一、开发环境
-
Windows 10 x64
-
Python 3.7
-
Neo4j community 3.5.20
二、项目运行
1、确保安装所需依赖
pip install -r requirements.txt
注：python-Levenshtein 如果安装不成功，则可以下载对其进行离线安装。
2、构建知识图谱
修改const.py文件中连接数据库使用的URI，USERNAME和PASSWORD的值。然后执行：
python build_cakg.py
运行大约需要2~5分钟。
3、可以使用两种方式运行：
①. 运行命令行端
python run_cmd.py
普通问题的回答以字符串的形式给出；带有图表的回答，图表会被渲染至results文件夹中。
②. 运行web端（效果图见下文）
python run_web.py
带有图表的回答和普通回答一样会被渲染至web页面中，同时也被保存至本地results文件夹中。
注1：最好使用谷歌浏览器（Google Chrome）；
注2：生成图表的文件夹地址可以在const.py中更改CHART_RENDER_DIR。
4、have fun!
三、项目简介
1、项目结构
--------------------------------------- root
|------data/ # 数据存放
|------dicts/ # 存放特征词（运行build_cakg.py后自动生成）
|------question/ # 存放问句中的疑问词
|------reference/ # 存放指代词
|------tail/ # 存放尾词（后缀词）
|------data.json # 从年报中组织出的数据
|------raw.7z # 11-19年的年报
|------demo/ # 以jupyter-notebook的形式给出了各种问题类型的演示和说明
|------doc/ # 存放有关readme的文件
|------lib/ # 函数库
|------results/ # 存放某些问题生成的图表（会自动生成）
|------test/ # 存放一些单元测试
|------web/ # web app
......
|------answer_search.py # 回答组织器
|------build_cakg.py # 构建知识图谱
|------chatbot.py # 自动问答器
|------const.py # 常量
|------question_classifier.py # 分类器
|------question_parser.py # 解析器
......
2、数据组织
①. 基本构想
通过浏览公报发现：
-
每一年所涉及的目录大差不差，有时多有时少，或者只是改个名字；
-
目录中涉及的指标每年都有一定的变动，而且某些指标里面嵌套指标，还有些指标中给出了各地区的组成值；
-
指标的值有数值类型，也有字符串类型，有的有单位，有些则没有，而且有些单位在某些年份还不同。
-
插播一条广告：需要开通正版PyCharm的可以联系我，56元一年，正版授权激活，官网可查有效期，有需要的加我微信：poxiaozhiai6，备注：904。
基于上述几点，我将知识图谱的构建以年份为中心展开，将各个目录、指标等等实体作为知识图谱的结点。结点与结点之间相连接的关系称为结构关系（详细见下文），那么将每个年份结点到各个指标和地区的关系称为值关系（详细见下文）。
将结构和值两种关系拆开：
-
从结构关系来看，不用一个年度录入一个年度的所有指标，每个年度中肯定有重复指标，这样避免了数据冗余。若每年的指标位置基本不变，则上述做法直接可行，但实际上指标出现的位置可能每年都飘忽不定，所以若直接按上述做法会出现这种情况：
假设2012年指标C1包含指标A、B，指标C2包含指标C；2013年指标C1包含指标A，指标C2包含指标B、C；
则其结构关系为:
其中橙色的边是2012年特有的，蓝色的则是2013年特有的，而黑色的是它们共有的。但在知识图谱中这些边没有颜色之分，是按上图整个结构存储的，这就造成了一个父子结构关系错乱的问题，比如：我要查找13年指标C1包含的所有指标，则A和B都会被返回，而实际上B不应该被返回。
为了解决上述问题，并且不增加任何额外的关系，我为每个关系引入了一个生命周期属性life。这个属性运用了掩码的思想，每个年份维护自己的掩码（运行构建知识图谱脚本时会被自动生成），在遇到上述问题时，拿来和关系中的life做与运算，若结果不为0，就说明此年份包含此指标，反之则不含。
-
从值关系来看，问题中也是直接给出年份和指标名称，这样也方便查询。
部分结点间的关系如下图：(橙色为年份，棕色为目录，蓝色为指标)
部分结点间的关系如下图：(橙色为年份，棕色为目录，蓝色为指标，红色为地区/机场/公司集团，下同)
②. 知识图谱实体类型
③. 知识图谱实体关系类型
④. 知识图谱属性类型
3、问题预处理
主要指年份和指标两个角度的预处理，此部分详见lib/complement.py。
①. 年份角度 对问题中的年份进行替换，方便特征词识别，例：
11年 -> 2011年
两千一十一年 -> 2011年
11-15年 -> 2011年,2012年,2013年,2014年,2015年
13到15年 -> 2013年,2014年,2015年
13年比前年 -> 2013年比2011年
15年比大大前年 -> 2015年比2011年
16年比3年前 -> 2016年比2013年
16年与前三年相比 -> 2016年与2015年,2014年,2013年相比
......
②. 指标角度 对问题中的指标名进行替换，避免因错字漏字而特征词识别不成功。通过Levenshetin算法实现对指标名的模糊查询。例：
游客周转量 -> 旅客周转量
......
4、问题分类
问题的分类是基于特征词的分类，使用ahocorasick算法。
下表给出的是各种问题的类型，更详细的内容请参见项目demo中的demo1~4.ipynb。
5、Web APP
web端使用Flask构建，采用前后端分离的方式。问答界面较为简洁。但可实现以下功能：
-
回答带有的图表可以直接渲染至页面；
-
回答中某些关键词以tooltips的形式进行了解释说明（关键词取自年报的注释部分）。
四、源码下载
链接: https://pan.baidu.com/s/1VktPRnduqbjT4rzyTV6sgA?pwd=ihj1
提取码: ihj1
