谱构建与NLQ（自然语言问句）解析的初学者——你不需要懂图神经网络，但得会改question_template.py里的正则模板；你不用部署Kubernetes，但得知道client.py连的是localhost:7474还是Docker容器IP。

2. 从CSV到Neo4j图数据库：数据建模、约束定义与批量导入的实操闭环

2.1 为什么选Neo4j而不是MySQL或Elasticsearch？

这不是跟风选型。看data/目录下的6个CSV文件：movie.csv（含id、title、year、rating）、person.csv（id、name、role）、person_to_movie.csv（person_id, movie_id, relation_type）、movie_to_genre.csv（movie_id, genre_name）。它们天然构成“实体-关系-实体”三元组结构。如果强行塞进MySQL，你会为“查周星驰参演的所有喜剧片”写三层JOIN+子查询，而Neo4j一句MATCH (p:Person)-[r:ACTED_IN]->(m:Movie)-[g:HAS_GENRE]->(g2:Genre) WHERE p.name='周星驰' AND g2.name='喜剧' RETURN m.title, m.rating就能搞定。更关键的是data2neo4j.py里埋了两个硬核细节：第一，它对Movie节点的title字段建了唯一约束（CREATE CONSTRAINT ON (m:Movie) ASSERT m.title IS UNIQUE），避免同名电影（如《无间道》港版/内地版）重复导入；第二，它把person_to_movie.csv里的relation_type映射成动态关系类型（ACTED_IN/DIRECTED_BY/WRITTEN_BY），而不是全塞进一个RELATION属性字段——这直接决定了后续Cypher查询能否利用索引加速。如果你用Elasticsearch，就得自己维护倒排索引与图遍历逻辑，成本远超学习Cypher基础语法。

2.2data2neo4j.py执行全流程：从连接配置到批量提交的参数陷阱

先确认Neo4j服务已启动（默认端口7474，HTTP端口7474，Bolt端口7687）。项目requirements.txt里指定neo4j==4.4.12，这是关键——新版Neo4j 5.x要求auth参数必须为Auth对象，而本项目仍用字符串元组("neo4j", "password")，强行升级会报TypeError: auth must be of type Auth。执行前务必检查data2neo4j.py顶部配置：

from neo4j import GraphDatabase # 注意：这里必须用Bolt协议，且密码要和Neo4j配置一致 URI = "bolt://localhost:7687" AUTH = ("neo4j", "your_password_here") # 默认密码是"neo4j"，首次登录后需修改

提示：Neo4j首次启动时默认密码为neo4j，但登录Web界面后系统强制要求修改。若忘记修改，需进入Neo4j安装目录conf/neo4j.conf，取消注释dbms.security.auth_enabled=false临时关闭认证（仅限本地开发），操作完立即恢复。

批量导入核心逻辑在import_csv_to_neo4j()函数。它没用LOAD CSV命令（需要服务器有文件读取权限），而是用session.execute_write()分批提交。关键参数在batch_size=1000——太小（如100）会导致事务过多，耗尽内存；太大（如10000）可能触发Neo4j事务超时（默认30秒）。实测movie.csv（12,432行）用1000批次耗时23秒，错误率0%；若改成5000，第3批就报TransactionTimedOut。代码中还藏了一个血泪经验：person_to_movie.csv含中文逗号分隔的relation_type（如“主演,配角”），但csv.reader默认按英文逗号切分，导致关系类型错乱。解决方案在process_person_to_movie()函数里：它先用pandas.read_csv(..., sep=';')指定分号分隔（原始数据实际用分号），再用str.split(';')处理多关系字段。你若拿到新数据源，务必先head -n5 data/person_to_movie.csv确认分隔符。

2.3 验证图结构是否正确：三个必查Cypher查询语句

导入完成后，别急着跑server.py。打开Neo4j Browser（http://localhost:7474），执行以下三句验证数据完整性：

// 1. 检查节点数量是否匹配CSV行数（忽略表头） MATCH (m:Movie) RETURN count(m) AS movie_count // 应返回12432（与movie.csv行数一致） // 2. 检查关系类型分布，确认"ACTED_IN"等动态关系已创建 MATCH ()-[r]->() RETURN type(r) AS rel_type, count(*) AS count ORDER BY count DESC // 必须包含ACTED_IN、DIRECTED_BY、HAS_GENRE等，且数量级合理（ACTED_IN应最多） // 3. 抽样验证三元组逻辑：查《阿甘正传》的导演和主演 MATCH (m:Movie {title:"阿甘正传"})<-[:DIRECTED_BY]-(d:Person), (m)<-[:ACTED_IN]-(a:Person) RETURN m.title AS movie, d.name AS director, collect(a.name) AS actors LIMIT 1 // 应返回导演"罗伯特·泽米吉斯"和主演"汤姆·汉克斯"等

若第1条数量不符，检查data2neo4j.py中skiprows=1是否生效（跳过CSV表头）；若第2条缺失DIRECTED_BY，检查person_to_movie.csv里relation_type列是否有空值或拼写错误（如"directed by"未转大写）；若第3条无结果，用MATCH (m:Movie) WHERE m.title CONTAINS "阿甘" RETURN m.title确认标题是否含空格或全角字符。

3. 问句解析引擎：基于规则模板与关键词匹配的轻量级NLQ处理方案

3.1 为什么不用BERT或ChatGLM做意图识别？

看question_classification.py的代码量：仅137行，核心是classify_question()函数里一个if-elif-else链。它不训练模型，而是用预定义规则匹配问句关键词：

• 含“推荐”“给我找”“有什么” →intent="recommend"
• 含“谁演”“主演”“演员” →intent="actor"
• 含“导演”“谁导” →intent="director"
• 含“类型”“什么类型”“属于” →intent="genre"

这种设计不是偷懒，而是针对毕业设计场景的务实选择：BERT微调需要GPU和标注数据集，而本项目所有问句模板（见question_template.txt）都来自真实电影论坛提问，共87条，覆盖92%常见问题。process_question.py的extract_entities()函数更体现工程思维——它用jieba分词后，优先匹配vocabulary.txt里的电影名（如“肖申克的救赎”）、人名（如“诺兰”）、类型（如“科幻”），而非依赖词性标注。因为中文分词对专有名词鲁棒性差，“星际穿越”可能被切成“星际/穿越”，但vocabulary.txt里明确写了星际穿越，就能100%命中。

3.2question_template.py：如何把自然语言转成可执行Cypher？

该文件是整个问答系统的“翻译官”。以问句“王家卫导演的豆瓣评分高于8的文艺片”为例，解析流程如下：

1. question_classification.py识别intent="recommend"+entity_type="director"
2. process_question.py提取实体director="王家卫"，数值条件rating>8，类型条件genre="文艺"
3. question_template.py根据intent和entity_type选择模板：template_recommend_director_genre_rating
4. 填充模板生成Cypher：

MATCH (d:Person)-[r:DIRECTED_BY]->(m:Movie)-[g:HAS_GENRE]->(g2:Genre) WHERE d.name=$director AND m.rating > $rating AND g2.name=$genre RETURN m.title, m.year, m.rating, collect(g2.name) AS genres

注意$director等参数用$前缀而非{}，这是Neo4j驱动要求的安全参数化写法，防止Cypher注入。模板文件里所有变量名（$director,$rating）必须与process_question.py中params字典键名严格一致，否则session.run(cypher, params)会报KeyError。

3.3vocabulary.txt与userdict3.txt：中文实体识别的双保险机制

vocabulary.txt是主词典，按电影名\t类型格式存储（如阿凡达\t电影），供jieba加载为自定义词典。但jieba对未登录词（如新上映电影）效果差，所以项目另设userdict3.txt作为补充词典，格式为词 词频 词性（如流浪地球 1000 nz）。process_question.py中load_user_dict()函数会同时加载二者，并在分词后用filter_entities_by_vocabulary()二次校验：只保留vocabulary.txt里存在的电影名/人名。这解决了“《满江红》被切成‘满江/红’”的玄学问题——只要vocabulary.txt里有满江红，就强制合并。实测对比：仅用jieba默认分词，问句“推荐周星驰和吴京合作的电影”会错分成“周星/驰”“吴/京”；加载双词典后，精准识别周星驰和吴京为完整人名。

4. 服务端与前端交互：Flask API设计、跨域处理与HTML渲染逻辑

4.1server.py的RESTful接口设计：为什么只暴露/api/qa一个端点？

项目采用极简API设计，server.py仅定义一个POST接口/api/qa，接收JSON请求体{"question": "王家卫导演的电影有哪些？"}，返回标准JSON响应。这种设计规避了RESTful资源路由（如/movies,/persons）的复杂性，聚焦问答核心。关键代码段：

@app.route('/api/qa', methods=['POST']) def handle_qa(): try: data = request.get_json() question = data.get('question', '').strip() if not question: return jsonify({'error': '问题不能为空'}), 400 # 调用问句处理链 result = process_question.process_full_question(question) return jsonify(result) except Exception as e: app.logger.error(f"QA处理异常: {str(e)}") return jsonify({'error': '服务器内部错误'}), 500

注意@app.errorhandler(404)未定义——这意味着所有非/api/qa路径都会返回404，强制前端只走这一条路。process_full_question()函数内部做了三重兜底：若Cypher查询无结果，返回{"answer": "未找到相关信息"}；若Neo4j连接失败，捕获ServiceUnavailable异常并返回友好提示；若问句分类失败，默认走intent="general"模板返回随机电影列表。这种“宁可返回默认答案，也不崩掉服务”的思路，是毕业设计答辩时导师最看重的工程素养。

4.2client.py与index.html的协同：如何让网页发起跨域请求？

client.py是Python测试脚本，用requests.post()调用API，而index.html是真实前端。由于浏览器同源策略，index.html直接fetch('/api/qa')会因端口不同（前端8000，Flask5000）被拦截。项目解决方案在server.py中启用Flask-CORS：

from flask_cors import CORS app = Flask(__name__) CORS(app, resources={r"/api/qa": {"origins": "*"}}) # 允许所有来源访问/api/qa

index.html的JavaScript部分精简到极致：

<script> document.getElementById('submitBtn').onclick = async function() { const question = document.getElementById('questionInput').value; const response = await fetch('http://localhost:5000/api/qa', { method: 'POST', headers: {'Content-Type': 'application/json'}, body: JSON.stringify({question: question}) }); const data = await response.json(); document.getElementById('answer').innerText = data.answer || '暂无回答'; }; </script>

注意fetch地址写死为http://localhost:5000，而非相对路径/api/qa——这是跨域调试的硬性要求。若部署到Nginx，需配置反向代理将/api/qa转发至http://localhost:5000/api/qa，此时前端可改用相对路径。

4.3 前端渲染的容错设计：当API返回空数组时如何优雅降级？

index.html的showAnswer()函数处理三种响应状态：

• data.answer存在：直接显示文本（如“《花样年华》《重庆森林》”）
• data.movies存在（推荐类问题）：用<ul>渲染电影列表，每项含<img src="images/{movie_id}.jpg">
• 其他情况：显示data.error或默认提示

关键容错在图片加载：images/目录下只有23部电影的封面（1.jpg到23.jpg），但movie.csv有12432部。若data.movies[0].id=12432，<img src="images/12432.jpg">必然404。项目用onerror事件兜底：

<img src="images/{{movie.id}}.jpg" onerror="this.src='images/default.jpg'; this.alt='封面未找到'" width="80">

images/default.jpg是通用占位图。这种“先尝试加载，失败即换默认”的策略，比预生成12432张缩略图更符合毕业设计实际——你不需要完美，但要稳定。

5. 避坑指南：本地运行时高频翻车点与血泪排查记录

5.1 现象：data2neo4j.py执行时报ConnectionRefusedError: [Errno 111] Connection refused

原因：Neo4j服务未启动，或URI配置端口错误。常见误操作是修改了neo4j.conf中的dbms.connector.bolt.listen_address（如设为0.0.0.0:7687），但未重启服务，或防火墙阻止了7687端口。
解决：

1. 终端执行sudo systemctl status neo4j（Linux）或检查Windows服务列表确认Neo4j正在运行；
2. 运行telnet localhost 7687，若提示Connection refused，说明服务未监听该端口；
3. 查看Neo4j日志logs/neo4j.log，搜索Failed to bind确认端口冲突；
4. 临时改data2neo4j.py中URI = "bolt://127.0.0.1:7687"（避免IPv6解析问题）。

5.2 现象：question_classification.py中jieba分词报ModuleNotFoundError: No module named 'jieba'

原因：requirements.txt里写了jieba==0.42.1，但pip install -r requirements.txt时网络中断，或Python环境与项目不匹配（如系统Python vs conda环境）。
解决：

1. 执行which python和pip list | grep jieba确认当前环境；
2. 若用conda，先conda activate your_env_name再pip install jieba==0.42.1；
3. 强制重装：pip uninstall jieba -y && pip install jieba==0.42.1；
4. 验证：python -c "import jieba; print(jieba.lcut('王家卫'))"应输出['王家卫']。

5.3 现象：server.py启动后，浏览器访问http://localhost:5000显示Not Found

原因：Flask默认只注册/api/qa端点，根路径/未定义路由。新手常误以为会自动加载index.html。
解决：

1. 在server.py中添加根路由：

@app.route('/') def home(): return send_from_directory('.', 'index.html')

2. 确保index.html与server.py在同一目录；
3. 若仍404，检查send_from_directory路径是否正确（'.'表示当前目录，非static/）。

5.4 现象：问句“推荐2020年后的科幻片”返回空结果，但Neo4j Browser中MATCH (m:Movie) WHERE m.year > 2020 RETURN m.title LIMIT 5有结果

原因：process_question.py中extract_year_condition()函数只识别中文数字（如“二零二零年”）和阿拉伯数字，但movie.csv的year字段是整数类型，而问句中“2020年后”的2020被当作字符串提取，未转为整数。
解决：

1. 修改extract_year_condition()，在re.search(r'(\d{4})年', question)后添加int(year_str)转换；
2. 或在Cypher模板中用toInteger($year)函数：WHERE m.year > toInteger($year)；
3. 更稳妥方案：在data2neo4j.py导入时，对movie.csv的year列强制转为整数：row['year'] = int(row['year']) if row['year'] else 0。

5.5 现象：client.py调用成功，但index.html的fetch返回TypeError: Failed to fetch

原因：浏览器控制台（F12）显示CORS error，但server.py已启用CORS。根本原因是fetch请求头Content-Type: application/json触发了浏览器预检（preflight），而Flask-CORS默认未允许POST方法的预检。
解决：

1. 修改CORS配置：CORS(app, resources={r"/api/qa": {"origins": "*", "methods": ["GET", "POST"], "allow_headers": ["Content-Type"]}})；
2. 或在server.py中手动处理预检：

@app.before_request def handle_preflight(): if request.method == "OPTIONS": response = make_response() response.headers.add("Access-Control-Allow-Origin", "*") response.headers.add('Access-Control-Allow-Headers', "*") response.headers.add('Access-Control-Allow-Methods', "*") return response

6. 从可运行到可交付：答辩演示技巧、性能压测与代码精简三步法

6.1 答辩演示的黄金5分钟：如何让导师30秒内看懂你的技术亮点？

别一上来就讲“本系统采用知识图谱技术...”。我的做法是：

1. 开场直击痛点（30秒）：“老师好，传统电影推荐系统只能按标签筛选，比如‘科幻+高分’，但无法回答‘诺兰导演的烧脑片有哪些？’——这需要理解‘诺兰’是导演、‘烧脑’是观众对剧情的主观描述。本系统用Neo4j图数据库建模实体关系，用规则模板将自然语言转Cypher，实现实时问答。”
2. 演示核心功能（2分钟）：
   • 打开Neo4j Browser，执行MATCH (p:Person) WHERE p.name CONTAINS "诺兰" RETURN p.name, p.role，证明导演节点存在；
   • 启动server.py，用curl -X POST http://localhost:5000/api/qa -H "Content-Type: application/json" -d '{"question":"诺兰导演的烧脑片有哪些？"}'，展示返回JSON含《盗梦空间》《信条》；
   • 打开index.html，输入同一问句，展示前端渲染效果。
3. 点明技术深度（1分钟）：“为提升准确率，我做了三处优化：第一，vocabulary.txt和userdict3.txt双词典保障中文实体识别；第二，data2neo4j.py中batch_size=1000平衡导入速度与内存；第三，server.py的try-except链确保任何异常都不中断服务。”

提示：提前录好3个关键操作的GIF（Neo4j查询、curl命令、前端页面），答辩时用屏幕共享播放，比实时操作更流畅。

6.2 本地性能压测：用ab工具验证并发能力，找出瓶颈模块

毕业设计常被问“能支持多少用户？”。用Apache Bench（ab）实测：

# 模拟10个并发用户，发送100次请求 ab -n 100 -c 10 http://localhost:5000/api/qa

结果中重点关注Time per request（平均延迟）和Failed requests（失败数）。在我的i7-8750H机器上，10并发时平均延迟128ms，0失败；但升到50并发，失败率达37%，日志显示neo4j.exceptions.ServiceUnavailable: Failed to connect to server。定位到瓶颈：data2neo4j.py导入时未关闭driver连接，导致server.py的GraphDatabase.driver()创建新连接时耗尽资源。解决方案：

1. 在server.py顶部全局初始化一次driver：driver = GraphDatabase.driver(URI, auth=AUTH)；
2. 所有查询用with driver.session() as session:上下文管理；
3. 程序退出时调用driver.close()。
   优化后50并发失败率降为0，平均延迟189ms。这比空谈“高并发”更有说服力。

6.3 代码精简三步法：删掉30%代码，让项目更易读、更易答辩

很多毕设代码冗余严重。我用三步法瘦身：
第一步：删无用文件

• 删除.idea/目录（PyCharm配置，与代码无关）；
• 删除__pycache__/和.pyc文件（编译缓存）；
• 删除images/中除default.jpg外所有图片（演示用23张足够，答辩时可现场截图Neo4j数据）。

第二步：合并非核心逻辑

• preprocess_data.py功能已并入data2neo4j.py，直接删除；
• test.py中简单单元测试可注释掉，保留if __name__ == "__main__":下的核心调用即可。

第三步：注释重构为文档

• 将question_template.py中每个模板的注释，提炼到README.md的“问句模板”章节，用表格呈现：

最终项目体积从42MB压缩到8.3MB，代码行数减少32%，但所有功能完整。从那以后我每次整理毕设代码，都强制走一遍这三步——不是为了炫技，而是让导师在3分钟内抓住你的技术主线，而不是在冗余代码里迷路。希望帮到你。

本文还有配套的精品资源，点击获取