# MovieKGQA

**Repository Path**: swimmingliu/MovieKGQA

## Basic Information

- **Project Name**: MovieKGQA
- **Description**: 基于知识图谱和neo4j图数据库的电影知识问答系统
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 6
- **Forks**: 1
- **Created**: 2024-09-18
- **Last Updated**: 2025-03-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# MovieKGQA
## Introduction

基于知识图谱和neo4j图数据库的电影知识问答系统
<div style="display:flex; justify-content: space-around; ">
<img src="assets/MovieKGQA1.png" alt="image-20231212102658908" style="box-shadow: 0 0 10px rgba(200, 200, 200);" width=200px height:200px/>		
<img src="assets/MovieKGQA2.png" alt="image-20231212102738360" style="box-shadow: 0 0 10px rgba(200, 200, 200);" width=200px height:200px/>		
<img src="assets/MovieKGQA3.png" alt="image-20231212103113278" style="" width=200px height:200px/>
</div>




## Workflow

### DataBase

   爬取豆瓣TOP1000电影信息数据

### Frontend

1. 获取用户输入的信息 （语音输入 / 文本输入）
2. 向电影知识问答后端服务器发送请求
3. 获取返回结果  (成功 -> 4 / 失败 -> 5)
4. 如果返回结果包含image信息，则显示图片和文字，否则只显示文字
5. 请求基于gpt的AI模型服务器，并显示返回结果

### Backend

​	[准备工作]  训练 TF-IDF 向量算法和朴素贝叶斯分类器，用于预测用户文本所属的问题类别

1. 接受前端请求，获取用户输入信息
2. 使用分词库解析用户输入的文本词性，提取关键词
3. 根据贝叶斯分类器，分类出用户文本的问题类型
4. 结合关键词与问题类别，在 Neo4j 中查询问题的答案
5. 返回查询结果 （若问题类型为 演员信息 / 电影介绍，则附加图片url）

### WorkFlow Graph

![workflow graph](assets/MovieKGQA_workflow_graph.png)

## Frame

### DataBase

[![Neo4j](https://img.shields.io/badge/neo4j-test?style=for-the-badge&logo=neo4j&logoColor=white&color=blue)](https://neo4j.com/)

### Frontend

[![wechat mini programs](https://img.shields.io/badge/wechat%20mini%20programs-test?style=for-the-badge&logo=wechat&logoColor=white&color=%2320B2AA)](https://developers.weixin.qq.com/)

### Backend

[![Python](https://img.shields.io/badge/python-3776ab?style=for-the-badge&logo=python&logoColor=ffd343)](https://www.python.org/)[![Flask](https://img.shields.io/badge/flask-3e4349?style=for-the-badge&logo=flask&logoColor=ffffff)](https://flask.palletsprojects.com/)[![Scikit-learn](https://img.shields.io/badge/sklearn-test?style=for-the-badge&logo=scikit-learn&logoColor=white&color=orange)](https://scikit-learn.org/stable/index.html)[![Jieba](https://img.shields.io/badge/jieba-3776ab?style=for-the-badge&logo=python&logoColor=ffd343)](https://github.com/fxsjy/jieba)

## Reference

### Frontend

[微信小程序：微信聊天机器人](https://github.com/JzheTang/wechat_robot_app)

### BackEnd

[基于知识图谱的电影知识问答系统](https://github.com/mrcaidev/kgqa)

[电影知识库问答机器人](https://github.com/futurehear/chatbot)