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。
总结而言，本系统通过 Neo4j 管理核心知识网络，Python 实现智能解析与服务，Ollama 提供本地化 AI 能力，MySQL 处理业务数据，Node.js 驱动前端交互。这一架构充分发挥了各组件优势，实现了从用户提问、语义理解、知识检索到答案呈现的全链路智能化，为垂直领域的高精度问答与深度知识探索提供了完整的技术解决方案。
三、功能介绍
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。
核心特性包括智能问答、知识图谱可视化、文档自动解析、三元组提取、文件夹管理、RBAC 权限管理、系统管理及用户满意度反馈等。本项目旨在设计并实现一个知识图谱智能问答系统，该系统深度整合了大语言模型（LLM）的语义理解能力与知识图谱（KG）的结构化推理优势，构建一个面向垂直领域的、精准且可信的智能问答平台。传统的大语言模型虽然在生成式问答上表现出色，但其答案存在'幻觉'、不可追溯及事实性可能不足等问题。而传统的知识图谱问答虽能提供精准、结构化的答案，但在自然语言理解与交互灵活性上存在局限。本系统通过创新性地将两者结合，利用知识图谱为 LLM 提供精准、结构化的知识底座，同时利用 LLM 增强系统的自然语言交互与复杂语义理解能力，从而提供答案精准、源头可溯、交互自然的新一代智能问答体验。
系统的核心流程是：首先，通过自动化工具从多种格式的文档中抽取知识，构建结构化的领域知识图谱；当用户提出自然语言问题时，系统协同运用 LLM 与图谱查询技术，将问题转化为对知识图谱的精准查询，并生成附有溯源信息的自然语言答案。这有效弥合了非结构化文本与结构化知识之间的语义鸿沟。
系统核心特性详述
- 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，极大增强了结果的可信度与参考价值。
- 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。这不仅是知识的管理界面，更是用户进行知识发现与关联探索的得力工具。
- 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（头实体，关系，尾实体）的知识三元组，是图谱构建的自动化原料生产线。
- 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，帮助用户有序组织知识源文件。
- 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（RBAC）体系，支持动态菜单配置，可实现不同角色（如管理员、普通用户、访客）权限的精细化管理。
- 综合系统管理后台（管理员专属）：包含用户管理、角色管理、菜单管理等核心模块，确保系统安全有序运行。
- 多服务状态监控面板：实时监控系统关键依赖服务的健康状态，包括后端 API、Neo4j 图数据库、大语言模型（LLM）服务等，便于运维与故障快速定位。
- 交互反馈与持续优化：引入了用户满意度反馈机制，用户可对问答结果进行'满意'或'不满意'的评价，为后续优化问答质量与知识图谱内容提供了宝贵的数据反馈闭环。
综上所述，本系统不仅仅是一个问答工具，更是一个集自动化知识构建、结构化知识存储、可视化知识探索、智能化知识问答与系统化运维管理于一体的综合性知识服务平台。它代表了知识工程与人工智能技术融合的前沿应用，旨在为用户提供精准、可靠、深入且交互友好的知识获取体验。
四、系统实现
系统界面展示了问答交互、图谱可视化及后台管理模块的整体布局与功能细节。
