如何用python结合知识图谱编写一个智能问答系统，能给对用户提出的问题通过搜索图谱，进行自动回复，列举出具体使用的第三方库、算法和知识点，并给出具体实现的完整示例代码

要用python结合知识图谱编写一个智能问答系统，需要使用自然语言处理、图谱查询和信息检索等技术。以下是具体的实现步骤和示例代码：

1. 数据准备

首先，需要准备好知识图谱数据，可以使用Neo4j等图数据库存储图谱数据。为了方便查询，可以将每个实体和关系都赋予一个唯一标识符，同时也需要对实体和关系进行分类和标注，以便于后续的查询和处理。

2. 自然语言处理

为了能够对用户的问题进行理解和分析，需要使用自然语言处理技术，包括分词、词性标注、命名实体识别等。这里可以使用NLTK、Stanford CoreNLP等第三方库。

3. 图谱查询

在对用户的问题进行分析后，需要对图谱进行查询，以找到与问题相关的实体和关系。可以使用SPARQL查询语言或者Cypher查询语言进行查询，也可以使用专门针对图谱的查询引擎，如Gremlin等。

4. 答案生成

最后，需要根据查询结果生成答案，并将答案返回给用户。生成答案的方式可以是直接从知识图谱中提取相关信息，也可以通过对多个实体和关系进行推理得出答案。同时，还需要考虑到答案的准确性和可读性，可以使用自然语言生成技术来生成自然语言答案。

以下是一个简单的示例代码，演示如何通过SPARQL查询语言在Neo4j中查询实体和关系，并根据查询结果生成答案：

from py2neo import Graph

# 连接Neo4j数据库
graph = Graph()

# 用户输入的问题
question = "张学友的妻子是谁？"

# 分词和命名实体识别
# ...

# 构造SPARQL查询语句
query = """
SELECT ?wife_name WHERE {{
  ?person_name <妻子> ?wife_name .
  FILTER regex(?person_name, "{}", "i")
}}
""".format(person_name)

# 执行查询
results = graph.run(query)

# 生成答案
if len(results) > 0:
    wife_name = results[0]['wife_name']
    answer = "{}的妻子是{}".format(person_name, wife_name)
else:
    answer = "抱歉，没有找到相关信息。"

# 返回答案给用户
print(answer)

以上示例代码仅是一个简单的演示，实际上智能问答系统需要考虑到更多复杂的情况和场景，如多轮对话、语义理解、错误处理等。同时，还需要不断地更新和维护知识图谱，以提高系统的准确性和实用性。