背景

这是去年九月份在研究知识图谱与推荐时做的一个Demo项目，源自于在github上找到一个关于汽车行业的知识图谱开源项目。我主要对它进行了一些改造，使之变成了一个基于知识图谱的影视剧推荐系统。

环境

python3、flask前端框架、图数据库neo4j(3.3.1)

操作系统为windows10

项目框架

把上面的汽车项目clone下来后，整个的项目结构如下图所示

里面有两个项目版本，第一次验收和第二次验收，两者主要区别是用的数据库不同，前者用的是mysql，后者用的是neo4j。我主要是基于第二次验收进行改造的。打开第二次验收的项目，里面的结构如下图所示

流程分析

下面，我们就原始项目的工作流程，进行一步一步的分析，因为只有这样，才能完成对其的改造。

数据的读取和插入

首先我们肯定需要把数据插入到neo4j里，那么上来我们就得启动neo4j，打开cmd，输入以下命令

neo4j console

然后如若cmd显示下面的消息，neo4j就启动完成了

最后一行显示的可用地址http://localhost:7474就是我们访问neo4j的地址，打开浏览器，把这个地址拷到地址栏里，敲下回车，就会看到neo4j的控制台界面，如下图所示

数据库启动完事之后，就可以打开项目里kg\kg.py文件了，在这里面，主要代码如下所示

    def data_init(self):# 连接图数据库print('开始数据预处理')self.graph = Graph('http://localhost:7474', user="neo4j", password="szc")self.selector = NodeSelector(self.graph)self.graph.delete_all()def insert_datas(self):print('开始插入数据')with open('../data/tuples/three_tuples_2.txt', 'r', encoding='utf-8') as f:lines, num = f.readlines(), -1for line in lines:num += 1if num % 500 == 0:print('当前处理进度:{}/{}'.format(lines.index(line), len(lines)))line = line.strip().split(' ')if len(line) != 3:print('insert_datas错误:', line)continueself.insert_one_data(line)def insert_one_data(self, line):if '' in line:print('insert_one_data错误', line)returnstart = self.look_and_create(line[0])for name in self.get_items(line[2]):end = self.look_and_create(name)r = Relationship(start, line[1], end, name=line[1])self.graph.create(r)  # 当存在时不会创建新的# 查找节点是否不存，不存在就创建一个def look_and_create(self, name):end = self.graph.find_one(label="car_industry", property_key="name", property_value=name)if end == None:end = Node('car_industry', name=name)return enddef get_items(self, line):if '{' not in line and '}' not in line:return [line]# 检查if '{' not in line or '}' not in line:print('get_items Error', line)lines = [w[1:-1] for w in re.findall('{.*?}', line)]return lines

最上面的data_init()函数，是用来连接neo4j数据库的，传入数据库地址、用户名、密码就可以了。然后调用graph.delete_all()函数，在插入数据前，先对原来的数据进行清空，这一步要根据自己的业务场景酌情考虑，是否保留。

然后是insert_datas()函数，这个函数就是读取txt文件，遍历每一行，对每一行调用insert_one_data()函数，进行每一行的解析，结点和关系的创建。根据代码可以发现，每一行的数据都是“起点关系终点”的形式，比如“安阳位置豫北”，就表示实体安阳和实体豫北的关系是位置，而且，顺序是安阳-->位置-->豫北。

调用insert_one_data()函数时，会先查询数据库里是否有这一个同名结点，根据结果决定是复用已有的还是建一个新的，这个过程对应函数look_and_create()。

在函数look_and_create()里，“car_industry”是数据库的标签（我理解是对应Mysql里每个数据库的名字，要用到哪个就调用命令use database some_database），然后find_one()函数里，property_name的值对应创建结点时Node的构造函数的参数名name，property_value就是Node的构造函数的name参数值，也就是实体的名字。拿我的故乡——安阳市实体为例，它在neo4j里的存储结构就可以理解为{property_name: "name", property_value: "安阳"}。

最后的get_items()函数就是实体的合法性检验，不做过多解读。

运行服务

数据全部插入数据库中后，就可以运行我们的服务了，文件对应run_server.py，里面代码如下

if __name__ == '__main__':args=get_args()print('\nhttp_host:{},http_port:{}'.format('localhost',args.http_port))app.run(debug=True, host='210.41.97.169', port=8090)

其实关键就是一句app.run()函数，把里面的Ip和端口换成自己就可以

处理页面请求

我们的业务逻辑是：在浏览器输入url和参数，获取相关结果。

其中，处理我们的参数的过程，对应文件views.py，里面的主要代码如下

@app.route('/KnowGraph/v2',methods=["POST"])
def look_up():kg=KnowGraph(get_args())client_params=request.get_json(force=True)server_param={}if client_params['method'] == 'entry_to_entry':kg.lookup_entry2entry(client_params,server_param)elif client_params['method'] == 'entry_to_property':kg.lookup_entry2property(client_params,server_param)elif client_params['method'] == 'entry':kg.lookup_entry(client_params,server_param)elif client_params['method'] == 'statistics':kg.lookup_statistics(client_params,server_param)elif client_params['method'] == 'live':params={'success':'true'}server_param['result']=params    server_param['id']=client_params['id']server_param['jsonrpc']=client_params['jsonrpc']server_param['method']=client_params['method']print(server_param)return json.dumps(server_param, ensure_ascii=False).encode("utf-8")

可以看到，/KnowGraph/v2路径的post方法会路由到look_up函数里，里面根据参数method的值，调用kg对象的不同函数，执行不同的查询逻辑。

但是，我们在浏览器输入路径和参数然后敲下回车后，是要获取数据库信息，显然是对应的get方法。而且，关于向flask模板传递数据的路由也没写上，所以这个文件我们要进行大改。

数据查询

方才说到，views.py文件里会根据参数method的值的不同，调用kg对象的不同函数，来获取不同的结果。

而kg对象所属的KnowledgeGraph类，在文件modules.py里。以最简单也是最基本的对实体查询为例，我们看看其是怎么实现的，这对应lookup_entry函数，代码如下

    def lookup_entry(self,client_params,server_param):#支持设定网络查找的深度start_time = time.time()params=client_params["params"]edges=set()self.lookup_entry_deep(edges,params,0)if len(edges)==0:server_param['result']={"success":'false'}else:                server_param['result']={'edges':[list(i) for i in edges],"success":'true'}print('本次查找三元组的数量为:{},耗时:{}s'.format(len(edges),time.time()-start_time))

除了计时外，主要将客户端参数里的params取出来，里面包含要查找的实体名和查找深度，然后调用lookup_entry_deep函数进行查找，结果保存在edges集合里，最后将edges集合的每一项做为列表的列表的每一项，存储在server_params的'results'项中的'edges'里，进行返回。

下面，我们就看一下lookup_entry_deep函数的实现，代码如下

    def lookup_entry_deep(self,edges,params,deep):#当前查找深度不得等于要求的深度if deep >= params['deep']:return#正向查找result1=self.graph.data("match (s)-[r]->(e) where s.name='{}' return s.name,r.name,e.name".format(params['name']))result2=self.graph.data("match (e)<-[r]-(s) where e.name='{}' return s.name,r.name,e.name".format(params['name']))if len(result1)==0 and len(result2)==0:returnfor item in result1:edges.add((item['s.name'],item['r.name'],item['e.name']))if  item['s.name'] != item['e.name']:#避免出现:双面胶:中文名:双面胶的死循环params['name']=item['e.name']self.lookup_entry_deep(edges,params.copy(),deep+1)for item in result2:edges.add((item['s.name'],item['r.name'],item['e.name']))if  item['s.name'] != item['e.name']:#避免出现:双面胶:中文名:双面胶的死循环params['name']=item['e.name']self.lookup_entry_deep(edges,params.copy(),deep+1)

首先，如果深度超标，就直接返回。然后先后针对params里的name项，也就是要查找的实体名，在数据库里进行正向和逆向的查询，然后把每一项做为元组保存在edges集合里，并递归调用这个函数，同时深度+1

改造

现有的流程就如上文所言，接下来，我们针对影视剧推荐的业务场景，对其进行改造。

假设有个用户观看了电视剧《上将XXX》，我们可以根据导演、演员、上映地、语种、类型标签等为其推荐他可能感兴趣的影视剧。

数据格式

我们的文件都保存在wiki目录里，均为txt文件，里面一行行的都是json，其中一行内容如下

{.....  "title": "上将XXX", "wikiData": {....."wikiInfo": {"country": "中国大陆", "language": "普通话", "directors": ["安澜"], "actors": ["宋春丽", "王伍福", "张秋歌", "范明", "刘劲", "陶慧敏", "侯勇"], ....}, ...."wikiTags": ["电视剧", "历史", "战争", "军旅", "革命", "动作", "热血", "激昂", "24-36", "36-45", "45-55", "55-70", "上星剧", "传记"]}
}

里面有用的信息格式化后就像上面显示的，导演演员之类的。

接下来，我们就可以根据解析项目时理出的流程，进行改造

数据读取和插入

这对应kg.py文件，首先定义我们的目录路径

data_dir = "C:\\Users\\songzeceng\\Desktop\\wiki\\"

然后遍历这个目录下的文件，对每个文件进行读取和解析，代码如下

    def insert_data_from_txt(self, file_path):try:with open(file=file_path, mode="r", encoding="utf-8") as f:for line in f.readlines():item = json.loads(line)if 'title' not in item.keys():continuetitle = self.look_and_create(item['title'])if 'wikiData' not in item.keys():continuewikiData = item['wikiData']if 'wikiDesc' in wikiData.keys():wikiDesc = self.look_and_create(wikiData['wikiDesc'])self.create_sub_graph(entity1=title, entity2=wikiDesc, relation="desc")if 'wikiTags' in wikiData.keys():for tag in wikiData['wikiTags']:tag = self.look_and_create(tag)self.create_sub_graph(entity1=title, entity2=tag, relation="tag")wikiInfo = wikiData['wikiInfo']if 'country' in wikiInfo.keys():country = self.look_and_create(wikiInfo['country'])self.create_sub_graph(entity1=title, entity2=country, relation="country")if 'language' in wikiInfo.keys():language = self.look_and_create(wikiInfo['language'])self.create_sub_graph(entity1=title, entity2=language, relation="language")if 'actors' in wikiInfo.keys():for actor in wikiInfo['actors']:actor = self.look_and_create(actor)self.create_sub_graph(entity1=title, entity2=actor, relation="actor")if 'directors' in wikiInfo.keys():for director in wikiInfo['directors']:actor = self.look_and_create(director)self.create_sub_graph(entity1=title, entity2=actor, relation="director")print(file_path, "读取完毕")except Exception as e:print("文件" + file_path + "读取异常：" + str(e))pass

看着长，其实就是解析每一项，先查找或创建实体，对应函数look_and_create。由于我的py2neo版本和原项目里的不一样，所以对这个函数进行了改写，代码如下

    def look_and_create(self, name):matcher = NodeMatcher(self.graph)end = matcher.match("car_industry", name=name).first()if end == None:end = Node('car_industry', name=name)return end

然后进行实体关系的创建，对应函数create_sub_graph，代码如下

    def create_sub_graph(self, entity1, relation, entity2):r = Relationship(entity1, relation, entity2, name=relation)self.graph.create(r)

整个kg文件代码如下所示

# coding:utf-8
'''
Created on 2018年1月26日@author: qiujiahao@email:997018209@qq.com'''
import sys
import re
import ossys.path.append('..')
from conf import get_args
from py2neo import Node, Relationship, Graph, NodeMatcher
import pandas as pd
import jsonimport osdata_dir = "C:\\Users\\songzeceng\\Desktop\\wiki\\"class data(object):def __init__(self):self.args = get_args()self.data_process()def data_process(self):# 初始化操 # 插入数据self.data_init()print("数据预处理完毕")def data_init(self):# 连接图数据库print('开始数据预处理')self.graph = Graph('http://localhost:7474', user="neo4j", password="szc")# self.graph.delete_all()file_names = os.listdir(data_dir)for file_name in file_names:self.insert_data_from_txt(data_dir + file_name)def insert_data_from_txt(self, file_path):try:with open(file=file_path, mode="r", encoding="utf-8") as f:for line in f.readlines():item = json.loads(line)if 'title' not in item.keys():continuetitle = self.look_and_create(item['title'])# id = self.look_and_create(item['id'])## self.create_sub_graph(entity1=title, entity2=id, relation="title")if 'wikiData' not in item.keys():continuewikiData = item['wikiData']if 'wikiDesc' in wikiData.keys():wikiDesc = self.look_and_create(wikiData['wikiDesc'])self.create_sub_graph(entity1=title, entity2=wikiDesc, relation="desc")if 'wikiTags' in wikiData.keys():for tag in wikiData['wikiTags']:tag = self.look_and_create(tag)self.create_sub_graph(entity1=title, entity2=tag, relation="tag")wikiInfo = wikiData['wikiInfo']if 'country' in wikiInfo.keys():country = self.look_and_create(wikiInfo['country'])self.create_sub_graph(entity1=title, entity2=country, relation="country")if 'language' in wikiInfo.keys():language = self.look_and_create(wikiInfo['language'])self.create_sub_graph(entity1=title, entity2=language, relation="language")if 'actors' in wikiInfo.keys():for actor in wikiInfo['actors']:actor = self.look_and_create(actor)self.create_sub_graph(entity1=title, entity2=actor, relation="actor")if 'directors' in wikiInfo.keys():for director in wikiInfo['directors']:actor = self.look_and_create(director)self.create_sub_graph(entity1=title, entity2=actor, relation="director")print(file_path, "读取完毕")except Exception as e:print("文件" + file_path + "读取异常：" + str(e))passdef create_sub_graph(self, entity1, relation, entity2):r = Relationship(entity1, relation, entity2, name=relation)self.graph.create(r)def look_and_create(self, name):matcher = NodeMatcher(self.graph)end = matcher.match("car_industry", name=name).first()if end == None:end = Node('car_industry', name=name)return endif __name__ == '__main__':data = data()

运行之，命令行输出如下图所示

数据不规范，很多文件读不了，不管了，反正就是个demo。然后neo4j数据库里，取25条数据，结果如下图所示

运行服务

这里直接把run_server.py里的ip和端口改成自己的就行了

处理请求

这一步对应views.py。

首先我们要把/KnowGraph/v2路径的get请求拦截，所以要加一个注解函数，如下所示

@app.route('/KnowGraph/v2', methods=["GET"])
def getInfoFromServer():pass

然后就实现这个函数即可，首先处理请求参数，我们的请求完整url是这样的

http://localhost:8090/KnowGraph/v2?method=entry&jsonrpc=2.0&id=1&params=entry=上将许世友-deep=2

参数比较多，而且很多是固定的，比如jsonrpc、id等，因此我将其简化为

http://localhost:8090/KnowGraph/v2?name=上将许世友

然后在getInfoFromServer()函数里，把默认参数都加上即可，代码如下

def handle_args(originArgs):if 'name' not in originArgs.keys():return Noneargs = {}for item in originArgs:key = itemvalue = originArgs[key]if key == "params":kvs = str(value).split("-")kv_dic = {}for item in kvs:kv = item.split("=")k = kv[0]v = kv[1]if v.isnumeric():kv_dic[k] = int(v)else:kv_dic[k] = vargs[key] = kv_dicelse:if value.isnumeric():args[key] = int(value)else:args[key] = valueif 'params' not in args.keys():args['params'] = {'name': args['name']}args.pop('name')args['params']['name'] = args['params']['name'].replace('\'', '\\\'')if 'method' not in args.keys():args['method'] = 'entry'if 'deep' not in args['params'].keys():args['params']['deep'] = 2if 'jsonrpc' not in args.keys():args['jsonrpc'] = 2.0if 'id' not in args.keys():args['id'] = 1return args

其实主要就是遍历和填充操作

参数处理完后，我们就可以根据参数里的method字段，来进行不同的查询操作了，然后从server_param的result字段里获取结果，交给前端，进行页面的渲染。故而，可以写出getInfoFromServer()函数代码如下

@app.route('/KnowGraph/v2', methods=["GET"])
def getInfoFromServer():args = handle_args(request.args.to_dict())kg = KnowGraph(args)client_params = argsserver_param = {}if client_params['method'] == 'entry':kg.lookup_entry(client_params, server_param)server_param['id'] = client_params['id']server_param['jsonrpc'] = client_params['jsonrpc']server_param['method'] = client_params['method']print("server_param:\n", server_param)global mydataif 'result' in server_param.keys():mydata = server_param['result']else:mydata = '{}'print("mydata:\n", mydata)return render_template("index.html")

这里我们只处理对实体的查询，因为我们的输入就是用户观看的一个影视剧的名字。

渲染界面时，会通过/KnowGraph/data路径获取数据，因此要将其拦截，代码如下

@app.route("/KnowGraph/data")
def data():print("data:", data)return mydata

整个的views.py文件如下所示

# coding:utf-8
'''
Created on 2018年1月9日@author: qiujiahao@email:997018209@qq.com'''from flask import jsonify
from conf import *
from flask import Flask
from flask import request, render_template
from server.app import app
import tensorflow as tf
from server.module import KnowGraph
import jsonmydata = ""# http://210.41.97.89:8090/KnowGraph/v2?name=胜利之路
# http://113.54.234.209:8090/KnowGraph/v2?name=孤战
# http://localhost:8090/KnowGraph/v2?method=entry_to_property&jsonrpc=2.0&id=1&params=entry=水冶-property=位置
@app.route('/KnowGraph/v2', methods=["GET"])
def getInfoFromServer():args = handle_args(request.args.to_dict())kg = KnowGraph(args)client_params = argsserver_param = {}if client_params['method'] == 'entry':kg.lookup_entry(client_params, server_param)server_param['id'] = client_params['id']server_param['jsonrpc'] = client_params['jsonrpc']server_param['method'] = client_params['method']print("server_param:\n", server_param)global mydataif 'result' in server_param.keys():mydata = server_param['result']else:mydata = '{}'print("mydata:\n", mydata)return render_template("index.html")def handle_args(originArgs):if 'name' not in originArgs.keys():return Noneargs = {}for item in originArgs:key = itemvalue = originArgs[key]if key == "params":kvs = str(value).split("-")kv_dic = {}for item in kvs:kv = item.split("=")k = kv[0]v = kv[1]if v.isnumeric():kv_dic[k] = int(v)else:kv_dic[k] = vargs[key] = kv_dicelse:if value.isnumeric():args[key] = int(value)else:args[key] = valueif 'params' not in args.keys():args['params'] = {'name': args['name']}args.pop('name')args['params']['name'] = args['params']['name'].replace('\'', '\\\'')if 'method' not in args.keys():args['method'] = 'entry'if 'deep' not in args['params'].keys():args['params']['deep'] = 2if 'jsonrpc' not in args.keys():args['jsonrpc'] = 2.0if 'id' not in args.keys():args['id'] = 1return args@app.route("/KnowGraph/data")
def data():print("data:", data)return mydata

数据库查询

最后，我们把精力投放在module.py中的数据库查询和结果分析中。

为了便于查看，我们把结果放在json文件里，因此，查询结果在内存中用字典存储，每一次查询前，先把字典清空，再进行查询，然后根据有无结果，执行不同的解析逻辑。因此，可以写出lookup_entry函数如下所示

    def lookup_entry(self, client_params, server_param):# 支持设定网络查找的深度start_time = time.time()params = client_params["params"]edges = set()sim_dict.clear()self.lookup_entry_deep(edges, params, 0)if len(edges) == 0:server_param['success'] = 'false'else:self.handleResult(edges, server_param, start_time)

对实体的查询都放在lookup_entry_deep()函数里。一般来说，我们的深度只有两层，第一层是我们查询用户影视剧的各个属性，比如上将许世友的导演，第二层我们根据每个属性，去查找这个属性对应的实体，比如查询上将许世友的导演，还主拍过哪些影视剧。显然，第一层为正向查找，第二层则为逆向查找。

在查找时，为了避免向用户推荐他刚看过的影视剧，我们还要对结果进行去重。比方说，我们针对上将XXX进行查找，当查到上将XXX的导演为安澜，然后对安澜进行逆向查找时，如果发现安澜只导演过上将XXX这一部作品，那我们就没必要也不应该，把上将许世友加入到推荐列表里。

针对上面的没有查出别的实体的情况，我把这一返回结果定义为'nothing else'；如果什么也没查到，就是'nothing got'；如果深度超标，就是'deep out'；一切正常，则为'ok'。

我们先进行双向查询，代码如下

        result1 = self.graph.run(cypher='''match (s)-[r]->(e) where s.name='{}'return s.name,r.name,e.name'''.format(params['name'])).data()result2 = self.graph.run(cypher='''match (e)<-[r]-(s) where e.name='{}' return s.name,r.name,e.name '''.format(params['name'])).data()

然后对两个结果进行判空，如果长度都为0，就返回'nothing got'

        if len(result1) == 0 and len(result2) == 0:return 'nothing got'

如果result2(也就是逆向查找的结果)只有一项，这一项中的s.name(也就是影视剧名)还是输入的实体名，e.name(也就是属性名)还是原来的属性名，那就直接返回'nothing else'

        if len(result2) == 1:item = result2[0]if origin_tv_name is not None and origin_property_name is not None:if origin_property_name == item['e.name'] and origin_tv_name == item['s.name']:return 'nothing else'

这里的origin_tv_name和origin_property_name都是lookup_entry_deep函数的参数之一，默认为None

然后我们先遍历正向查询结果result1，把里面的属性值(e.name)、属性名(r.name)和原始影视剧(s.name)连接起来，作为三元组保存到edges集合里。

        for item in result1:tv_name = item['s.name']property_name = item['e.name']has_result = Falseif tv_name != property_name:  # 避免出现:双面胶:中文名:双面胶的死循环if oldName != property_name:params['name'] = property_namehas_result = self.lookup_entry_deep(edges, params.copy(), deep + 1,origin_tv_name=tv_name,origin_property_name=property_name)

oldName是本次查询的实体名，此处为了避免出现死循环，加了个判断，其实我们这个场景里，这个判断肯定是成立的。

接下来，我们就分析逆向查找的结果。如果查出了新的影视剧，就先根据新影视剧和属性的关系，得出这一关系的相似度。然后，再把新的影视剧、相同属性名、相似度以或累加、或新建的方式加入相似字典和edges集合里，代码如下

        for item in result2:tv_name = item['s.name']property_name = item['e.name']relation_name = item['r.name']if tv_name != origin_tv_name:score = get_sim_score_accroding_to_relation(relation_name)if tv_name not in sim_dict.keys():sim_dict[tv_name] = {relation_name: [property_name],"similarity": score}else:item_dict = sim_dict[tv_name]if relation_name in item_dict.keys() and \property_name in item_dict.values():continueif relation_name in item_dict.keys():item_dict[relation_name].append(property_name)else:item_dict[relation_name] = [property_name]item_dict["similarity"] += scoreedges.add((tv_name, relation_name, property_name))

其中，根据关系获得相似度的函数get_sim_score_accroding_to_relation()的代码如下所示

def get_sim_score_accroding_to_relation(relation_name):if relation_name in ['actor', 'director', 'tag']:return 1.0elif relation_name in ['language', 'country']:return 0.5return 0.0

完整的lookup_entry_deep()函数如下所示

    # 限制深度的查找def lookup_entry_deep(self, edges, params, deep, origin_tv_name=None, origin_property_name=None):# 当前查找深度不得等于要求的深度if deep >= params['deep']:return 'deep out'# 正向查找oldName = str(params['name'])if oldName.__contains__("\'") and not oldName.__contains__("\\\'"):params['name'] = oldName.replace("\'", "\\\'")result1 = self.graph.run(cypher='''match (s)-[r]->(e) where s.name='{}'return s.name,r.name,e.name'''.format(params['name'])).data()result2 = self.graph.run(cypher='''match (e)<-[r]-(s) where e.name='{}' return s.name,r.name,e.name '''.format(params['name'])).data()if len(result1) == 0 and len(result2) == 0:return 'nothing got'if len(result2) == 1:item = result2[0]if origin_tv_name is not None and origin_property_name is not None:if origin_property_name == item['e.name'] and origin_tv_name == item['s.name']:return 'nothing else'for item in result1:tv_name = item['s.name']property_name = item['e.name']if tv_name != property_name:  # 避免出现:双面胶:中文名:双面胶的死循环if oldName != property_name:params['name'] = property_namehas_result = self.lookup_entry_deep(edges, params.copy(), deep + 1,origin_tv_name=tv_name,origin_property_name=property_name)for item in result2:has_result = Falsetv_name = item['s.name']property_name = item['e.name']relation_name = item['r.name']if tv_name != origin_tv_name:score = get_sim_score_accroding_to_relation(relation_name)if tv_name not in sim_dict.keys():sim_dict[tv_name] = {relation_name: [property_name],"similarity": score}else:item_dict = sim_dict[tv_name]if relation_name in item_dict.keys() and \property_name in item_dict.values():continueif relation_name in item_dict.keys():item_dict[relation_name].append(property_name)else:item_dict[relation_name] = [property_name]item_dict["similarity"] += scoreedges.add((tv_name, relation_name, property_name))return 'ok'

当查询完成后，如果有结果，我们就会到handle_result()函数里处理结果，进行返回或输出。主要是根据相似度进行从高到低的排序，然后取出前20个，写入json文件，这部分代码如下所示

    def handleResult(self, edges, server_param, start_time):....sorted_sim_list = sorted(sim_dict.items(), key=lambda x: x[1]['similarity'], reverse=True)ret = {}for i in range(len(sorted_sim_list)):if i >= 20:breakret[sorted_sim_list[i][0]] = sorted_sim_list[i][1]mydata = json.dumps(ret, ensure_ascii=False)print('Json路径是:%s' % (fname))self.clear_and_write_file(fname, mydata)def clear_and_write_file(self, fname, mydata):with open(fname, 'w', encoding='utf-8') as f:f.write(str(""))with open(fname, 'a', encoding='utf-8') as f:f.write(str(mydata))

除此之外，我还将结果存放在了server_param里，用于向前端界面输出结果，这部分代码如下所示

        ret = []for result in edges:ret.append({"source": result[0],"target": result[2],"relation": result[1],"label": "relation"})print("ret:", ret)server_param['result'] = {"edges": ret}server_param['success'] = 'true'print('本次查找三元组的数量为:{},耗时:{}s'.format(len(ret), time.time() - start_time))

完整的结果处理函数的代码如下

    def handleResult(self, edges, server_param, start_time):ret = []for result in edges:ret.append({"source": result[0],"target": result[2],"relation": result[1],"label": "relation"})print("ret:", ret)server_param['result'] = {"edges": ret}server_param['success'] = 'true'print('本次查找三元组的数量为:{},耗时:{}s'.format(len(ret), time.time() - start_time))sorted_sim_list = sorted(sim_dict.items(), key=lambda x: x[1]['similarity'], reverse=True)ret = {}for i in range(len(sorted_sim_list)):if i >= 20:breakret[sorted_sim_list[i][0]] = sorted_sim_list[i][1]mydata = json.dumps(ret, ensure_ascii=False)print('Json路径是:%s' % (fname))self.clear_and_write_file(fname, mydata)

运行结果

首先启动服务，运行run_server.py，然后在浏览器地址栏里，输入如下url(XXX为输入的名字)：

http://210.41.97.169:8090/KnowGraph/v2?name=XXX

然后页面输出如下

结果非常庞杂，我们再看看json文件里的前20个的输出，结果如下

{"XXX元帅": {"actor": ["侯勇","刘劲"],"similarity": 14.0,"language": ["普通话"],"country": ["中国大陆"],"tag": ["传记","上星剧","55-70","45-55","36-45","24-36","热血","革命","战争","历史","电视剧"]},"BBB": {"actor": ["刘劲","王伍福"],"similarity": 14.0,"language": ["普通话"],"country": ["中国大陆"],"tag": ["传记","上星剧","55-70","45-55","36-45","24-36","热血","革命","战争","历史","电视剧"]},"长征大会师": {"actor": ["刘劲","王伍福"],"similarity": 14.0,"language": ["普通话"],"country": ["中国大陆"],"tag": ["上星剧","55-70","45-55","36-45","24-36","激昂","热血","革命","战争","历史","电视剧"]},"战将": {"language": ["普通话"],"similarity": 13.0,"country": ["中国大陆"],"tag": ["传记","上星剧","55-70","45-55","36-45","24-36","热血","动作","革命","战争","历史","电视剧"]},"炮神": {"language": ["普通话"],"similarity": 13.0,"country": ["中国大陆"],"tag": ["上星剧","55-70","45-55","36-45","24-36","激昂","动作","革命","军旅","战争","历史","电视剧"]},"独立纵队": {"language": ["普通话"],"similarity": 13.0,"country": ["中国大陆"],"tag": ["上星剧","55-70","45-55","36-45","24-36","激昂","热血","动作","革命","战争","历史","电视剧"]},"女子军魂": {"language": ["普通话"],"similarity": 13.0,"country": ["中国大陆"],"tag": ["上星剧","55-70","45-55","36-45","24-36","激昂","热血","革命","军旅","战争","历史","电视剧"]},"热血军旗": {"actor": ["侯勇"],"similarity": 12.0,"language": ["普通话"],"country": ["中国大陆"],"tag": ["上星剧","55-70","45-55","36-45","热血","动作","革命","战争","历史","电视剧"]},"擒狼": {"language": ["普通话"],"similarity": 12.0,"country": ["中国大陆"],"tag": ["上星剧","55-70","45-55","36-45","24-36","激昂","动作","革命","战争","历史","电视剧"]},"信者无敌": {"language": ["普通话"],"similarity": 12.0,"country": ["中国大陆"],"tag": ["上星剧","55-70","45-55","36-45","24-36","激昂","热血","革命","战争","历史","电视剧"]},"我的抗战之猎豹突击": {"language": ["普通话"],"similarity": 12.0,"country": ["中国大陆"],"tag": ["上星剧","55-70","45-55","36-45","24-36","激昂","热血","革命","战争","历史","电视剧"]},"魔都风云": {"language": ["普通话"],"similarity": 12.0,"country": ["中国大陆"],"tag": ["上星剧","55-70","45-55","36-45","24-36","激昂","热血","动作","革命","战争","电视剧"]},"英雄戟之影子战士": {"language": ["普通话"],"similarity": 12.0,"country": ["中国大陆"],"tag": ["55-70","45-55","36-45","24-36","激昂","热血","动作","革命","战争","历史","电视剧"]},"第一声枪响": {"language": ["普通话"],"similarity": 12.0,"country": ["中国大陆"],"tag": ["上星剧","55-70","45-55","36-45","24-36","激昂","热血","革命","战争","历史","电视剧"]},"亮剑": {"language": ["普通话"],"similarity": 12.0,"country": ["中国大陆"],"tag": ["上星剧","45-55","36-45","24-36","激昂","热血","动作","革命","战争","历史","电视剧"]},"飞虎队": {"language": ["普通话"],"similarity": 12.0,"country": ["中国大陆"],"tag": ["上星剧","45-55","36-45","24-36","激昂","热血","动作","革命","战争","历史","电视剧"]},"伟大的转折": {"language": ["普通话"],"similarity": 12.0,"country": ["中国大陆"],"tag": ["上星剧","55-70","45-55","36-45","24-36","激昂","热血","革命","战争","历史","电视剧"]},"太行英雄传": {"language": ["普通话"],"similarity": 12.0,"country": ["中国大陆"],"tag": ["上星剧","45-55","36-45","24-36","激昂","热血","动作","革命","战争","历史","电视剧"]},"雪豹": {"language": ["普通话"],"similarity": 12.0,"country": ["中国大陆"],"tag": ["上星剧","55-70","45-55","36-45","24-36","激昂","革命","军旅","战争","历史","电视剧"]},"宜昌保卫战": {"actor": ["侯勇"],"similarity": 11.0,"language": ["普通话"],"country": ["中国大陆"],"tag": ["上星剧","45-55","36-45","24-36","激昂","革命","战争","历史","电视剧"]}
}

排在前面的分别都是和我们的输入相关度很高的影视剧，相似度和相同的属性也赫然其中，看来效果还不错。

结语

这只是个demo，用来体验一下知识图谱在推荐系统中的应用。

最后，再次感谢原项目作者，没有他的辛勤劳作搭建出来的框架，我也很难做出第一步的实践。

再次给出原项目的地址：https://github.com/qiu997018209/KnowledgeGraph

一个简单的基于知识图谱的影视剧推荐系统相关推荐

基于知识图谱的职位推荐系统的设计与实现
此文为我在本科毕业设计时所设计的通过知识图谱进行职位推荐系统的设计与实现,因为职位推荐系统不多,所以发出来给之后的朋友做一个参考,有什么问题可以咨询我,但本文不允许转载以及二次创作.数据表设计.推荐算 ...
耗时一周时间，我构建了基于知识图谱的医生推荐系统（附完整版 Python 源码）
大家好,今天给大家分享一个项目,主要实现了疾病自诊和医生推荐两个功能并构建了医生服务指标评价体系.疾病自诊主要通过利用 BERT+CRF+BiLSTM 的医疗实体识别, 建立医学知识图谱, 从而实现基 ...
基于知识图谱的问答系统（以医疗行业为例）
清华大学人工智能研究院院长张钹院士2020年发表署名文章,首次全面阐述第三代人工智能的理念,提出第三代人工智能的发展路径是融合第一代的知识驱动和第二代的数据驱动的人工智能.基于知识图谱的推理,恰恰体现 ...
从零搭建基于知识图谱的问答系统（以医疗行业为例）
清华大学人工智能研究院院长张钹院士2020年发表署名文章,首次全面阐述第三代人工智能的理念,提出第三代人工智能的发展路径是融合第一代的知识驱动和第二代的数据驱动的人工智能.基于知识图谱的推理,恰恰体现 ...
基于知识图谱的推荐系统综述
基于知识图谱的推荐系统综述作者信息 Elesdspline 目前从事NLP与知识图谱相关工作. 导语本文是2020年针对知识图谱作为辅助信息用于推荐系统的一篇综述.知识图谱对于推荐系统不仅能够进行 ...
基于知识图谱的推荐系统(KGRS)综述
导语本文是2020年针对知识图谱作为辅助信息用于推荐系统的一篇综述.知识图谱对于推荐系统不仅能够进行更精确的个性化推荐,而且对推荐也是具有可解释性的,有迹可循. 本文汇总了近些年来知识图谱辅助推荐系 ...
【推荐系统】RippleNet——基于知识图谱偏好传播的推荐系统
[推荐系统]RippleNet--基于知识图谱偏好传播的推荐系统论文名称:<RippleNet: Propagating User Preferences on the Knowledge G ...
推荐系统-知识图谱：KGRS（基于知识图谱的推荐系统）综述
本文是2020年针对知识图谱作为辅助信息用于推荐系统的一篇综述.知识图谱对于推荐系统不仅能够进行更精确的个性化推荐,而且对推荐也是具有可解释性的,有迹可循. 本文汇总了近些年来知识图谱辅助推荐系统的一 ...
【推荐系统】基于知识图谱的推荐系统总结
| 作者:阳光明媚 | 单位:华东师范大学 | 研究方向:推荐系统.强化学习摘要推荐系统的基本任务是联系用户和物品,解决信息过载的问题,帮助用户找到其感兴趣的内容.个性化的推荐系统更是可以为用户推 ...

一个简单的基于知识图谱的影视剧推荐系统

背景

环境

项目框架

流程分析

数据的读取和插入

运行服务

处理页面请求

数据查询

改造

数据格式

数据读取和插入

运行服务

处理请求

数据库查询

运行结果

结语

一个简单的基于知识图谱的影视剧推荐系统相关推荐

最新文章

热门文章