protege+Neo4j+前端可视化知识图谱项目（教育领域）

首先是JDK的版本，与启动Neo4j的Java版本不一样，所以这里又涉及到关于如何在电脑上配置多个Java的版本并实现切换。可以参考下面的这篇文章进行配置。简单来说，就是从官网上下载想要的两个Java版本，然后分别去配置系统变量。最后主要是通过修改JAVA_HOME这个的变量的变量值%JDK1.8%（这里表示的是变量JDK1.8），如果想切换为JDK11，则修改变量值为%JDK11%

windows安装两个或多个JDK，并实现自由切换_windows安装两个jdk-ZEEKLOG博客

其次再打开那位B站博主分享的文件，在他的视频简介里。将其下载存储倒本地。但不过我按照视频里面的教程做的时候，遇到了很多问题，要么就是转化之后的turtle文件的大小变为0KB，要么就是无法正常生成turtle文件。所以我采用了下面的方法，大家可以参考。

在这个文件夹里面，shift+鼠标右键会出现这个窗口，然后打开powershell，输入这串指令。后面的两个文件名可以替换，源文件为creature.owl，输出为creature.turtle。

java -jar rdf2rdf-1.0.1-2.3.1.jar creature.owl creature.turtle

然后会提示已经完成了转化，所以在文件夹我们就可以看到转化后的文件了。

注意看转化后的文件大小是不是0KB，不是的话就说明转化成功了。

2.3导入Neo4j

1. 清除数据库中的所有数据

MATCH (n) DETACH DELETE n;

2. 初始化 RDF 导入配置

CALL n10s.graphconfig.init();

3. 导入 RDF 数据

CALL n10s.rdf.import.fetch("file:///E:/BaiduNetdiskDownload/owl导入neo4j/第一单元_test.turtle", "RDF/XML", {handleVocabUris: "IGNORE"})

注意修改你自己的文件地址

4.查询所有（部分）数据

MATCH (n) WHERE n:`节点名称1` OR n:`节点名称2` OR n:`节点名称3` RETURN n LIMIT 500;

5.查询边关系

MATCH ()-[r]->() RETURN DISTINCT type(r) AS relationshipType

6.一些细节

节点信息的uri有很长的前缀，怎么删除，用下面的指令。

MATCH (n) SET n.uri = REPLACE(n.uri, 'http://www.semanticweb.org/florence/ontologies/2025/1/untitled-ontology-9#', '') RETURN n

注意更换你自己的uri前缀。下面的uri就没有前缀了。

3、Neo4j导出JSON文件

导出JSON文件的目的是方便后面利用Echarts进行可视化。需要借用到APOC库。关于他的下载可以自己去网上搜搜，如果后面找到了我当时看的文章，会再更新的。

所以先下载APOC库，再进行后续操作。

这一步可以检验是否下载成功。

RETURN apoc.version()

导出文件。

CALL apoc.export.json.query(   "MATCH (n) WHERE n:`节点名称1` OR n:`节点名称2` OR n:`节点名称3` OPTIONAL MATCH (n)-[r]->(m) RETURN n, r, m LIMIT 500",   "file:///E:/neo4j/neo4j-community-4.4.41/import/output_3.0.json",   {format: 'PLAIN'} )

这个代码的主体包括

第一行：查询所有节点+匹配关系+返回所有信息

第二行：导出文件路径及文件名称

第三行：指定导出的格式为 PLAIN，即简单的 JSON 格式

至此，原始数据已经获得。下面将进行数据的处理，然后利用Echarts和VUE实现前端可视化，由于该项目主要与教育领域有关，所有后面这个案例就是教育领域的了，如果大家已经成功完成了上述的所有尝试，那么可以尝试形成自己的文件了。

4、可视化前的操作

4.1利用python对数据进行处理

在导入Echarts之前，我们发现从neo4j导出的JSON文件并不符合Echarts的数据格式，所以我们需要利用Python对数据进行处理。

以下是原始的JSON数据，是不符合Echarts的数据格式的。

{ "n": { "type": "node", "id": "2", "labels": [ "Resource", "课名称", "owl__NamedIndividual" ], "properties": { "描述": "算法的多分支结构，判断闰年的规则", "编号": 3.3, "名称": "闰年平年我知道（1）", "所属知识单元": "用算法解决问题", "对应课标内容": "（1）借助学习与生活中的实例，体验身边的算法，理解算法是通过明确的、可执行的操作步骤描述的问题求解方案， 能用自然语言、流程图等方式描述算法。（2）结合生活中的实例，了解算法的顺序、分支和循环三种基本控制结构，能分析简单算法的执行过程与结果。", "所属类型": "课名称", "uri": "闰年平年我知道（1）" } }, "r": { "id": "69", "type": "relationship", "label": "父子", "start": { "id": "2", "labels": [ "Resource", "课名称", "owl__NamedIndividual" ] }, "end": { "id": "101", "labels": [ "Resource", "知识元", "owl__NamedIndividual" ] } }, "m":

下面是python代码。记得修改输入和输出文件的地址

import json def convert_to_echarts_data(file_path): # 加载Neo4j导出的JSON数据 with open(file_path, 'r', encoding='utf-8') as f: neo4j_data = json.load(f) # 初始化ECharts数据 echarts_data = { "nodes": [], "links": [] } # 节点处理 node_map = {} # 用于去重和避免重复添加节点 for item in neo4j_data: node = item.get("n", None) if node: node_id = node.get("id") node_labels = node.get("labels", []) node_properties = node.get("properties", {}) node_name = node_properties.get("名称", node_properties.get("name", node_id)) node_uri = node_properties.get("uri", node_id) # 创建或更新节点 if node_id not in node_map: echarts_node = { "id": node_id, "name": node_name, "category": node_labels[1] if node_labels else "其他", "value": node_uri, "properties":node_properties } echarts_data["nodes"].append(echarts_node) node_map[node_id] = echarts_node m_node = item.get("m", None) if m_node: node_id = m_node.get("id") node_labels = m_node.get("labels", []) node_properties = m_node.get("properties", {}) node_name = node_properties.get("名称", node_properties.get("name", node_id)) node_uri = node_properties.get("uri", node_id) # 创建或更新节点 if node_id not in node_map: echarts_node = { "id": node_id, "name": node_name, "category": node_labels[1] if node_labels else "其他", "value": node_uri, "properties": node_properties } echarts_data["nodes"].append(echarts_node) node_map[node_id] = echarts_node # 边处理 for item in neo4j_data: relationship = item.get("r", None) if relationship: start_node = item.get("r").get("start") start_id = start_node.get("id") end_node = item.get("r").get("end") end_id = end_node.get("id") relationship_label = relationship.get("label") # 创建边对象 echarts_link = { "source": start_id, "target": end_id, "value": relationship_label, } echarts_data["links"].append(echarts_link) return echarts_data # 将转换后的数据保存为文件 if __name__ == "__main__": input_file = r"E:\neo4j\neo4j-community-4.4.41\import\output_4.0.json" output_file = "converted_data2.0.json" echarts_data = convert_to_echarts_data(input_file) with open(output_file, 'w', encoding='utf-8') as f: json.dump(echarts_data, f, ensure_ascii=False, indent=4) print(f"数据已成功转换并保存到 {output_file}")

最后输出的是这样的JSON数据。

"nodes": [ { "id": "2", "name": "闰年平年我知道（1）", "category": "课名称", "value": "闰年平年我知道（1）", "properties": { "描述": "算法的多分支结构，判断闰年的规则", "编号": 3.3, "名称": "闰年平年我知道（1）", "所属知识单元": "用算法解决问题", "对应课标内容": "（1）借助学习与生活中的实例，体验身边的算法，理解算法是通过明确的、可执行的操作步骤描述的问题求解方案， 能用自然语言、流程图等方式描述算法。（2）结合生活中的实例，了解算法的顺序、分支和循环三种基本控制结构，能分析简单算法的执行过程与结果。", "所属类型": "课名称", "uri": "闰年平年我知道（1）" } }, ..... "links": [ { "source": "2", "target": "101", "value": "父子" },

4.2学习VUE&Echarts

250924

更新结束，下次有机会继续更新。

Open WebUI重排序功能终极配置指南：从入门到精通

Open WebUI重排序功能终极配置指南：从入门到精通【免费下载链接】open-webuiOpen WebUI 是一个可扩展、功能丰富且用户友好的自托管 WebUI，设计用于完全离线操作，支持各种大型语言模型（LLM）运行器，包括Ollama和兼容OpenAI的API。项目地址: https://gitcode.com/GitHub_Trending/op/open-webui 你是否遇到过Open WebUI搜索结果不够精准、AI回答与预期相差甚远的问题？重排序功能正是解决这一痛点的关键利器。本文将带你从零开始，全面掌握Open WebUI重排序功能的配置、优化和应用技巧，让你的AI助手真正理解你的需求。什么是重排序？为什么它如此重要？重排序（Reranking）是Open WebUI检索系统中的智能优化模块。想象你在图书馆找书，初始搜索可能返回100本相关书籍，而重排序功能则像一位专业的图书管理员，根据你的具体需求将最匹配的10本放在最前面展示。在Open WebUI中，重排序功能通过以下核心模块实现： * 重排序模型实现：位于backend/open_

眼科OCT图像分析：GLM-4.6V-Flash-WEB测量视网膜厚度

眼科OCT图像分析：GLM-4.6V-Flash-WEB测量视网膜厚度在现代眼科临床实践中，医生每天要面对数十甚至上百张OCT图像。这些高分辨率的横截面影像虽然能清晰展示视网膜各层结构，但手动测量黄斑区厚度、追踪病灶变化的过程却极其耗时且易受主观因素影响。尤其是在基层医院或远程诊疗场景中，专业阅片医师资源紧张，亟需一种既能保持精准度又能快速响应的自动化分析工具。正是在这样的背景下，GLM-4.6V-Flash-WEB 的出现显得尤为及时。它不是传统意义上的图像分割模型，而是一个具备“看懂图像+理解语言”双重能力的轻量级多模态视觉语言模型（VLM）。这意味着我们不再需要为每个测量任务单独训练一个深度学习网络，而是可以通过自然语言直接向系统提问：“请测量中心凹内核层的视网膜总厚度”，模型就能自动定位目标区域并返回结果——就像一位经验丰富的AI助手实时协助诊断。模型架构与工作流程：从图像到语义推理 GLM-4.6V-Flash-WEB 基于Transformer的编码器-解码器结构构建，融合了视觉感知与语言理解两大能力。其核心流程并非简单的“输入图像→输出标签”，而是实现了真

Sonic数字人前端界面可用Vue + Three.js构建交互式预览

Sonic数字人前端界面可用Vue + Three.js构建交互式预览在虚拟内容爆发的时代，我们正见证一场从“真人出镜”到“数字人上岗”的悄然变革。无论是电商平台的24小时客服、教育领域的AI讲师，还是短视频平台上活跃的虚拟主播，数字人已不再是科幻电影中的概念，而是切实走进了生产流程。然而，传统数字人系统依赖复杂的3D建模与动画绑定，开发周期长、成本高，难以满足轻量化和快速迭代的需求。 Sonic 的出现改变了这一局面。作为腾讯与浙江大学联合研发的轻量级口型同步模型，它仅需一张静态人脸图像和一段音频，就能生成唇形精准对齐、表情自然流畅的说话视频。这极大降低了数字人内容创作的技术门槛。但真正让这项技术“落地可用”的，是其前端交互体验的设计——如何让用户直观地上传素材、调节参数，并在点击“生成”前就大致预知结果？答案正是：Vue + Three.js 构建的交互式预览系统。为什么选择 Vue？不只是为了“写页面” 很多人认为前端框架只是用来“画按钮和表单”，但在数字人这类复杂应用中，Vue 扮演的是整个系统的“神经中枢”

前端数据库 IndexedDB 详解：构建强大的离线Web应用

IndexedDB 详解：构建真正强大的离线 Web 应用（2025–2026 实用指南） IndexedDB 是浏览器内置的 NoSQL 数据库，专门为前端设计，用于在客户端存储大量结构化数据，是目前实现离线优先（Offline First）、PWA、复杂前端状态持久化的最强工具。一、为什么前端需要 IndexedDB？（对比其他存储方式）存储方式容量限制（大致）数据结构事务支持异步/同步适合场景离线能力Cookie4KB键值对无同步会话标识、少量配置弱localStorage5–10MB键值对（字符串）无同步简单配置、用户偏好中sessionStorage5–10MB键值对无同步临时表单数据、tab 间状态弱Cache Storage较大（取决于浏览器）响应对象无异步静态资源缓存（Service Worker）强（资源）IndexedDB几百 MB ~ 几 GB对象存储有异步大量结构化数据、离线 CRUD、复杂应用最强一句话结论：

1、工具下载

1.1protege的安装

1.2Neo4j的安装

2、Neo4j导入protege文件

2.1启动Neo4j

2.2protege导出owl文件转turtle文件