System for Constructing and Visualizing Knowledge Graph

[TOC]

功能

演示效果见用户手册

启动相关见部署文档

在服务端，分为知识图谱服务和智能应用服务两个微服务

知识图谱服务：包括用户管理、项目管理、图谱管理、微服务管理四个模块，主要负责知识图谱定义部分，使用 Spring Boot 搭建，是前端调用的总入口。

智能应用服务：提供知识图谱智能问答的算法支持，作为微服务，请求由知识图谱服务统一转发。

用户管理模块主要负责授权、认证，核心技术使用了

微服务调用模块，但由于在系统中仅有两个微服务，且为异构的服务（分别基于 Java 和 Python），这里并没有引入 Spring Cloud 作为微服务的框架，而是借用其**自己实现了服务的注册、发现与调用。

配置文件：

# python微服务
pyserver:
  url: http://127.0.0.1:5000

服务调用

在服务调用上，使用RestTemplate进行统一的转发
服务发现

在服务发现上，使用心跳机制来与微服务通信。

在 Flask 服务中，提供接口/health 返回微服务状态

在 Spring Boot 服务中，启动一个线程对该接口进行监听，如果发现微服务异常，则对所有将转发到 Flask 服务的请求进行熔断。

helper模块用于根据用户的自然语言，找到符合条件的项目

项目管理中，很多数据的是读多写少的，在这里引入 Spring Cache 进行缓存管理。

图谱管理模块中，持久层的使用方案如下：

我们从美食天下中爬取了每菜系的100种菜谱，根据菜谱名字的规律，进行了数据清洗，并导入到neo4j数据库中。

清洗后并导出的数据已放在/load/export文件夹下，导入neo4j的流程如下

进入到neo4j文件夹，cd /opt/neo4j-community-3.5.28
将/load/export下的文件拷贝到imports目录中
bin/stop 停止服务
rm -rf data/databases/graph.db/ 删除原数据（注意备份有用数据！）
bin/neo4j-admin import --nodes=import/caixi.csv --nodes=import/shicai.csv --nodes=import/caipu.csv --relationships=import/belong.csv --relationships=import/zhushicai.csv --relationships=import/fuliao.csv --multiline-fields=true 导入
bin/start 启动服务

由于数据类型的原因，需要进行id的类型转换

 match ()-[r]->() set r.relationId=toInteger(r.relationId) return r;
 match (n) set n.nodeId=toInteger(n.nodeId) return n;

问题类型设计

注：food_query实际上分为：

回答设计

使用 neo4j-gds 自带的中心算法，这里选用 Page Rank 进行实现

页面主要模块
- 用户入口 User：登录/注册
- 主页 Home：用户项目管理、其他模块入口
- 知识图谱展示 Graph：知识图谱的展示、编辑、导出
- 图谱智能助手 SmartHelper：图谱问答、实体/关系查询、中心识别
页面核心中间件、三方库工具
- 前端开发框架基础 Vue
- 页面路由 Vue Router
- 全局状态管理 Vuex
- 页面样式组件库 ElementUI
- 图谱可视化 D3
- 数据统计可视化 EChart
- 智能助手问答页面 JwChat