基于neo4j的电影知识图谱问答与展示

介绍：
请使用前务必读一下README.md，系统主要是电影相关的知识图谱问答和展示，图谱问答底层有具体说明文档说明，
可以直接看。
整个系统使用django构建，自带了一份数据，比较完整，有初始化数据脚本，neo4j按照README.md初始化，数据量比较大，
初始化可能要二十多分钟（mac顶配），看系统性能。
底层数据库知识图谱采用neo4j，关系型数据库采用sqlite，
也可以换成mysql，主要是图谱的展示与问答。

初始化数据：

1、 neo4j的账号密码改为:neo4j/123456
2、 进入到根目录下的 xy_neo4j目录 执行: python build.py

2、 此时命令行会开始初始化数据,命令行要等待半个小时后初始化差不多可以完成，和性能有关系

3、 初始化完了返回上一级目录
执行系统

详细描述：

1、系统具有完整的用户体系，使用Django框架实现登录、注册和退出功能。

2、知识图谱展示部分包括前端使用html、css和js，后端使用Django框架，用户系统使用sqlite，图谱数据存储在neo4j，
通过py2neo连接，图谱展示使用echarts。前端支持通过三元组方式查询。

3、首页登录进去是所有图片的展示，展示整个图谱系统。

4、问答部分采用模板匹配,词性匹配等，这部分是一些成熟的开源代码二次开发，底层比较复杂，有对应的说明文档和代码详解。

总结
基于规则的问答系统没有复杂的算法，一般采用模板匹配的方式寻找匹配度最高的答案，回答结果依赖于问句类型、
模板语料库的覆盖全面性，面对已知的问题，可以给出合适的答案，对于模板匹配不到的问题或问句类型，
经常遇到的有三种回答方式：

1、给出一个无厘头的答案；

2、婉转的回答不知道，提示用户换种方式去问；

3、转移话题，回避问题；

基于知识图谱的问答系统的主要特征是知识图谱，系统依赖一个或多个领域的实体，
并基于图谱进行推理或演绎，深度回答用户的问题，基于知识图谱的问答系统更擅长回答知识性问题，
与基于模板的聊天机器人有所不同的是它更直接、直观的给用户答案。对于不能回答、或不知道的问题，一般直接返回失败，
而不是转移话题避免尴尬。

整个问答系统的优劣依赖于知识图谱中知识的数量与质量。也算是利弊共存吧！
知识图谱图谱具有良好的可扩展性，扩展了知识图谱也就是扩展了问答系统的知识库。如果问句在射程范围内，可轻松回答，
但如果不幸脱靶，则体验大打折扣。

从知识图谱的角度分析，大多数知识图谱规模不足，
主要原因还是数据来源以及技术上知识的抽取与推理困难。

800