F066 vue+flask中医草药靶点知识图谱智能问答系统|中医中药医学知识图谱

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，私信获取！麦麦大数据

编号: F066

视频

F066-中药草药成分靶点知识图谱智能问答系统

1 系统简介

系统简介：本系统是一个基于Vue+Flask+Neo4j构建的中医草药成分可视化分析系统。其核心功能围绕中药药方、药材、成分、靶点之间的复杂关系展开，支持知识图谱构建、智能问答、推荐系统与数据可视化分析。主要功能模块包括：登录注册、主页推荐、药方搜索、药材搜索、数据大屏展示、关键词分析、知识图谱查询与智能问答。

2 功能设计

该系统采用前后端分离的B/S架构模式，基于Vue+Flask+Neo4j技术栈实现。前端通过Vue.js框架搭建响应式界面，结合Element UI组件库提供友好的用户交互体验，使用Vue-Router进行页面路由管理，Axios实现与后端的异步数据交互。Flask后端负责构建RESTful API服务，通过Flask-RESTful扩展，利用SQLAlchemy 操作MySQL数据库存储用户信息、学习记录等结构化数据，PyMySQL作为MySQL驱动支持。

在知识图谱构建 方面，系统采用Python脚本读取Excel、CSV数据文件，解析药方、药材、成分、靶点等结构化数据，通过Neo4j图数据库构建实体关系网络，实现多维度关联查询。在推荐系统 功能方面，系统采用协同过滤算法对药方进行智能推荐；在自然语言处理方面，系统集成LTP语义分析框架进行实体识别，结合图数据库查询实现智能问答服务。

2.1 系统架构图

系统采用分层架构设计，前端为Vue框架构建的单页面应用（SPA），通过Axios与Flask后端通信。后端使用Flask RESTful API提供数据接口，通过SQLAlchemy操作MySQL数据库，同时利用Py2neo库与Neo4j图数据库交互，实现高效的图数据存储与查询。数据输入层支持Excel/CSV文件导入，用于批量构建知识图谱。整个系统支持用户交互、数据可视化、文本挖掘与智能推理等多种功能。

2.2 功能模块图

主要功能模块有：

登录与注册模块
主页推荐模块（药方协同过滤推荐）
药方搜索模块（卡片式展示药方信息）
药材搜索模块（卡片式展示药材信息）
数据大屏展示模块（使用ECharts进行统计可视化）

3.1 登录 & 注册

登录注册做的是一个可以切换的登录注册界面，点击"去注册"或"去登录"可以切换对应表单。登录需要验证用户名和密码是否正确，后端通过Flask验证用户身份，成功后返回JWT令牌进行后续请求鉴权。

3.2 主页：药方推荐

主页展示轮播图展示热门方剂与特色推荐，下方采用协同过滤推荐算法，根据用户历史浏览行为和相似用户的偏好推荐个性化药方，提升用户体验。

3.3 方剂搜索

以卡片形式展示药方信息，点击可查看详细内容，包括药方组成、功效、适应症、使用方法等，并支持图片展示，方便用户查阅。

3.4 药材搜索

以卡片形式展示药材信息，包括药材图片、别名、性味归经、功效主治、使用禁忌等，用户可通过关键词快速查找所需草药。

3.5 数据大屏

使用ECharts进行可视化分析制作的中药数据大屏，包括方剂类型分布、典籍来源统计、药材使用频率等维度的图表展示，支持动态交互与多维筛选，为用户提供直观的数据洞察。

3.6 关键词分析 & 词云分析

通过TF-IDF算法 和TextRank算法对中医文献文本进行主题词提取与关键词分析，将高权重关键词生成词云图，直观展示文本核心内容，辅助用户进行主题理解。

3.7 知识图谱

提供交互式知识图谱查询界面，用户可通过输入药方、药材、成分或靶点，查询其在图谱中的相关实体及关系，实现多跳推理与路径探索。

3.8 智能问答

基于LTP（深度学习中文语言处理平台）进行实体识别，识别用户输入中的"症状"、"病名"、"药方"、"药材"等关键词，自动构建图查询语句，通过Neo4j查询对应关系并返回结构化结果。

支持以下问题类型：

症状问病症：例如"恶寒发热属于什么病？"
病症问药方：例如"气虚外感风寒怎么治疗？"
药方问药材：例如"麻黄汤包含哪些药材？"
药材问方剂：例如"用于咳嗽痰白的药方有哪些？"

3.9 个人设置

个人设置方面包含了用户信息修改、密码修改功能。

用户信息修改中可以上传头像，完成用户的头像个性化设置，也可以修改用户其他信息。

修改密码需要输入用户旧密码和新密码，验证旧密码成功后，就可以完成密码修改。

3.10 构建知识图谱

系统支持通过Python脚本读取Excel或CSV格式的中药数据文件，自动提取药方、药材、成分、靶点等实体，并建立它们之间的属性与关系，实时更新到Neo4j图数据库中。支持查看构建进度，提升数据处理的透明度与可控性。

3.11 修改头像与用户信息

用户可上传本地图片作为头像，系统自动进行尺寸裁剪与压缩处理，并保存至服务器，同时支持修改昵称、性别、联系方式等基本信息。

4 程序核心算法代码

4.1 代码说明

核心代码包括：

Python数据导入模块：用于读取Excel/CSV文件，解析中药数据。
Neo4j图数据库操作模块：利用Py2neo库与Neo4j交互，构建节点与关系。
协同过滤推荐算法：基于用户-药方评分矩阵生成推荐列表。
LTP智能问答模块：完成中文句子的分词、词性标注、命名实体识别（NER）。
TF-IDF与TextRank关键词提取算法：用于文本内容的关键词挖掘与展示。

4.2 流程图

（此处可插入流程图说明：如用户请求 → 前端调用API → 后端解析 → Neo4j查询 → 返回结果 → 前端渲染）

4.3 代码实例

python 复制代码

# 1. 读取Excel文件构建知识图谱（示例）
import pandas as pd
from py2neo import Graph

# 连接Neo4j
graph = Graph("bolt://localhost:7687", auth=("neo4j", "password"))

# 读取药方数据
df_prescription = pd.read_excel("prescriptions.xlsx")
df_ingredient = pd.read_excel("ingredients.xlsx")

# 构建药方与药材关系
for _, row in df_prescription.iterrows():
    prescription_name = row['方剂名称']
    # 创建药方节点
    graph.run("MERGE (p:Prescription {name: $name}) RETURN p", name=prescription_name)
    # 关联药材
    ingredients = row['药材'].split('，')
    for ing in ingredients:
        graph.run("""
            MATCH (p:Prescription {name: $p_name})
            MERGE (i:Ingredient {name: $ing_name})
            MERGE (p)-[:CONTAINS]->(i)
        """, p_name=prescription_name, ing_name=ing.strip())

sql 复制代码

-- 2. Neo4j图查询：查询某药方的药材组成
MATCH (p:Prescription {name: "麻黄汤"})-[:CONTAINS]->(i:Ingredient)
RETURN p.name AS prescription, i.name AS ingredient