一、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。例如，面对'李白最欣赏的诗人是谁？'或'与《静夜思》情感基调相似的杜甫作品有哪些？'这类问题，传统系统往往束手无策。因此，构建能够理解复杂语义、进行关联分析与逻辑推理的智能问答系统，成为提升信息获取效率与智能化水平的关键需求。
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。这一技术路径对于传承与梳理中华优秀传统文化，特别是像古诗词这样蕴含丰富人物、事件、意象、情感关联的领域，具有独特的应用价值。一个以古诗词为核心的知识图谱，能够将诗人、作品、典故、历史背景、文学风格等元素深度关联，为深度问答与文化挖掘提供坚实基础。
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。相比传统关系型数据库，它在处理复杂、多变的关系网络时具有显著优势。
在此背景下，本毕业设计选题——'基于 Neo4j 知识图谱的智能问答系统'，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（如古诗词），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。这不仅是对图数据库、自然语言处理等核心技术的综合应用，更是对如何将非结构化文本转化为结构化知识，并最终服务于精准智能问答这一完整方法论的一次重要工程实践。
本项目的意义在于：技术层面，掌握知识图谱从构建到应用的完整技术链，特别是 Neo4j 的应用与 Cypher 查询优化，以及语义解析的关键算法；应用层面，构建的垂直领域问答系统原型，可作为智慧教育、文化传承等场景下的解决方案，展示知识图谱在实现深度、推理式问答方面的强大能力；研究层面，为探索更复杂的语义理解、推理机制与对话管理提供了有价值的实践平台。因此，本项目不仅是完成一个具备先进技术特征的软件系统，更是对如何利用图结构知识驱动下一代智能应用的一次深入探索与尝试。
二、技术介绍
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。
1. 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，为智能问答与推荐提供底层支持。
- 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（如诗词赏析、历史文献）进行实体关系识别（采用预训练模型或规则抽取），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'创作于'、'引用'、'风格相似'等丰富语义关系。
- 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（如'苏轼在杭州写过哪些词？'）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（如个性化 PageRank、社区发现），基于用户历史交互与图谱拓扑结构，实现深度关联推荐（如'喜欢杜甫《春望》的用户，也关注了这些反映战乱的诗作'）。
2. 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 Ollama 本地运行的大模型进行问句的意图识别与实体链接（将问题中的词语映射到图谱中的实体），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，确保系统数据的完整性与业务管理的便利性。
- 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（如 Llama 2、Qwen 等），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，是实现高准确性问答的关键。
3. 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，实现问答界面、图谱可视化、推荐内容展示等交互功能。
