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。

Claude Cowork 新手一步步指南：从零开始，彻底上手这个改变工作方式的 AI 助手

上周我准备一场演讲，脑子里已经有了想法、研究资料和大致提纲，唯独缺的就是时间。于是我打开 Claude Cowork，用大白话描述了我想做的演示文稿，把笔记文件夹指给它，然后就去忙别的事了。回来一看，一套完整的幻灯片已经做好了：结构清晰、分节合理、演讲者备注一应俱全，连面向当地观众的表达逻辑都调得特别贴切。那场演讲反响特别好，大家都说“哇哦”，而老实说，用传统方式从零做起，我至少得花一整天。那一刻我彻底明白了：Cowork 不是“理论上能干”，而是真正能在高压下帮你把活干完的工具。我在 AI 和产品圈混了这么久，一眼就能看出什么是真不一样，什么是只是营销吹得不一样。Cowork 属于前者。它不是“聊天机器人加点功能”，而是完全不同类别的新工具。大多数听说过它的人，其实还没真正搞懂它到底能干什么、怎么才能用出最高效的结果。这篇指南，就是专门为你们准备的。大多数人用 Claude 的时候，都是当聊天机器人使：输入问题，它给答案，你复制粘贴，自己再去干活。

人工智能：深度学习模型的优化策略与实战调参

人工智能：深度学习模型的优化策略与实战调参 💡 学习目标：掌握深度学习模型的核心优化方法，理解调参的底层逻辑，能够独立完成模型从欠拟合到高性能的调优过程。 💡 学习重点：正则化技术的应用、优化器的选择与参数调整、批量大小与学习率的匹配策略。 48.1 模型优化的核心目标与常见问题在深度学习项目中，我们训练的模型往往会出现欠拟合或过拟合两种问题。优化的核心目标就是让模型在训练集和测试集上都能达到理想的性能，实现泛化能力的最大化。 ⚠️ 注意：模型优化不是一次性操作，而是一个“诊断-调整-验证”的循环过程，需要结合数据特性和任务需求逐步迭代。 48.1.1 欠拟合的识别与特征欠拟合是指模型无法捕捉数据中的潜在规律，表现为训练集和测试集的准确率都偏低。出现欠拟合的常见原因有以下3点： 1. 模型结构过于简单，无法拟合复杂的数据分布。 2. 训练数据量不足，或者数据特征维度太低。 3. 训练轮次不够，模型还未充分学习到数据的特征。 48.1.2 过拟合的识别与特征过拟合是指模型在训练集上表现极好，但在测试集上性能大幅下降。出现过拟合的常见原因有以下3点：

飞算JavaAI赋能企业级电商管理系统开发实践——一位资深开发者的技术选型与落地总结

目录 * 一、背景与选型考量 * 二、开发环境与工具适配 * 1. 基础环境搭建 * 2. 飞算JavaAI插件配置 * 3. 版本控制与协作配置 * 三、核心模块设计与实现 * 1. 需求分析与模块拆分 * 2. 核心代码实现与技术亮点 * （1）实体类设计（带审计字段与枚举约束） * （2）服务层实现（带事务控制与业务校验） * （3）控制器实现（带权限控制与参数校验） * （4）网页端 * 四、系统架构与扩展性设计 * 1. 分层架构设计 * 2. 接口设计规范 * 3. 扩展性保障 * 五、资深开发者视角的工具评价 * 1. 代码规范性与可维护性 * 2. 对企业级业务的理解深度 * 3. 与资深开发者工作流的适配性 * 六、项目成果与经验总结一、背景与选型考量作为一名从业20余年的开发者，我亲历了从JSP+

黄仁勋力荐：OpenClaw不止是下一个ChatGPT，更是AI“动手时代”的破局者

在2026年GTC大会上，英伟达创始人兼CEO黄仁勋抛出了一个振聋发聩的判断：“OpenClaw绝对是下一个ChatGPT”。这一评价并非夸大其词，而是精准点出了AI产业的核心演进方向——从“被动回答”的语言交互，转向“主动行动”的任务执行。ChatGPT开启了大语言模型（LLM）的普及时代，让AI具备了理解和生成人类语言的能力，但它始终停留在“军师”的角色，只能提供方案建议；而OpenClaw的出现，彻底打破了这一局限，将AI变成了能动手干活的“数字员工”，完成了AI从“认知”到“执行”的关键跃迁，成为连接AI能力与现实场景的核心桥梁。下面我将从技术本质出发，拆解OpenClaw的核心架构、关键技术实现，结合代码示例、架构图与流程图，深入解析其如何实现“行动型AI”的突破，以及为何能被黄仁勋寄予厚望，成为AI产业的下一个里程碑。一、认知跃迁：从“回答型AI”到“行动型AI”的本质区别要理解OpenClaw的价值，首先需要明确它与ChatGPT这类“回答型AI”的核心差异。

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