知识图谱智能问答系统：Python源码实现与项目说明

资源摘要信息:"该资源提供了基于知识图谱的智能问答系统的完整Python源码和项目说明文档。系统特别适用于智慧城市主题下的应用，并且支持意图识别与类知识库送入大型语言模型（LLM）的方法。源码使用了py2neo库进行Neo4j的封装，但由于py2neo疑似不再维护，开发者自行封装了相关功能。在实体识别方面，使用了AC自动机和手写的GPT模型进行处理，并且对实体名称进行了包含关系的过滤。意图识别部分则通过torchtext库中的xmlroberta模型进行训练，训练数据来源于智慧城市公共服务场景的用户问题。为了提升模型性能，开发者还进行了数据增强，修改了EDA_NLP_for_Chinese库的源码以适应自己的数据集。在问答系统中，采用了RWKV模型，并结合wenda项目的prompt技术，将知识图谱中的相关信息送入LLM进行处理。此外，还提到了在推理阶段使用3B小型模型，并在fp16i8精度下运行，取得了良好的效果。源码文件的命名方式为code_20105。" 知识点详细说明： 1. 知识图谱在智能问答系统中的应用：知识图谱通过结构化方式存储实体和实体之间的关系，使得问答系统能够更准确地理解和处理问题，从而提供更精准的答案。在本系统中，知识图谱作为核心组成部分，用于存储智慧城市相关知识并协助问答。 2. 意图识别技术：意图识别是自然语言处理（NLP）中的一项关键技术，主要目标是根据用户的输入判断用户意图。在本项目中，开发者利用了torchtext库中的xmlroberta模型，将意图识别转化为文本分类问题进行训练，旨在识别用户查询背后的具体需求。 3. 类知识库与LLM结合方法：本系统采用了一种将类知识库送入大型语言模型（LLM）的方法，即RWKV模型，通过查询知识图谱中的相关知识，并将这些信息送入模型的prompt中，从而利用LLM强大的自然语言理解能力提取问题答案。 4. 数据增强：为了提升模型的泛化能力和鲁棒性，开发者使用了EDA_NLP_for_Chinese进行数据增强，通过增加文本的多样性来扩充训练集。此外，还修改了EDA的源码以适应特定的数据集需求。 5. py2neo库及其替代方案：py2neo是一个流行的Python库，用于操作Neo4j数据库。本项目中，由于py2neo疑似不再维护，开发者选择了自行封装对应的功能，以保证项目的可持续性和稳定性。 6. AC自动机与GPT模型在实体识别中的应用：AC自动机用于实体识别，能够处理一系列的文本字符串，快速识别出文本中的实体。同时，结合了简单的GPT模型进行辅助处理，并且手工去除了名称包含关系的实体。 7. 实体识别的后处理：在实体识别后，开发者进行了二次过滤，排除了名称具有包含关系的实体，这一步骤通常需要通过两重循环的暴力方法进行。 8. 结巴分词的替代方法：结巴分词是Python中常用的中文分词库，但项目中并没有直接使用，而是选择了其他方法进行分词匹配。 9. 模型推理优化：在模型推理阶段，使用了3B小型模型，并在fp16i8精度下运行，这有助于减少计算资源的消耗，同时保持较高的推理速度和效果。 10. 毕业设计与课程项目适用性：本资源作为计算机、数学、电子信息等相关专业的课程设计、期末大作业和毕设项目，提供了完整的实施案例和设计思路，对学术研究和教育学习具有参考价值。