基于 Vue+Flask+Neo4j 的中医中药知识智能问答与图谱构建系统

用户与管理员角色划分

系统根据用户角色（普通用户与管理员用户）渲染不同的菜单与功能页面。前端通过 Vue-Router 进行页面切换，管理员有访问后台管理模块的权限。

中医证型信息管理

证型浏览

• 每个证型以卡片形式展示，包含详细内容（如定义、症状、对应中药等）。
• 支持搜索与筛选功能。
• 提供'喜欢'、'收藏'、'不喜欢'操作功能，提升用户参与度，并作为推荐数据源之一。

中药浏览

• 展示每种中药的基本信息，如图片、功效、适应症状、药理说明等。
• 提供搜索框进行快速筛选。
• 每种中药与对应的证型建立映射关系，支持知识图谱查看。

智能问答功能

系统通过构建知识图谱及自然语言处理模块，支持用户基于症状、中药名称、功效等关键词发起智能问答。

• 比对用户输入文本与知识图谱中的实体、关系进行匹配。
• 提供自动补全与语义理解功能，实现'问症状，给出建议'或'问某种中药，说明其功能'。
• 支持问答过程中的上下文记录，以优化后续推荐。

病症知识推荐

系统根据用户搜索历史、点击记录及收藏记录，采用混合推荐算法（基于内容、协同过滤与深度学习模型）进行个性化推荐。

• 推荐中医证型、病症与中药组合。
• 用户可查看推荐内容并反馈是否喜欢，作为算法优化依据。
• 后台可监控推荐效果，优化推荐逻辑与模型参数。

知识图谱可视化

知识图谱模块是系统的技术核心之一，用户可以选择浏览'药方与药剂'的关联知识。

• 基于 Neo4j，系统构建了中药、证型、病症、处方之间的复杂关系图谱。
• 前端使用 ECharts 和 D3.js 进行图谱展示，节点代表实体（如证型、中药），边代表关系（如'适合使用'、'用于治疗'）。
• 可拖动、放大缩小、点击查看详细信息。

多维度数据分析

本系统具备多维度的数据分析能力，包括：

• 病症数据分析：按疾病类别、证候、病位、病性进行图表展示。
• 文本分析：对中药功效、药理、化学成分进行文本挖掘。分别采用 TF-IDF（词频 - 逆文档频率）、TextRank（文本摘要排名）、YAKE（关键词提取）三种算法处理。

后台生成关键词或主题词，前端展示为词汇云或关键词列表，便于用户获取重点词义。

使用饼图、柱状图、折线图表呈现用户关注热点或系统数据趋势。

用户画像分析

管理员可以通过此模块进行用户行为分析，辅助系统优化与内容推荐策略。

• 分析方式：对用户浏览、收藏、搜索等行为进行数据统计；按时间维度分析用户行为趋势；提取用户关注的中医证候热点。
• 展示形式：数据图表（折线、柱状图、饼图等）。可选择特定用户单独查看其行为轨迹。

信息可视化加载提示

在进行文本分析处理（如 TF-IDF 处理功效）时，处理速度可能较快较慢，因此前端需加入加载状态提示，以增强用户体验。

• 当用户选择分析维度时，前端显示'正在分析…'状态。
• 分析完成后返回结果展示。

系统用户管理（管理员功能）

管理员拥有更高权限，可以对系统用户进行以下操作：

• 用户增删改查。
• 查看用户详情（点击行为、收藏记录、注册时间等）。
• 设置账号状态（启用/禁用）。
• 生成用户画像报告。

证型与中药数据管理

管理员可维护系统核心数据，包括：

• 添加、删除、编辑证型、中药条目（名称、定义、成分、适应症等）。
• 配置数据字段（如是否公开、是否启用推荐等）。
• 所有配置操作记录均存入 MySQL 供后续查询。
• 证型、中药可配置为可否添加到知识图谱。

个性化设置模块

该模块面向所有用户，允许其根据自身需求进行个性化设置：

• 修改个人信息：可设置姓名、年龄、电话、地址，并选择预设头像。
• 密码修改：输入用户旧密码和新密码，通过后台验证后完成更新。

所有信息更新均通过 Flask API 完成，并与 MySQL 数据库同步。

程序核心算法代码

代码说明

系统的核心算法主要包括：

1. TF-IDF 分析中药功效：通过计算关键词在每条功效中的重要性，提取关键词。
2. TextRank 分析中药药理：结构化的摘要提取，用于推荐中药适应症。
3. YAKE 分析化学成分：通过文本中的上下文位置与重复频率，提取中药的化学关键成分词。
4. 混合推荐算法：根据用户点击、搜索与收藏记录，进行内容推荐或个性化知识展示。

代码实例

Python 示例：Flask 后端调用 Neo4j 获取知识图谱数据

这里展示了如何连接 Neo4j 并动态查询图谱关系。在实际开发中，我们需要注意连接池的管理以及异常处理。

from flask import Flask, request, jsonify
from py2neo import Graph
import json

app = Flask(__name__)
neo4j_graph = Graph("bolt://localhost:7687", auth=("neo4j", "password"))

@app.route('/api/zhongyi/graph', methods=['GET'])
def get_knowledge_graph():
    label = request.args.get('label')  # 动态标签如'证型'或'中药'
    query = """
    MATCH (n:`{}`)-[r]->(m)
    RETURN n.name AS source, type(r) AS relation, m.name AS target
    LIMIT 50
    """
    if not label or label not in ["证型", "中药"]:
        return jsonify({"error": "无效标签"})
    
    results = neo4j_graph.run(query.format(label))
    data = [{"source": r["source"], "relation": r["relation"], "target": r["target"]} for r in results]
    return jsonify({"nodes": results.unique(), "relationships": data})

Cypher 示例：获取与'气滞血瘀'相关的中药关系图谱

MATCH (n:证型 {name: '气滞血瘀'})-[r:适合使用]->(m:中药) 
RETURN n.name AS source, type(r) AS relation, m.name AS target