将返回的查询结果匹配至相应的回复语句，输出完成电影知识问答的整个过程
下面针对于智能问题系统的四个步骤分别进行讲解，说明实现的步骤以及主要代码：
~~~~~~~~本部分思想较为简单，主要借助于 python的模糊匹配库，将用户输入的语句和事先构建的类别列表中的每句话进行匹配，获得匹配值后计算平均值，并存入字典中，最终取出字典中匹配程度最高的类别即为用户意图。
AssignIntension()函数即事先对应的功能，接收用户输入，返回匹配列表
~~~~~~~~内容实体提取的在本项目中主要负责提取用户问题中的电影名称，这是我们后续处理的关键与核心。
~~~~~~~~电影名称包含在用户输入中，所以提取电影名称首先想到的便是借助于中文分词实现语句分别，然后将电影名称的字段提取出即可，但由于电影名称的多样性和复杂性，结巴分词可能会将电影名称分开，同时也不方便确认哪个字段属于电影名称。
~~~~~~~~因此，简单的分词无法完成上述任务，我们需要借助于结巴分词的自定义词典功能。结巴分词支持 自定义词典导入，在分词时，你自定义的这些词汇就会被认作一个词语进行保留，而不会出现上述电影名称被分开的情况。自定义词典以及构建的函数也会放在结尾的文件夹中，大家可自行参考借鉴。
代码 jieba.load_userdict('./selfDefiningTxt.txt')完成自定义词典的导入。
~~~~~~~~ OK，电影名称被成功保留，但是我们如何确认哪个字段是电影名称呢？结巴分词提供词性标注，自定义词典同样支持，我们仅需在电影名称后添加特殊字段作为电影名称词语的词性(本例中使用 lqy，自己姓名的缩写)，在分离时提取词性为 lqy的词语即可以获得电影名称。
if w.flag == 'lqy':
movieName = w.word
~~~~~~~~分词后的每一个词语都具有 word和 flag两个属性，分别存储词语内容和词性
cyphere语句查询：
~~~~~~~~按照自己的理解， neo4j与 mysql类似，都有自己官方的查询语言， cyphere就是 neo4j的官方查询语言， cyphere作为一门单独的语言，如果需要复杂的应用，是需要花费精力单独进行查询，此处不会对 cyphere的语法进行详细的讲解，需要的同学可以移步其他博文进行语法的学习，此处仅应用 cyphere中最简单的查询语句：
查询肖申克的救赎的上映时间
match (n:movie) where n.title = '肖申克的救赎' return n.time
~~~~~~~~因此，借助于上文获取的电影名称和用户意图类别即可以构建cyphere语句输入至知识图谱中进行查询，返回目标结果。
cyphere = 'match (n:movie) where n.title = "' + str(movieName) + '" return n.' + str(classification)
~~~~~~~~上述代码即完成 cyphere语句构建的任务，而后借助于 py2neo运行查询语句即可以获得目标返回的内容。
~~~~~~~~在知识图谱中查询到目标的结果后，即可以将查询结果和电影名称代入回复模板中，
~~~~~~~~回复的模板共有八个，需要代入和用户意图相匹配的回复模板中，输出即可完成智能问答系统的问答功能。
Original: https://blog.csdn.net/DALEONE/article/details/125116858
Author: 隔壁李学长
Title: python+neo4j构建基于知识图谱的电影知识智能问答系统
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/596149/
转载文章受原作者版权保护。转载请注明原作者出处！