汽车知识图谱

一、项目介绍

　　本项目是一个关于汽车领域的知识图谱，项目内容包括知识抽取、知识建模、知识推理、知识存储、知识应用，适用于基于搜索引擎的商业数据分析场景。

　　本项目利用网络爬虫完成了汽车品牌数据、汽车车型数据、汽车配置数据的获取，通过数据预处理后，在Neo4j图数据库中进行批量数据节点的创建，索引的创建和关系的创建，总共有207个汽车品牌数据，1519个汽车车系数据，31768个汽车车型数据，完成数据的导入工作，再利用Django框架实现了实体识别、实体查询、关系查询的数据可视化。

　　项目源代码已上传GitHub，https://github.com/chenjj9527/Car_Knowledge_Graph，如有疑问，可留言咨询。

　　环境要求：

Python	3.6.5	低版本不支持
Neo4j	3.3.1	社区版本即可
py2neo	4.0.0	低版本不支持
neo4j-driver	1.6.1	Neo4j开发接口
Django	2.0.3	Web服务器
Java	1.8	JDK
Thulac/Corenlp	0.2.0	分词、词性标注
Pinyin	0.4.0	小写字母获取
Bootstrap	3.7.4	界面框架
Echarts	4.0	数据可视化框架
JQuery	1.0	JS框架

二、项目架构

三、数据导入

 1 # 导入汽车品牌表
 2 LOAD CSV WITH HEADERS FROM "file:///bank.csv" AS line
 3 CREATE (:Bank{name:line.bank, count:line.count})
 4 
 5 # 导入品牌系列表
 6 LOAD CSV WITH HEADERS FROM "file:///series.csv" AS line
 7 CREATE (:Series{name:line.series, count:line.count})
 8 
 9 # 导入关系表【这里关系表和品牌系列表一样】
10 LOAD CSV WITH HEADERS FROM "file:///series.csv" AS line
11 MATCH (entity1: Bank{name:line.bank}), (entity2: Series{name:line.series})
12 CREATE (entity1) - [:Subtype{type:line.relation}] -> (entity2)
13 
14 # 查询品牌及其关系
15 MATCH p=()-[r:Subtype]->() RETURN p LIMIT 250
16 
17 #建立索引
18 CREATE CONSTRAINT ON (b: Bank)
19 ASSERT b.name is UNIQUE
20 
21 #查询实体
22 match (n:Bank) return n LIMIT 25
23 match (n:Series) return n LIMIT 25