AI大模型应用实战：构建基于知识图谱的知识问答系统

我爱学大模型

于 2025-03-26 16:28:37 发布

阅读量688

点赞数 22

文章标签：人工智能知识图谱 AI大模型 LLM AI 大模型应用问答系统

本文链接：https://blog.csdn.net/python1234_/article/details/146533393

版权

一、知识图谱概述

知识图谱（Knowledge Graph）是一种结构化的语义知识库，它以图形的方式组织和整合信息，使得数据之间的关系变得直观和易于理解。知识图谱的概念融合了计算机科学、数据科学、人工智能等多个领域的技术，旨在通过关联分析揭示数据背后的深层次关系。

1.1、概念

知识图谱由节点（实体）和边（关系）组成。节点代表实体，如人、地点、物品等；边代表实体之间的关系，如“属于”、“创造”、“位于”等。每个节点和边都可以带有属性，提供更详细的信息。

知识图谱的构建通常包括以下几个步骤：

数据抽取：从各种数据源中提取信息，如文本、数据库、网页等。
实体识别：识别出数据中的关键实体。关系抽取：确定实体之间的关系。
实体链接：将识别出的实体与已知的知识库中的实体进行链接。
知识融合：整合来自不同源的知识，解决冲突和歧义。
存储与查询：将构建好的知识图谱存储在图数据库中，并提供查询接口。

1.2、历史

知识图谱的概念并非一开始就存在，它是随着信息技术和人工智能领域的发展逐渐形成的。以下是几个关键的历史节点：

1980年代：专家系统的发展，可以看作是知识图谱的早期形式。
1990年代：语义网（Semantic Web）概念的提出，旨在通过机器可理解的方式编码信息
2006年：DBpedia项目启动，将维基百科的结构化信息转换为机器可读格式。
2012年：谷歌推出知识图谱，用于增强搜索引擎的功能，提供更丰富的搜索结果。

1.3、作用

知识图谱在多个领域都有着广泛的应用，以下是其主要作用：

搜索引擎优化：通过知识图谱，搜索引擎能够提供更加精确和相关的搜索结果。
推荐系统：知识图谱可以用于个性化推荐，通过分析用户与物品之间的关系，提供更准确的推荐。
语义分析：在自然语言处理中，知识图谱有助于理解词语之间的关系，提高语义分析的准确性。
智能问答：知识图谱可以用于构建智能问答系统，快速准确地回答用户的问题。
决策支持：在商业分析和决策过程中，知识图谱能够帮助发现数据之间的深层次关系，支持更明智的决策。
医疗健康：知识图谱在医疗领域可用于药物研发、疾病诊断等，通过关联分析提高医疗质量

1.4、演示效果

在这里插入图片描述

二、图数据库

图数据库（Graph Database）是一种用于存储和管理图形结构数据的数据库。与传统的基于表格的数据库不同，图数据库专门为处理复杂的关系和网状结构的数据而设计。在图数据库中，数据结构的核心是节点（Node）、关系（Relationship）和属性（Property）

2.1、Neo4j

Neo4j是目前最常使用的图数据库管理系统。它是一个高性能的NoSQL数据库，具有以下特点：

原生图存储：Neo4j使用原生图存储，这意味着它直接在磁盘上存储节点和关系，而不是将图数据转换为其他模型。
Cypher查询语言：Neo4j使用Cypher作为查询语言，这是一种声明式查询语言，专门为图数据库设计，易于学习和使用。
高度可扩展：Neo4j支持大规模的数据集，并且可以通过集群部署来提高性能和可用性。
丰富的生态系统：Neo4j有一个活跃的社区和丰富的生态系统，提供了大量的工具和库来支持图数据库的开发和应用。
由于其强大的功能和易用性，Neo4j在众多行业和领域得到了广泛的应用，成为图数据库领域的佼佼者。

2.2、neo4j使用

输入以下代码启动neo4j

neo4j console

在这里插入图片描述

2.3、创建节点

create (郭靖:人物 {name:‘郭靖’,identity:‘武林高手’})
在这里插入图片描述
create表示新建
小括号内是节点信息，节点的标签label是人物，郭靖是其别名
花括号内是该节点的属性，共有name、identity两个属性

2.4、创建关系

match (黄蓉:`人物`{name:'黄蓉'}),(郭靖:`人物`{name:'郭靖'}) create (黄蓉) -[r:husband{name:'丈夫'}]->(郭靖)

match是匹配
(黄蓉:人物{name:‘黄蓉’})是第一个节点，(郭靖:人物{name:‘郭靖’})是第二个节点
husband是关系的标签，花括号内是该关系的属性，有name属性

2.5、删除所有节点和关系

MATCH (n)
OPTIONAL MATCH (n)-[r]-()
DELETE n,r

在这里插入图片描述

2.6、效果展示

在这里插入图片描述

三、知识问答项目构建

3.1、前端构建

在这里插入图片描述

3.2、大模型进行问题分类和命名实体识别

from zhipuai import ZhipuAI
import json
client = ZhipuAI(api_key="your_api_key")
def wenda(question):
    messages = [
        {
            "role":"system",
            "content":"""我会给你一个句子，请你帮我分类成0-6,0表示询问某人的信息,1表示询问某人毕业于那所学校,2表示询问某人创作的作品,3表示询问某人的出生日期,4表示询问某人与某人的关系,5表示询问某人的配偶是谁,6表示询问作品是谁创作的。
            请按照我给你的提供的json模板,当问题类型属于0,1,2,3,5时,nr字段填入名字,不要work字段.当问题类型为6时,work字段填入作品名称,不要nr字段。
            {
                "类型"：0-6,
                "nr":名字,
                "work":作品名称
            }
            当类型为4时,使用以下模板:
            {
                "类型"：4,
                "nr":['名字1','名字2'],
            }
            只需要返回一个json对象，不要重复问题
            """
        },
        {
        "role": "user",
        "content": f"{question}"
        }
    ]
    response = client.chat.completions.create(
        model="glm-4-flash",
        messages=messages,
    )
    return json.loads(response.choices[0].message.content)

3.3、python操作neo4j数据库

安装项目相应的依赖包

pip install -r requirements.txt

连接数据库

from py2neo import Graph

# 替换下面的 uri, user 和 password 为你的 Neo4j 数据库的连接信息
uri = "bolt://localhost:7687"  # Neo4j Bolt 连接地址
user = "neo4j"  # Neo4j 用户名
password = "your_password"  # Neo4j 密码

graph = Graph(uri, auth=(user, password))

增加数据

# 创建节点
tx = graph.begin()
a = Node("Person", name="Alice")
b = Node("Person", name="Bob")
tx.create(a)
tx.create(b)
tx.commit()

# 创建关系
ab = Relationship(a, "KNOWS", b)
tx = graph.begin()
tx.create(ab)
tx.commit()

查找

alice = graph.nodes.match("Person", name="Alice").first()
print(alice)
relationship = graph.relationships.match(nodes=[alice, b], r_type="KNOWS").first()
print(relationship)