功能主要包括学科知识图谱以及题目知识点追踪、关系查询、问答及知识点预测等。
前端页面参考：https://github.com/qq547276542/Agriculture_KnowledgeGraph，在此表示非常感谢。
此项目也参考了作者之前的电影图谱：https://github.com/jiangnanboy/movie_knowledge_graph_app，具体细节可参考此项目。
准备数据及构建实体及关系
数据为知识点和题目，利用neo4j进行构建。构建方式如https://github.com/jiangnanboy/movie_knowledge_graph_app。
项目结构
.
│
│
├── edu_kg // django项目路径
│ ├── Model // 模型层，用于和neo4j交互，实现查询等核心功能
│ ├── edu_kg // 用于写页面的逻辑(View)
│ ├── static // 静态资源
│ ├── templates // html页面
│ └── util // 预加载一些数据和模型
.
功能模块
本地启动django命令：python manage.py runserver (或 edu_kg un.bat)
一.学科知识点图谱
输入学科名将展示整个学科知识体系
二.题目知识点追踪
输入题目id，可追踪该题目所包含的所有知识点(子知识点 -> 父知识点 -> 根知识点)
三.关系查询
展示两个知识点间的关系
四.学知问答
1.利用分类模型对用户输入的问题进行意图识别
(1).模型的构建及训练见https://github.com/jiangnanboy/intent_classification
(2).总共9个意图类别，如下：
0:知识点A包含哪些知识点？
1:包含知识点A的知识点是什么？
2:知识点A的定义(概念)是什么？(暂无数据)
3:知识点A怎么计算的(计算方式)？(暂无数据)
4:包含知识点A的题目有哪些？
5:包含知识点A的题目还包含哪些知识点?
6:包含知识点A的题目题型有哪些？
7:包含知识点A的题目的复杂度如何？
8:知识点A的知识路径是什么？
(3).意图识别
这里使用textcnn进行意图识别，具体训练代码见https://github.com/jiangnanboy/intent_classification/tree/master/textcnn
训练好的model及加载方式在本项目edu_kg/util下。
2.意图识别后，利用pyhanlp进行实体识别(槽填充)。
3.将识别的意图以及提取的槽位(即识别的实体)转为cypher语言，在neo4j中进行查询得到答案
利用分类模型预测用户提问的意图类别，将不同的意图类别转换为不同的cypher语言，从neo4j中查询得到答案。
五.知识点预测
1.利用多标签分类模型对输入的题目进行知识点标注
(1).多标签模型的构建及训练见https://github.com/jiangnanboy/knowledge-automatic-tagging。
(2).训练好的model及加载方式在edu_kg/util下。
作者的qq，如您有什么想法可以和作者联系：2229029156。
如果您支持作者继续开发更加完善的功能，请动一动手为此项目打个星吧或fork此项目，这是对作者最大的鼓励。
完整项目见：https://github.com/jiangnanboy/education_knowledge_graph_app