项目背景
知识图谱作为人工智能领域重要的知识表示与推理技术，近年来已成为实现机器认知智能的核心基础设施。它将海量、异构的实体、属性及其复杂关系，以图结构的形式进行语义化组织与存储，形成了一张能够被计算机理解和处理的'知识网络'。在信息爆炸的时代，传统基于关键词匹配的搜索引擎和问答系统，往往难以理解用户查询背后的深层语义与意图，导致返回结果碎片化、准确性不足，尤其无法有效回答涉及多跳推理、关系路径挖掘的复杂问题。
在各行业知识密集型应用（如医疗诊断辅助、金融风控、智慧教育等）的驱动下，基于知识图谱的智能问答（KBQA）技术展现了巨大潜力。它通过将自然语言问题解析为对知识图谱的结构化查询，能够直接返回精准、结构化的答案，而非一系列相关网页链接，实现了从'信息检索'到'知识问答'的质变。
当前，图数据库技术（如 Neo4j）的成熟为知识图谱的构建与应用提供了强大支撑。Neo4j 以其原生的图数据存储、高效的图遍历查询性能（Cypher 查询语言）和直观的可视化能力，完美契合知识图谱对关系表达能力与查询效率的极高要求。
在此背景下，本毕业设计选题旨在深入探索并实践这一前沿技术栈。项目将聚焦于特定垂直领域，完成从领域知识图谱构建、自然语言问句解析、到图谱查询与答案生成的全流程设计与实现。
技术架构
本项目构建一个基于 Neo4j 知识图谱的智能问答系统，核心技术栈覆盖知识图谱构建、语义理解与服务部署三大层面，形成从前端交互、智能解析到知识存储与计算的完整闭环。
核心知识图谱层：Neo4j 驱动
- Neo4j 图数据库：作为系统的'知识大脑'，承担核心知识存储与计算任务。其原生图结构完美适配实体关系网络，通过高效的图谱知识表示（节点代表实体，边代表关系），直观建模领域内复杂的关联。利用 Cypher 查询语言，可执行高效的多跳查询与路径分析。
- 知识图谱构建：是系统的基石。通过结构化数据导入与对非结构化文本进行实体关系识别，逐步构建包含诗人、作品、朝代、典故、意象、地点等实体的领域图谱，并建立丰富语义关系。
- 智能问答与推荐算法：基于构建的图谱，实现两种核心智能服务。智能问答将自然语言问题通过语义解析转换为 Cypher 查询，在图谱中检索并返回精确答案。知识图谱推荐算法则利用图算法，基于用户历史交互与图谱拓扑结构，实现深度关联推荐。
服务与数据处理层：多技术栈协同
- Python 后端服务：作为核心业务逻辑层，使用 Flask 或 FastAPI 框架编写 RESTful API。它负责衔接前后端与图谱：接收前端查询请求，调用本地大模型进行问句的意图识别与实体链接，生成并执行 Cypher 查询，并对查询结果进行后处理与自然语言答案生成。
- MySQL 关系数据库：作为后端服务的辅助数据库，用于存储用户信息、交互日志、系统配置及缓存数据等非图结构业务数据，与 Neo4j 形成异构数据存储的互补。
- Ollama 本地大模型：为系统注入强大的自然语言理解与生成能力。通过本地化部署 LLM，在保障数据隐私的前提下，完成问句的语义解析、答案润色等任务。
前端交互层：Node.js 服务
- Node.js 运行环境：负责托管与运行前端应用（通常基于 Vue.js 或 React 构建）。它通过轻量级的 Web 服务，提供用户界面，并利用 Axios 等工具与 Python 后端 API 进行通信。
核心功能
知识图谱智能问答系统是一款将大语言模型与知识图谱技术深度结合的智能问答平台。系统通过自动化构建领域知识图谱，结合自然语言处理技术，为用户提供精准、可溯源的智能问答服务。
- 智能问答与可追溯性：系统提供基于深度语义理解的智能问答接口。其核心优势在于，不仅能生成自然流畅的答案，更能将答案中的关键事实追溯到知识图谱中的具体节点和关系，为用户提供透明的答案依据。
- 动态知识图谱可视化：集成强大的交互式图谱可视化模块。用户可直观浏览整个知识网络的拓扑结构，并支持节点搜索、关系路径展开、关系深度动态切换与聚焦探索。
- 自动化知识构建与管理：
- 文档自动解析与知识抽取：支持上传 PDF、TXT 等常见格式文档，后端自动进行文本解析、实体识别与关系抽取，形成知识三元组。
- 灵活的文件夹管理：提供类似桌面系统的文档管理功能，支持创建文件夹、拖拽移动文档、批量删除等操作。
- 完善的系统管理与监控：
- RBAC 权限控制系统：构建了完整的基于角色的访问控制体系，支持动态菜单配置。
