2 构建红楼梦关系图谱

1 导入相关的包

import csv
import py2neo
from py2neo import Graph, Node, Relationship, NodeMatcher

2 连接neo4j知识图谱数据库

g = Graph('http://localhost:7474', user = 'neo4j', password = 'neo4j') # 此处为系统默认的密码

3 导入数据并构建知识图谱

with open('triples.csv', 'r', encoding='utf-8') as f:
    reader = csv.reader(f)
    for item in reader:
        if reader.line_num == 1:
            continue # 第一行是数据项，直接跳过
        print('当前行数', reader.line_num, '当前内容：', item)
#         当前行数 2 当前内容： ['贾代善', '贾源', 'son', '子']
#         当前行数 3 当前内容： ['娄氏', '贾源', 'daughter_in_law_of_grandson', '重孙媳妇']
#         当前行数 4 当前内容： ['贾母', '贾代善', 'wife', '妻']
        start_node = Node('Person', name=item[0])
        end_node = Node('Person', name = item[1])
        relation = Relationship(start_node, item[3], end_node)
        g.merge(start_node, 'Person', 'name')
        g.merge(end_node, 'Person', 'name')
        g.merge(relation, 'Person', 'name')
      

• 效果图:
• 

4 查询操作

# 查询贾宝玉的丫鬟：
g.run("Match (p:Person{name: '贾宝玉'})-{k: 丫鬟}-(r)") return(p,k,r);")

• 效果图:
• 

# 查询贾宝玉和香菱之间的最近关系
g.run("""match (p1:Person {name:"贾宝玉"}), (p2:Person{name:"香菱"}),  \
                p=shortestpath((p1)-[*..10]-(p2)) return p;""")

• 效果图：
  

企业级项目的步骤

• 运用自然语言处理方法（用深度学习或者机器学习实现）从非结构化数据中提取结构化数据，存入数据库；
• 将结构化数据提取出来，编写代码进行处理，展现为一张较大的知识图谱；
• 从用户输入的一些数据，比如问答系统，推荐系统情境中，提取其中的实体和关系；
• 转化所为知识图谱的查询语句，提取和用户输入相关的实体和关系；
• 再次通过自然语言处理技术将提出到的实体和关系，转化为可读的形式（图或者自然语言），呈现给用户。