基于Python+Neo4j+民航数据 ，我搭建了一个知识图谱的自动问答系统

最近耗时一周，我基于Python+Neo4j ，搭建了一个民航业知识图谱的自动问答系统。

环境

• Windows 10 x64

• Python 3.7

• Neo4j community 3.5.20

运行

• 1、确保安装所需依赖

  pip install -r requirements.txt

注：python-Levenshtein 如果安装不成功，则可以下载对其进行离线安装。

• 2、构建知识图谱

修改const.py文件中连接数据库使用的URI，USERNAME和PASSWORD的值。然后执行：

  python build_cakg.py

运行大约需要2~5分钟。

• 3、可以使用两种方式运行：

①. 运行命令行端

  python run_cmd.py

普通问题的回答以字符串的形式给出；带有图表的回答，图表会被渲染至results文件夹中。

②. 运行web端（效果图见下文）

  python run_web.py

带有图表的回答和普通回答一样会被渲染至web页面中，同时也被保存至本地results文件夹中。

注1：最好使用谷歌浏览器（Google Chrome）；

注2：生成图表的文件夹地址可以在const.py中更改CHART_RENDER_DIR。

• 4、have fun!

1、项目结构

---------------------------------------  root
   |------data/                        # 数据存放
          |------dicts/                # 存放特征词（运行build_cakg.py后自动生成）
          |------question/             # 存放问句中的疑问词
          |------reference/            # 存放指代词
          |------tail/                 # 存放尾词（后缀词）
          |------data.json             # 从年报中组织出的数据
          |------raw.7z                # 11-19年的年报
   |------demo/                        # 以jupyter-notebook的形式给出了各种问题类型的演示和说明
   |------doc/                         # 存放有关readme的文件
   |------lib/                         # 函数库
   |------results/                     # 存放某些问题生成的图表（会自动生成）
   |------test/                        # 存放一些单元测试
   |------web/                         # web app
   ......
   |------answer_search.py             # 回答组织器
   |------build_cakg.py                # 构建知识图谱
   |------chatbot.py                   # 自动问答器
   |------const.py                     # 常量
   |------question_classifier.py       # 分类器
   |------question_parser.py           # 解析器

2、数据组织

①. 基本构想

通过浏览公报发现：

• 每一年所涉及的目录大差不差，有时多有时少，或者只是改个名字；

• 目录中涉及的指标每年都有一定的变动，而且某些指标里面嵌套指标，还有些指标中给出了各地区的组成值；

• 指标的值有数值类型，也有字符串类型，有的有单位，有些则没有，而且有些单位在某些年份还不同。

基于上述几点，我将知识图谱的构建以年份为中心展开，将各个目录、指标等等实体作为知识图谱的结点。结点与结点之间相连接的关系称为结构关系（详细见下文），那么将每个年份结点到各个指标和地区的关系称为值关系（详细见下文）。

将结构和值两种关系拆开：

• 从结构关系来看，不用一个年度录入一个年度的所有指标，每个年度中肯定有重复指标，这样避免了数据冗余。若每年的指标位置基本不变，则上述做法直接可行，但实际上指标出现的位置可能每年都飘忽不定，所以若直接按上述做法会出现这种情况：

假设2012年指标C1包含指标A、B，指标C2包含指标C；2013年指标C1包含指标A，指标C2包含指标B、C；则其结构关系为:

其中橙色的边是2012年特有的，蓝色的则是2013年特有的，而黑色的是它们共有的。但在知识图谱中这些边没有颜色之分，是按上图整个结构存储的，这就造成了一个父子结构关系错乱的问题，比如：我要查找13年指标C1包含的所有指标，则A和B都会被返回，而实际上B不应该被返回。

为了解决上述问题，并且不增加任何额外的关系，我为每个关系引入了一个生命周期属性life。这个属性运用了掩码的思想，每个年份维护自己的掩码（运行构建知识图谱脚本时会被自动生成），在遇到上述问题时，拿来和关系中的life做与运算，若结果不为0，就说明此年份包含此指标，反之则不含。

• 从值关系来看，问题中也是直接给出年份和指标名称，这样也方便查询。

部分结点间的关系如下图：(橙色为年份，棕色为目录，蓝色为指标)

部分结点间的关系如下图：(橙色为年份，棕色为目录，蓝色为指标，红色为地区/机场/公司集团，下同)

②. 知识图谱实体类型

③. 知识图谱实体关系类型

④. 知识图谱属性类型

3、问题预处理

主要指年份和指标两个角度的预处理，此部分详见lib/complement.py。

①. 年份角度 对问题中的年份进行替换，方便特征词识别，例：

   11年 -> 2011年
   两千一十一年 -> 2011年
   11-15年 -> 2011年,2012年,2013年,2014年,2015年
   13到15年 -> 2013年,2014年,2015年

   13年比前年 -> 2013年比2011年
   15年比大大前年 -> 2015年比2011年

   16年比3年前 -> 2016年比2013年
   16年与前三年相比 -> 2016年与2015年,2014年,2013年相比
   ......

②. 指标角度 对问题中的指标名进行替换，避免因错字漏字而特征词识别不成功。通过Levenshetin算法实现对指标名的模糊查询。例：

   游客周转量 -> 旅客周转量
   ......

4、问题分类

问题的分类是基于特征词的分类，使用ahocorasick算法。

下表给出的是各种问题的类型，更详细的内容请参见项目demo中的demo1~4.ipynb。

5、Web APP

web端使用Flask构建，采用前后端分离的方式。问答界面较为简洁。但可实现以下功能：

• 回答带有的图表可以直接渲染至页面；

• 回答中某些关键词以tooltips的形式进行了解释说明（关键词取自年报的注释部分）。

源码&技术交流

本文项目源码、数据、技术交流提升，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友

方式①、添加微信号：dkl88191，备注：来自CSDN +研究方向
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：民航问答系统