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！ 关注B站，私信获取！ 麦麦大数据
本系统是一个使用vue+flask+neo4j+mysql实现的知识图谱问答系统，前端使用了vue2+vuetify框架来实现知识图谱可视化、飞机知识库、飞机知识问答；此外还包含了登录注册、个人信息修改的功能，系统的后端使用flask架构，将飞机知识图谱存储neo4j中，mysql主要存储系统用户信息。系统包含如下几个部分：第一个部分是数据导入部分，包含了excel数据导入neo4j的内容，先通过pandas读取excel内容，通过py2neo构建节点信息，然后再构建图谱的关系信息。
视频
F056飞机知识图谱问答系统演示
架构图
功能模块图
1 概述
- 整体系统采用前后端分离架构，前端为Vue工程，后端为Flask工程由python编写；
2 图谱的构建
- 数据通过 Excel 导入到 Neo4j 中。系统首先通过 pandas 读取 Excel 数据，并通过 py2neo 构建节点和关系。
- 然后，通过图数据库的关系建模，将图谱数据导入到 Neo4j 中，供后续的问答和查询使用。
3 图谱可视化
1. 前端（D3.js 可视化 + 交互功能）
前端部分主要使用 D3.js 进行图谱的渲染和交互，包括放大、缩小、节点点击等操作。还可以根据不同类型（飞机型号、生产商、事故航班等）进行筛选和模糊查询。
图谱渲染与交互设计
- 加载数据： 当用户查询问题时，前端通过 Axios 请求后端 API，后端查询 Neo4j 图数据库并返回图谱数据（节点和关系）。这些数据将被用来绘制图谱。
- 图谱绘制： 使用 D3.js 进行图谱的绘制。每个节点代表一个实体（如飞机型号、生产商、事故航班等），节点之间的关系通过连线表示。
- 模糊查询： 用户可以输入关键词进行模糊查询，D3.js 会动态更新图谱，突出显示与关键词相关的节点和关系。
- 放大与缩小： 使用 D3.js 提供的缩放功能 (
d3.zoom()) 实现图谱的放大、缩小和拖动功能。 - 节点交互： 用户点击某个节点时，D3.js 会触发相应的交互效果。例如，点击飞机型号时，右侧会展示该飞机的详细信息（如照片、属性等）。
交互效果与菜单展示
- 点击节点： 用户点击节点时，前端会发送 API 请求（例如，通过 Axios）向后端请求该节点的详细属性（如机型、生产商、事故信息等）。后端根据节点信息查询 Neo4j，返回相应的属性数据。
- 展示右侧菜单： 根据用户点击的节点类型，前端更新右侧的菜单信息，展示节点的属性。比如：
- 飞机型号： 显示飞机的照片、长度、翼展、巡航速度、升限等属性。
- 生产商： 显示生产商的名称、国家、成立时间、生产的飞机型号等信息。
- 事故航班： 显示航班的基本信息、日期、事故原因等。前端的菜单可以通过 DOM 更新（例如使用 React/Vue 等框架）来动态渲染这些信息。
4 问答功能
整体流程：
-
用户输入问题
- 用户通过前端界面输入自然语言问题。例如，"某型号飞机的xxx属性？"。
- 前端捕获用户输入并通过 Axios 发送请求到后端。
-
前端通过 Axios 发送请求
- Axios 发起 HTTP 请求（如 POST）到后端 Flask API，传递用户输入的问题。
- 请求携带的参数通常包括问题的文本。
-
后端接收请求并进行 Aho-Corasick 算法预处理
- 后端 Flask 路由接收到用户的问题后，开始进行预处理，核心是通过 Aho-Corasick 算法 提取关键词。
- Aho-Corasick 算法的作用是通过多模式字符串匹配技术，从用户的问题中识别出预定义的特征词（例如，飞机型号、飞机属性、飞机类型、生产商等关键词）。
Aho-Corasick 推理过程的详细步骤：
步骤 1：特征词加载与模型初始化
- 系统在初始化时加载一组预定义的特征词，这些特征词包括常见的飞机相关实体（如"飞机类型"、"生产商"、"飞机型号"等），以及问题类型的标签（如"长度"、"事故"、"生产"等）。
- 这些特征词被组织成一个多模式匹配树（AC自动机），用于高效匹配用户输入中的关键词。
步骤 2：问题类型分类与特征词匹配
- 在用户输入问题后，后端首先用 Aho-Corasick 算法匹配用户输入中的所有特征词。例如，如果用户输入"某型号飞机的发动机性能如何？"，系统会检测到特征词"飞机型号"和"长度"。
- 根据匹配到的特征词，系统进一步判断问题的类型。问题的类型分类可以通过一些预定义的规则进行，比如：
- 如果问题包含"长度"关键词，则推测为关于长度的属性查询；
- 如果问题包含"翼展"关键词，则推测为与翼展相关的属性查询；
- 如果问题包含"生产"等关键词，则推测为询问飞机生产商对应生产机型的关系查询。
- 分类结果和特征词将作为下一步构建图谱查询的依据。
步骤 3：构建图谱查询语句
-
后端执行图谱查询并获取数据
- 后端使用 py2neo 库与 Neo4j 图数据库交互，执行生成的 Cypher 查询。
- Neo4j 图数据库根据查询返回匹配的节点和关系数据（例如，飞机的某些参数、飞机发生的事故等）。
-
处理查询结果并封装答案
- 返回的图数据通常是一个包含节点属性的集合。后端会对返回的数据进行进一步处理，整理成用户易于理解的回答。
- 例如，返回的性能数据可能是多个字段（如波音公司生产了多个飞机机型等），系统会根据问题的上下文对这些数据进行整合和美化。
- 如果查询涉及多个节点和关系，系统可能需要对结果进行排序、筛选和过滤，以确保返回的信息符合用户的意图。
- 此外，后端还可以根据返回的数据做一些额外的推理或补充，如推荐相关信息、给出解释或展示图片等。
- 返回的图数据通常是一个包含节点属性的集合。后端会对返回的数据进行进一步处理，整理成用户易于理解的回答。
-
前端展示查询结果
- 后端将最终的回答结果返回给前端，通常是 JSON 格式的数据，包含查询结果、文本答案等信息。
- 前端接收到数据后，将其格式化为用户友好的形式并展示在页面上。例如，展示问题的详细答案，或者在图谱中高亮相关节点和关系。
Aho-Corasick 算法的详细步骤
1. 特征词加载和模型初始化
- 加载一个包含所有飞机领域关键词的字典，如"飞机型号"，"生产商"，"事故"，"飞机类型"等。
- 使用 Aho-Corasick 算法构建一个自动机（trie树结构），每个节点表示一个字符。然后通过构建失配指针（fail pointer）和输出指针来加速匹配过程。
2. 问题匹配
- 对用户输入的文本，算法通过在树结构中快速匹配输入的字符串，找出所有可能的关键词。
- 对于每个匹配到的特征词，系统可以记录下其在问题中的位置，并根据这些匹配到的特征词进行问题分类。
3. 问题分类
- 根据匹配到的特征词，判断问题的类型。例如，如果匹配到"长度"类的特征词，问题就被分类为长度相关问题；如果匹配到"生产"相关的词汇，则分类为生产商和机型查询。
- 问题类型的分类有助于后续构建更加精准的图谱查询语句。
4. 生成图谱查询
- 通过分析问题中的关键词和问题类型，构建 Cypher 查询语言语句。系统根据问题的意图动态调整查询内容（例如，查询性能相关的属性，还是查询部件和系统的关系）。
- 对于涉及多个实体和关系的复杂问题，系统生成多级查询，结合图数据库的强大查询能力。
5. 封装和美化结果
- 返回的数据通常是图数据库节点和关系的属性，系统根据用户问题进行格式化。例如，将性能参数整理成一段清晰的文本描述，或通过图形化展示推力、油耗等数据。
- 系统还可以根据上下文做出解释和补充，增强用户体验。
5 飞机知识库查询
为了提供便捷的飞机信息查询服务，系统设计了一个直观、易用的飞机机型查询功能 。通过这个功能，用户可以快速查找到系统内所有飞机机型的详细信息。每个飞机机型都以卡片形式 展示，卡片设计简洁、美观，同时提供丰富的飞机属性信息，帮助用户更好地了解每种机型的特性。
1. 飞机卡片展示
每种飞机机型的信息都以一个卡片的形式展示，卡片设计突出视觉美感，同时确保信息清晰易读。具体展示内容如下：
- 示例图片：卡片上方展示的是飞机的高清示例图片，帮助用户直观地了解飞机的外观。图片清晰、精美，增强了页面的可视化效果。
- 飞机型号：卡片的下方会显示飞机的具体型号，方便用户快速识别。
- 飞机类型：标明飞机的类型，如"窄体"或"宽体"，让用户了解该飞机的座舱布局和用途。
- 其他关键属性 ：除了型号和类型，卡片还展示了飞机的一些核心属性，如：
- 飞机长度：标明飞机的总长度。
- 翼展：显示飞机的翼展，便于用户了解飞机的飞行性能。
- 生产商：显示飞机的生产商信息，如波音、空客等。
此外，每个卡片下方还提供了一个"查看详细属性"按钮，用户点击该按钮后可以查看该飞机的所有详细属性信息，包括但不限于飞行性能、机内配置等。
2. 分页展示
为了保持页面简洁和提高加载速度，每页显示4个飞机卡片。通过分页功能，用户可以方便地浏览更多的飞机机型。页面底部提供分页按钮，用户可以点击"上一页"或"下一页"来切换不同的飞机列表页面，快速浏览系统内的所有飞机机型。
3. 搜索功能
在页面的上方，提供了一个搜索输入框，用户可以在其中输入关键词进行模糊搜索。通过输入飞机型号、生产商、飞机类型等相关关键词，系统将自动筛选出匹配的飞机机型。搜索功能帮助用户迅速定位到自己感兴趣的飞机信息，提升了查询效率。
4. 用户体验与交互设计
- 视觉美感：每个飞机卡片都经过精心设计，确保信息清晰、布局合理，同时视觉效果美观、现代。飞机的图片展示和文字信息之间的配合使得整个页面既有功能性，又具有视觉吸引力。
- 分页与导航：分页功能清晰易用，用户可以方便地浏览飞机机型信息，不会因为信息过多而感到困惑。分页按钮的位置设计合理，操作简单直观。
- 搜索功能：搜索框支持模糊匹配，用户可以根据自己的需求输入关键字，系统会自动过滤出相关的飞机信息，极大提升了查询的效率。
6 个人信息修改
- 修改头像：可以上传自己想要的头像进行个性化设置
- 修改信息：修改个人信息如姓名、身份证号、年龄等
- 修改密码：若用户先更要修改密码，用户可以通过手机号码重置密码。
7 登录与注册
系统提供了一个简洁而安全的登录与注册功能，旨在为用户提供顺畅的操作体验。在同一个页面内，通过切换卡片的方式，用户可以选择进行登录或注册操作。以下是对系统登录与注册功能的详细描述：
1. 登录功能
登录功能是用户进入系统的第一步，用户需提供有效的用户名和密码。系统会验证输入的凭据，确保用户身份的正确性。具体流程如下：
- 界面设计：登录功能在一个卡片中实现，卡片内包含两个输入框：一个用于输入用户名，另一个用于输入密码。用户点击"登录"按钮后，系统会将输入的数据提交给后端进行验证。
- 后端验证：系统会向后端发送用户名和密码信息。后端会查询数据库，检查用户名是否存在，并核对密码是否正确。如果用户名或密码错误，系统会返回相应的错误提示信息，如"用户名或密码错误，请重新输入"。
- 登录成功 ：若用户名和密码验证成功，用户将被自动重定向到系统主页，进入系统的主界面。
2. 注册功能
注册功能允许新用户创建账户。通过输入用户名、昵称和密码，用户可以完成注册流程。系统会检查用户名是否已被其他用户注册，以确保每个用户名的唯一性。具体流程如下：
- 界面设计：与登录页面类似，注册功能也在同一张卡片内实现，用户可以通过切换标签从登录切换到注册界面。注册页面包含三个输入框：用户名、昵称和密码，用户填写完这些信息后，点击"注册"按钮提交。
- 后端验证：在用户提交注册信息后，系统会向后端发送请求，后端会检查用户名是否已经存在于数据库中。如果用户名已存在，系统将返回提示信息，告知用户该用户名已被注册，无法继续注册。如果用户名未被占用，系统会将新用户的信息存入数据库，完成注册。
- 注册成功：注册成功后，系统会返回"注册成功"的提示，并允许用户直接跳转到登录页面，用户可以用刚刚注册的用户名和密码登录系统。
- 错误处理 ：如果用户输入的密码不符合强度要求，系统会提示用户密码过于简单，需要更复杂的密码。所有字段都将进行必要的验证，确保信息的完整性和安全性。
3. 切换功能
登录和注册功能在同一个页面内通过切换卡片的方式实现。用户可以根据自己的需求，方便地在登录和注册界面之间切换。切换操作简洁直观，系统提供了清晰的视觉反馈，用户在卡片之间切换时，界面会平滑过渡。
4. 动图效果
为了提升用户体验，登录与注册页面上都将展示一张与系统主题相关的动图。动图不仅增加了页面的互动感，还能帮助用户更好地理解系统的特色和主题。动图将在页面加载时显示，并且在用户切换界面时始终保持一致，形成统一的视觉效果。
8 技术说明
8.1 前端部分
前端部分基于 Vue2 和 Vuetify 开发，同时使用 D3.js 实现知识图谱的可视化展示。具体的技术栈和实现如下：
- Vue2：Vue.js 是一个渐进式的 JavaScript 框架，用于构建用户界面。在这个系统中，Vue2 用于组织前端的组件，提供响应式的数据绑定和组件化开发，确保前端界面的可维护性和扩展性。
- Vuetify：Vuetify 是一个基于 Material Design 的 Vue.js UI 框架，它提供了大量的现成组件，可以帮助我们快速构建现代化的、响应式的用户界面。在这个系统中，Vuetify 用于构建登录、注册、个人信息管理、图谱可视化等各种 UI 组件。
- D3.js：D3.js 是一个强大的 JavaScript 数据可视化库，用于创建复杂的动态和交互式图表。在本系统中，D3.js 用于展示飞机知识图谱的可视化。通过 D3.js，我们可以将 Neo4j 中的数据节点和关系转换成图形化的元素，并为用户提供交互式的图谱浏览体验。例如，用户可以点击图谱中的节点查看详细信息，放大缩小图谱，拖拽图谱中的元素等。
- Axios：Axios 是一个基于 Promise 的 HTTP 库，用于前端与后端之间的数据交互。通过 Axios，前端可以发送异步请求（如 GET、POST 等）到后端的 RESTful API，获取或提交数据。Axios 在系统中用于实现前端与后端之间的通信，传输用户查询的问答请求、用户注册与登录信息等。
8.2 后端部分
后端使用 Flask 框架开发，提供 RESTful API 来支持前端的交互，并处理与数据库和知识图谱相关的各种操作。详细实现如下：
- Flask：Flask 是一个轻量级的 Python Web 框架，适合构建简单且灵活的 Web 应用。Flask 为后端提供了路由、请求处理、会话管理、模板渲染等基本功能。在这个系统中，Flask 用于构建 RESTful API，接收前端的 HTTP 请求并返回响应。
- SQLAlchemy：SQLAlchemy 是一个 Python 的 ORM（对象关系映射）库，用于简化对关系型数据库（如 MySQL）的操作。在系统中，SQLAlchemy 用于与 MySQL 数据库进行交互，存储和查询用户信息以及与飞机知识相关的静态数据（如飞机型号、飞机类型、长度、尾翼、油箱容量等参数等）。它通过 SQLAlchemy 的模型定义，使得数据库操作更加简洁、易于维护。
- Aho-Corasick 算法：Aho-Corasick 是一种高效的字符串匹配算法，常用于多模式匹配。在本系统中，Aho-Corasick 算法用于处理用户的自然语言查询，通过高效的模式匹配技术，快速找出用户查询中的关键词，并结合图谱数据进行回答。特别适用于快速回答多种模式的查询请求。
- py2neo ：py2neo 是一个 Python 客户端库，用于与 Neo4j 图数据库进行交互。在系统中，py2neo 用于将用户查询映射到 Neo4j 图数据库的查询操作，提取与查询相关的图谱数据，并返回给前端。在问答环节，用户查询的问题会被转化为图谱查询，系统通过 py2neo 发起查询请求，利用图谱关系推理出答案。
- Neo4j ：Neo4j 是一个图数据库，专门设计用于处理图形数据。图数据库使用节点（Node）和关系（Relationship）来表示和存储数据之间的关联。系统将飞机领域的知识存储在 Neo4j 中，包含了飞机型号、部件、系统、性能参数等节点，以及这些节点之间的关系（例如，飞机型号与发动机的关联）。Neo4j 提供了强大的图查询语言 Cypher，用于高效地查询节点间的复杂关系。后端通过 py2neo 库与 Neo4j 进行数据交互。
8.3 数据库部分
系统使用了两种数据库：MySQL 和 Neo4j。
- MySQL：MySQL 是一个关系型数据库，广泛用于存储结构化数据。在系统中，MySQL 用于存储与用户相关的信息（如用户名、密码、个人资料等）以及飞机知识库中一些静态的信息，如飞机型号、技术规格、历史数据等。这些信息通常以表格形式存储，方便进行 CRUD 操作。SQLAlchemy 用于简化对 MySQL 的操作，使得开发者能够通过 Python 对数据库进行操作。
- Neo4j：Neo4j 是一个图数据库，主要用于存储飞机相关的知识图谱。知识图谱中的实体（如飞机型号、发动机、部件等）被建模为节点，实体之间的关系（如"使用""属于"等）则被建模为边。Neo4j 适合存储复杂的关系数据，并且支持高效的图查询。在系统中，Neo4j 用于存储和管理飞机领域的知识，并支持基于图的推理和查询。
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！ 关注B站，私信获取！ 麦麦大数据