简介一份面向计算机专业毕业生与项目实战学习者的Python知识图谱电影问答系统完整工程定位为高分毕业设计参考资料。系统覆盖知识图谱构建、电影数据清洗、问答交互等核心模块附带详细说明文档帮助读者理解从数据到问答的完整链路可直接运行或二次开发。压缩包共116个文件约6.3MB主要包含Python源码py、前端页面html/css/js、数据文件csv/json及配置文件等其中csv/json存放电影、演员及类型关系数据HTML/CSS/JS构成可视化交互页面目录结构清晰便于按模块对照学习。目前已有161人学习下载。通过该资源可掌握图谱实体关系构建、基于模板的自然语言问题解析、后端服务集成等关键实现技巧并可直接复用代码完成课程设计或毕业设计尤其适合需要快速上手完整项目的初学者能够大幅节省从零搭建系统的时间。1. 基于知识图谱的电影问答系统到底在答什么先看一个能落地的定义拿到「Python的基于知识图谱电影问答系统源码说明高分毕设」这个标题十有八九是冲着毕设来的。它的核心不是聊天机器人而是一条「Python 服务 Neo4j 图数据库 意图识别 Cypher 查询」的完整问答链路用户输入「刘德华演过哪些电影」系统先识别出问的是演员作品再去图谱里查关系最后组织成一句人话返回。比起纯检索的 FAQ 系统它把答案背后的人物、电影、类型关系显式建在图上回答可解释、可扩展。适合刚接触知识图谱和智能问答系统的人作为练手项目也适合答辩时演示「从数据处理到问答闭环」的完整工程能力。2. 把电影知识装进 Neo4j本体设计、数据导入与图谱构建我看到不少同学拿到源码第一件事就是跑pip install结果卡在数据上。这个系统的地基是知识图谱构建不是问答代码。如果图里没有干净的数据后面所有模板匹配都是空转。这一章把本体设计、CSV 导入、关系创建和索引一次讲完。2.1 电影问答的知识图谱需要哪些实体和关系做知识图谱问答第一步不是写代码而是盘清楚要回答哪些问题。电影问答最常被问到的四类问题某演员演过哪些电影、某导演导过哪些电影、某电影的类型和主演、某部电影的上映年份或评分。围绕这些需求节点和关系可以收敛成最小可用集合。实体标签关键属性支撑的问答场景Movietitle,year,rating电影上映年份、评分、同类型影片Personname,birth_year演员/导演的年龄、作品列表Genrename电影类型归属关系我一般只保留三种Person -[:ACTED_IN]- Movie表示出演Person -[:DIRECTED_IN]- Movie表示导演Movie -[:GENRE_OF]- Genre表示类型。关系方向统一从人指向电影、从电影指向类型这样 Cypher 查询只要顺着一个方向走写法稳定。这里有一个选型理由不要把「主演」和「导演」分别建成两个节点类型而是都用Person节点、用不同关系区分。理由是同一个陈凯歌既可能导演又可能出演哪怕是客串如果拆成Actor和Director两类节点同一批数据就要写两遍后面做实体链接时会人格分裂。用关系类型区分角色是电影图谱最常见的做法。2.2 从 CSV 到图谱用 py2neo 批量写入节点的最小脚本准备好三份 CSVmovies.csv含title, year, ratingpersons.csv含name, birth_yearrelations.csv含person_name, movie_title, relation_type。下面先写节点导入。# kg_builder.py from py2neo import Graph, Node import csv graph Graph(bolt://localhost:7687, auth(neo4j, your_password)) def load_movies(csv_path: str): with open(csv_path, encodingutf-8-sig) as f: reader csv.DictReader(f) for row in reader: movie Node( Movie, titlerow[title], yearint(row[year]), ratingfloat(row[rating]) ) graph.merge(movie, Movie, title)这段代码的逻辑很直白逐行读 CSV构造Movie节点再用graph.merge写入。merge的核心作用是「存在即跳过不存在则创建」第二个参数Movie是节点标签第三个参数title是唯一键。这个设计很重要否则重复跑导入脚本会在图里塞进几万条同名电影。参数上有三个坑提前说。第一encodingutf-8-sig是给从 Windows 导出的 CSV 去 BOM 头用的不加的话第一列标题可能变成\ufefftitle节点属性名全错。第二year和rating必须做类型转换Neo4j 虽然弱约束但字符串属性在排序和区间查询时行为诡异。第三老版本 py2neo 的merge签名是graph.merge(node, label, key)新版本虽然兼容但后面第 5 章会专门讲版本差异。人物节点同理但要注意birth_year可能为空字符串直接int(row[birth_year])会抛异常建议写int(row[birth_year] or 0)。导入完成后用MATCH (n:Movie) RETURN count(n)验证数量再继续建关系。2.3 关系创建与索引回答「刘德华演过哪些电影」的底层依赖节点只是图的一半关系才是「知识」。关系创建前先准备两个匹配器NodeMatcher是 py2neo v5 的标准 API用来按标签和属性精确查节点。from py2neo import NodeMatcher, Relationship matcher NodeMatcher(graph) def link_acted_in(person_name: str, movie_title: str): p matcher.match(Person, nameperson_name).first() m matcher.match(Movie, titlemovie_title).first() if p is None or m is None: print(f缺失节点: {person_name} 或 {movie_title}) return rel Relationship(p, ACTED_IN, m) graph.merge(rel, ACTED_IN, (Person, name, Movie, title))这段代码先按名字找到 Person 节点按 title 找到 Movie 节点两个都在才创建ACTED_IN关系。Relationship(p, ACTED_IN, m)的方向是「人 - 电影」顺序不能反不然后续查询要写成(m)-[:ACTED_IN]-(p)虽然也可以但容易乱。graph.merge的第三个参数传的是唯一键元组用两个节点的唯一键来保证同一对「人-电影」不会出现两条重复关系。关系建完还差一步索引和约束。下面几条 Cypher 在 Neo4j 浏览器里执行一次即可。CREATE CONSTRAINT person_name IF NOT EXISTS FOR (p:Person) REQUIRE p.name IS UNIQUE; CREATE CONSTRAINT movie_title IF NOT EXISTS FOR (m:Movie) REQUIRE m.title IS UNIQUE; CREATE INDEX genre_name IF NOT EXISTS FOR (g:Genre) ON (g.name);约束的作用比索引更大约束保证了写入时merge判断唯一键的性能和正确性索引让WHERE p.name 刘德华这种精确查询走索引而不是全图扫描。很多同学把十万行数据慢慢灌进去之后发现问答慢得像卡死八成是忘了建这两个约束。建完关系和索引验证「刘德华演过哪些电影」这条主链路MATCH (p:Person)-[:ACTED_IN]-(m:Movie) WHERE p.name 刘德华 RETURN m.title;能查出结果说明图谱层已经为问答系统备好了弹药。3. 问答链路拆解问句解析、意图识别与 Cypher 查询生成图谱建好了难点转移到自然语言这层。电影问答的场景闭环是用户输入自然语言问句系统识别意图、抽实体、生成 Cypher、取回答案并拼成回复。这一章拆开讲每一步怎么落地。3.1 先定问题模板为什么毕业设计不急着上深度学习很多做智能问答系统的人都想一步到位上 BERT 或 GPT但知识图谱问答的毕业设计场景里基于模板匹配才是性价比最高的方案。原因有三个第一电影问答的意图是高度封闭的来来回回就是「演过 / 导演 / 类型 / 年份 / 评分」这几类模板完全覆盖第二模板方案可解释答辩时你能说清楚每一条规则为什么这样设计而深度学习模型给的是黑匣子第三标注数据不好找手写几十条规则比标注几千条句子再训模型要快得多。所以第一步是列问题模板。我一般按意图类型分一张表意图标识典型问法对应查询actor_movies刘德华演过哪些电影(p:Person)-[:ACTED_IN]-(m:Movie)director_movies张艺谋导演的电影有哪些(p:Person)-[:DIRECTED_IN]-(m:Movie)movie_actors让子弹飞的主演有哪些(m:Movie)-[:ACTED_IN]-(p:Person)movie_genre霸王别姬是什么类型(m:Movie)-[:GENRE_OF]-(g:Genre)year_query流浪地球是哪一年上映的RETURN m.year模板定好后后面所有解析和查询都是围绕这张表做映射。毕设答辩时这张表就是你的「系统设计依据」比一堆网络结构图好讲得多。3.2 基于 AC 自动机与正则的意图识别实现问句解析最简单的落地方式是「正则为主AC 自动机为辅」。正则负责抽取实体和意图关键词AC 自动机负责在大词典里快速命中片名、人名。如果项目里暂时不引入第三方依赖一个几十行的正则解析器足够跑通主流程。# qa.py import re INTENT_PATTERNS { actor_movies: [ r^(?Pperson.?)(?:演过|出演过|主演过).*?(?:哪些电影|什么电影|电影)$, r^(?Pperson.?)的电影作品$ ], director_movies: [ r^(?Pperson.?)(?:导演|执导)的(?:电影|作品)有哪些, r^(?Pperson.?)导演过哪些电影 ], movie_actors: [ r^(?Pmovie.?)的(?:主演|演员|主演阵容)有哪些, r^(?Pmovie.?)由谁主演 ] } def parse_question(question: str): for intent, patterns in INTENT_PATTERNS.items(): for pattern in patterns: m re.search(pattern, question.strip()) if m: return intent, m.groupdict() return None, {}这里的匹配逻辑用的是re.search不是re.match因为问句可能带「请问」「我想知道」这类前缀match从开头硬匹配会把整个前缀吞进实体。每个正则里的(?Pperson.?)是命名捕获组配合非贪婪匹配把实体从问句里抠出来。参数上有两个关键点。第一.?是核心它意味着「尽量少匹配字符」所以问「刘德华演过哪些电影」person会稳定捕获「刘德华」而不是「刘德华演过」。第二正则末尾的(?:哪些电影|什么电影|电影)$是为了拦截「演过」后面那一大截后缀避免把「哪些电影」也吸进实体。如果你发现抽取出的实体名是「刘德华演过」就把正则改成^(?Pperson.?)(?:演过|出演过)后面部分用.*?吞掉。如果你在自己的源码里看到 AC 自动机通常是用pyahocorasick先构建一个电影名词典树再在问句里直接扫描出命中的实体。这种做法比正则更稳的是实体名包含「大话西游之月光宝盒」这种长片名时词典树能一次性命中而正则的.?很容易在长片名上截断。毕设规模下正则 90 分AC 自动机 95 分差距没有想象中大。3.3 把自然语言问句映射成 Cypher参数化查询与答案回填解析出意图和实体后下一步是查图。这里最关键的工程习惯是永远不要用字符串拼接去拼 Cypher而是用参数化查询。下面这段代码是actor_movies意图的完整查询回填。def answer_actor_movies(person: str, graph): cypher ( MATCH (p:Person)-[:ACTED_IN]-(m:Movie) WHERE p.name $person RETURN m.title AS title ORDER BY m.rating DESC ) result graph.run(cypher, personperson).data() if not result: return f图谱里没有找到 {person} 的出演记录。 titles [r[title] for r in result] return f{person} 演过 、.join(titles)graph.run(cypher, personperson)中的person会被安全地替换到$person占位符不会破坏 Cypher 结构也就避免了用户输入; MATCH (n) DETACH DELETE n这种注入风险。参数化之后即使实体名里含引号、反斜杠也不会出语法错误。ORDER BY m.rating DESC是我习惯加的一步因为「演过哪些电影」如果按入库顺序返回可能是乱序的排序后回答更符合直觉。答案回填时用「、」拼接多个电影名还要控制条数比如titles[:20]避免一个人演了 100 部电影时把响应体撑爆。最后在入口处做一个总调度def answer_question(question: str, graph): intent, params parse_question(question) if intent actor_movies: return answer_actor_movies(params[person], graph) if intent director_movies: return answer_director_movies(params[person], graph) if intent movie_actors: return answer_movie_actors(params[movie], graph) return 这个问题我暂时还不会换个问法试试看。兜底回复那句「换个问法试试看」很重要。源码里如果没有兜底未匹配的问句会因为params为空直接抛KeyErrorFlask 接口返回 500答辩现场非常难看。4. 源码目录、运行环境与前后端打通从拿到源码到跑通问答接到一份「源码说明」的毕设项目第一件要做的事不是读代码而是看目录和依赖。这份源码如果按常见的高分毕设组织结构一般比较规整下面按常见做法拆解。4.1 源码文件作用与目录约定movie_qa/ ├── app.py # Flask 入口提供 /qa 接口 ├── kg_builder.py # 知识图谱构建执行数据导入 ├── qa.py # 问答解析与查询调度 ├── requirements.txt # 依赖清单 ├── data/ │ ├── movies.csv │ ├── persons.csv │ └── relations.csv ├── templates/ │ └── index.html └── static/ └── style.css各文件职责如下表。拿到源码后先对照这个表确认有没有缺文件缺了后面必然跑不起来。文件作用常见翻车点app.pyFlask 路由读取参数q调用answer_question端口被占用、没启动 Neo4jkg_builder.py读 CSV写节点和关系CSV 编码、字段名不匹配qa.py问句解析、Cypher 生成、答案回填正则写错、实体抽多requirements.txt固定依赖版本py2neo 版本和 Neo4j 不匹配4.2 Python 环境与依赖安装python 安装后先做这几件事网上 python 安装教程很多但最关键的其实就两点安装时勾选「Add Python to PATH」装完用python --version确认。然后建虚拟环境不要直接把依赖装到全局。python -m venv venv source venv/bin/activate # Windows 下用 venv\Scripts\activate pip install -r requirements.txt如果源码没有requirements.txt按最小依赖补装pip install flask py2neo pandasflask用于起 Web 服务py2neo是连接 Neo4j 的官方 Python 驱动pandas主要用来做数据预处理和 CSV 读取不是必选但很常用。安装完跑pip list看清 py2neo 版本v5 和 v4 的 API 有差异后面避坑章会细说。这里还要注意 Neo4j 数据库版本。py2neo 5.x 适配 Neo4j 4.x/5.x协议上走 Bolt默认端口是7687不是浏览器访问用的7474。源码里如果写的是http://localhost:7474说明用的是老连接方式建议改成bolt://localhost:7687。4.3 启动 Flask 接口并用命令行验证问答跑通全链路之前先确认 Neo4j 在运行、数据已导入。然后启动服务python app.py正常会看到 Flask 默认监听127.0.0.1:5000。不要用Debug Mode: ON挂在答辩现场debug 模式会在前端抛堆栈改成app.run(debugFalse)更体面。app.py里的核心路由一般长这样from flask import Flask, request, jsonify from qa import answer_question from py2neo import Graph app Flask(__name__) graph Graph(bolt://localhost:7687, auth(neo4j, your_password)) app.route(/qa, methods[GET]) def qa(): q request.args.get(q, ) if not q: return jsonify({error: 缺少参数 q}), 400 return jsonify({question: q, answer: answer_question(q, graph)})这里单独处理了q为空的情况返回 400 而不是 500是源码里值得保留的细节。启动后用 curl 验证curl http://127.0.0.1:5000/qa?q刘德华演过哪些电影如果返回{question:刘德华演过哪些电影,answer:刘德华 演过...}说明整条问答链路已经打通。如果answer是兜底话术则说明图谱或正则有问题进入下一章的排查。5. 避坑与排查知识图谱问答系统最常见的 5 个翻车点毕设项目里每一个坑都是血泪经验。以下 5 个问题按出现频率排序每一条都按「现象 → 原因 → 解决」写清楚照着排一遍能少踩一大半。5.1 现象Neo4j 连不上py2neo 报 Connection refused现象运行Graph(bolt://localhost:7687, auth(neo4j, 123456))直接抛ServiceUnavailable: Connection refused或py2neo.errors.ConnectionUnavailable。原因最常见的是 Neo4j 服务没有启动或者端口不对。Neo4j Desktop 启动后 Bolt 端口默认7687但如果你在 Docker 里映射了7474给 HTTP忘记映射7687就会「浏览器能打开、Python 连不上」。解决先确认服务启动再确认端口和协议。neo4j status # 或者看 neo4j 控制台输出的 Bolt enabled on 0.0.0.0:7687然后确认 Python 连接串用 Bolt 协议Graph(bolt://localhost:7687, auth(neo4j, password))。如果你是第一次启动 Neo4j初始密码是neo4j网页端会强制修改一次修改后的密码必须同步到源码里。忘了密码就在neo4j.conf里临时改dbms.security.auth_enabledfalse重启后重置密码再改回去。5.2 现象问「张艺谋导演的电影」返回空但图谱里明明有数据现象在 Neo4j 浏览器里查MATCH (p:Person)-[:DIRECTED_IN]-(m:Movie) RETURN p.name, m.title能查到张艺谋但接口返回「图谱里没有找到 张艺谋 的出演记录」甚至直接兜底。原因第一人物名不一致库里存的是「张艺谋」用户输入可能是「艺谋」或带空格第二正则模板把「导演的电影」匹配到了actor_movies意图上导致去查了ACTED_IN关系第三问句模板里导演这个动词没有被捕获实体被错误截断。解决先用qa.py的单测函数打印解析结果确认意图和实体是什么。然后再看图谱数据MATCH (p:Person) WHERE p.name CONTAINS 张艺谋 RETURN p.name;如果数据库里存的是别名建议在实体链接阶段做一层别名映射常见做法是建一个alias属性写入时把别名也存进去查询时用WHERE p.name $name OR p.alias $name。如果问题出在意图匹配把张艺谋导演的电影有哪些这类模板加进director_movies的正则列表并且把actor_movies的正则改成演过|出演过避免「导演」和「演」混淆。5.3 现象中文句子被正则匹配得支离破碎答非所问现象问「刘德华演过哪些电影」返回的答案是「刘德华演过演过...」或者实体多了一个「哪些电影」。还有更隐蔽的问「霸王别姬的主演有谁」正则把实体抽成「霸王别姬的主演」。原因(?Pmovie.?)配合的主演关键字时非贪婪匹配会优先让movie短吞但如果后面没有明确终结符re.search会把「的主演」留在实体里。另外多个正则模板之间顺序不对先命中了actor_movies再命中了movie_actors。解决调试时在 parse 函数里临时打印m.groupdict()看每个命名组捕获了什么。正则里给实体捕获组加明确的边界词比如^(?Pmovie.?)(?:的主演|演员)有哪些末尾的「有哪些」就不会进实体。同时调整INTENT_PATTERNS的遍历顺序更具体的意图movie_actors放前面更宽泛的意图actor_movies放后面。如果问题集中在长片名直接用 AC 自动机扫词典替代正则抽取一劳永逸。5.4 现象图谱写入慢、导入一会儿就卡死现象导入脚本跑了 5 分钟后越来越慢最后停在某一行不动CPU 占用不高但 Neo4j 日志里都是Lock acquire timeout。原因逐条graph.merge每次都是一次单独的事务提交频率太高同时并发写同一个节点时Neo4j 的锁机制会触发等待。另外没有约束时merge要做全图扫描去判断唯一性数据量上来后指数级变慢。解决改用事务分批提交每 500 条commit一次。tx graph.begin() count 0 for row in relations_data: p matcher.match(Person, namerow[person_name]).first() m matcher.match(Movie, titlerow[movie_title]).first() if p and m: tx.merge(Relationship(p, row[relation_type], m), ACTED_IN, (Person, name, Movie, title)) count 1 if count % 500 0: tx.commit() tx graph.begin() tx.commit()分批事务一方面是减少网络往返另一方面是控制单个事务的内存占用。导入前先建好约束merge才能走索引。如果你用的是 Neo4j Desktop确认内存配置不要给得太小dbms.memory.heap.initial_size512m是底线。5.5 现象源码里用的是旧版 py2neoAPI 对不上现象python kg_builder.py运行时报TypeError: merge() takes 4 positional arguments but 5 were given或者AttributeError: Graph object has no attribute find_one。原因py2neo v5 对很多 API 做了破坏性重构。网上很多开源源码写于 py2neo v4 甚至 v3 时代拿到新环境直接跑必然报错。解决先看依赖版本pip show py2neo。v4 到 v5 的主要差异如下旧 API新 APIgraph.find_one(label, key, value)NodeMatcher(graph).match(label, keyvalue).first()graph.merge(node, label, key)graph.merge(node, label, key)Relationship(a, REL, b)构造方式不变但graph.create换成graph.create或graph.mergenode.labelsnode.labels基本不变如果你不想改源码最快的方法是锁定旧版本pip install py2neo4.3.0。但 Neo4j 5.x 数据库不一定兼容 py2neo 4.x所以更推荐把源码里的find_one改成NodeMatcher。改完跑一遍导入脚本以count无报错为准。这条经验对所有「拿别人的源码跑毕设」的项目都适用先看依赖版本再调 API不要硬着头皮调库。6. 让问答系统更像产品意图扩展、实体链接与问答效果自测6.1 用 Flask 页面做交互式问答并记录日志命令行 curl 只能验证接口通没通答辩演示还要一个能输入问句的页面。最省事的是在index.html里放一个输入框和结果区用 fetch 调/qa接口。input idq placeholder输入电影问题 / button onclickask()提问/button div idanswer/div script function ask() { const q document.getElementById(q).value; fetch(/qa?q encodeURIComponent(q)) .then(r r.json()) .then(d document.getElementById(answer).innerText d.answer); } /script关键点是encodeURIComponent不加的话问句里的中文直接变成不可读编码接口那边拿到的参数可能被截断。同时在 Flask 路由里打日志print(time.time(), q, answer)演示时留一份问答记录答辩评委问「系统效果怎么样」时直接翻日志比空口解释有力得多。6.2 问答覆盖率与准确率的验证方法问答效果不能靠感觉要准备一组测试问句。我给自己的系统跑验收一般按意图各写 10 条放在test_questions.json里然后写脚本逐条调用answer_question人工标记对错。意图测试问句示例期望返回actor_movies周星驰演过哪些电影非空列表director_movies张艺谋导演的电影有哪些非空列表movie_actors让子弹飞的主演有谁非空列表year_query流浪地球哪年上映给出年份unknown今天天气如何兜底话术准确率计算很简单正确回答数除以总问句数。覆盖率则是「能被识别到意图的问句数」除以总问句数。一个合格的毕设系统覆盖 30 条内测问句应该达到 90% 以上。达不到就补正则这是模板系统的优势每加一条规则都能立刻看到覆盖率变化。这套方案做到最后我最大的教训是别再往系统里堆新意图了先把已有意图的 30 条测试问句跑通比加十个花哨功能更能保住答辩分数。先让每一条已支持的问法都稳定再考虑怎么支持新问法。希望帮到你。本文还有配套的精品资源点击获取