当前位置：首页 > news >正文

F033 vue+neo4j图书智能问答+知识图谱推荐系统 |知识图谱+neo4j+vue+flask+mysql实现代码

news 2025/10/25 7:32:13

文章结尾部分有CSDN官方提供的学长联系方式名片
文章结尾部分有CSDN官方提供的学长联系方式名片
关注B站，有好处！

编号: F033
架构: vue+flask+neo4j+mysql
亮点：协同过滤推荐算法+知识图谱可视化+智能问答
支持爬取图书数据，数据超过万条，知识图谱节点几万个

0 视频介绍

基于neo4j的图书问答知识图谱系统vue+flask架构

1 功能和架构说明

功能图

系统简介：本系统是一个基于Vue、Flask、Neo4j、MySQL和爬虫技术构建的图书管理与推荐系统。其核心功能围绕图书数据的爬取、存储、分析和用户交互展开。系统的主要模块包括：
在这里插入图片描述

架构图

在这里插入图片描述

该系统采用B/S架构，前端使用Vue.js生态系统（包括Vuex用于状态管理、Vue Router用于路由导航）构建用户界面，与Flask后端通过API交互。后端负责业务逻辑处理，利用SQLAlchemy与MySQL数据库进行数据存储，并通过Neo4j构建知识图谱以支持图谱检索。爬虫模块负责从外部来源抓取图书数据，导入MySQL和Neo4j数据库，为系统提供数据支持。
推荐系统基于UserCF和ItemCF算法，分析用户行为和图书特征，提供个性化推荐。数据可视化模块利用ECharts生成多种图表，支持用户进行深入的数据分析。图书问答系统集成了LTP模型，提供智能问答服务。登录和注册功能确保推荐功能仅对授权用户可用，保障系统的安全性和用户体验。
系统架构清晰，技术选型合理，既保证了数据处理的高效性，又提供了丰富的用户交互功能。

系统架构主要分为以下几个部分：用户前端、后端服务、数据库、数据爬取与处理。各部分通过协调工作，实现数据的采集、存储、处理以及展示。具体如下：

1. 用户前端

用户通过浏览器访问系统，前端采用了基于 Vue.js 的技术栈来构建。

浏览器：作为用户与系统交互的媒介，用户通过浏览器进行各种操作，如浏览图书、获取推荐等。
Vue 前端：使用 Vue.js 框架搭建前端界面，包含 HTML、CSS、JavaScript，以及 Vuex（用于状态管理），vue-router（用于路由管理），和 Echarts（用于数据可视化）等组件。前端向后端发送请求并接收响应，展示处理后的数据。

2. 后端服务

后端服务采用 Flask 框架，负责处理前端请求，执行业务逻辑，并与数据库进行交互。

Flask 后端：使用 Python 编写，借助 Flask 框架处理 HTTP 请求。通过 SQLAlchemy 与 MySQL 进行交互，通过 py2neo 与 Neo4j 进行交互。后端主要负责业务逻辑处理、数据查询、数据分析以及推荐算法的实现。

3. 数据库

系统使用了两种数据库：关系型数据库 MySQL 和图数据库 Neo4j。

MySQL：存储从网络爬取的基本数据。数据爬取程序从外部数据源获取数据，并将其存储在 MySQL 中。MySQL 主要用于存储和管理结构化数据。
Neo4j：存储图谱数据，特别是用户、图书及其关系（如阅读、写、出版等）。通过利用 py2neo 库将 MySQL 中的数据结构化为图节点和关系，再通过图谱生成程序（可能是一个 Python 脚本）将其导入到 Neo4j 中。

4. 数据爬取与处理

数据通过爬虫从外部数据源获取，并存储在 MySQL 数据库中，然后将数据转换为图结构并存储在 Neo4j 中。

爬虫：实现数据采集，从网络数据源抓取相关信息。爬取的数据首先存储在 MySQL 数据库中。
图谱生成程序：利用 py2neo 将爬取到的结构化数据（如用户、图书、作者、出版社，以及它们之间的关系）从 MySQL 导入到 Neo4j 中。通过构建图谱数据，使得后端能够进行复杂的图查询和推荐计算。

工作流程

数据爬取：爬虫程序从外部数据源抓取数据并存储到 MySQL 数据库中。
数据处理与导入：图谱生成程序将 MySQL 中的数据转换为图结构并导入到 Neo4j 中，利用 py2neo 与 Neo4j 交互。
前后端交互：
- 用户通过浏览器访问系统，前端用 Vue.js 构建，提供友好的用户界面和交互。
- 前端向 Flask 后端发送请求，获取图书信息或推荐图书。
推荐算法：后端在接收请求后，利用 Neo4j 图数据库中的数据和关系进行处理（如推荐计算），并使用 py2neo 库与 Neo4j 交互获取数据结果。
数据返回与展示：后端将计算结果返回给前端进行展示，通过 Vue.js 的图表库（如 Echarts）进行数据可视化，让用户得到直观的推荐结果和分析信息。

小结

这套系统通过整合爬虫、关系型数据库、图数据库，以及前后端的协调配合，实现了数据的高效采集、存储、处理、推荐和展示。从用户体验的角度，系统能够提供高度个性化的推荐，并通过图形化的方式呈现数据分析结果。

2 功能介绍

1 系统主页，统计页面

在这里插入图片描述

2 知识图谱构造 & 可视化

利用Python 实现知识图谱的构建，同时对构建过程可看进度：
在这里插入图片描述
构建完之后来neo4j界面中可以查看：

本文系统实现的知识图谱可视化：

支持模糊搜索，比如搜索法国作家加缪

3 推荐算法

没有登录无法推荐
在这里插入图片描述

两种协同过滤推荐算法推荐
在这里插入图片描述

点击可以进入图书详情页面(可以查看名称、作者、系列、图片、装帧、用户给图书的评分）
在这里插入图片描述
支持使用评分控件进行评分

4 可视化分析

分为4个页面
图书出版地图分析
在这里插入图片描述

图书分析
在这里插入图片描述

图书评分分析
在这里插入图片描述

图书词云分析
在这里插入图片描述

5 智能问答

代码介绍：该代码实现了一个基于LTP的图书知识问答系统，主要功能包括：1. 使用spaCy进行自然语言处理，提取问题中的实体（如作者、书名等）；2. 从知识库中检索相关信息并生成答案。代码支持多种问题类型，包括作者查询和主题查询，适用于图书推荐和知识问答场景。
截图：
在这里插入图片描述

流程图：

代码：

import spacy
from spacy import displacy
from spacy.util import minibatch, compounding# 加载LTP模型
nlp = spacy.load("zh_core_web_sm")def book_question_processing(question, book_data):"""处理图书相关问题并返回答案"""# 分析问题doc = nlp(question)entities = [(ent.text, ent.label_) for ent in doc.ents]# 提取关键信息（作者、书名、主题等）for entity in entities:if entity[1] == "作者":author = entity[0]elif entity[1] == "书名":book_name = entity[0]# 从知识库中检索答案if "作者" in locals():return f"{book_name} 的作者是 {author}"elif "书名" in locals():return f"{book_name} 的主题是 {book_data[book_name]['主题']}"# 示例问题生成
questions = ["谁是《1984》的作者？","《平凡的世界》主要讲述什么？"
]# 知识库示例数据
book_data = {"1984": {"作者": "乔治·奥威尔", "主题": "反乌托邦"},"平凡的世界": {"作者": "路遥", "主题": "成长与奋斗"}
}# 处理问题并输出答案
for q in questions:print(f"问题：{q}")print(f"答案：{book_question_processing(q, book_data)}\n")