F076 中医中药知识智能问答与图谱构建研究系统 Vue+Flask+Neo4j

优质文章学习记录

— 11 min read
F076 中医中药知识智能问答与图谱构建研究系统 Vue+Flask+Neo4j
文章结尾部分有ZEEKLOG官方提供的学长 联系方式名片
关注B站，私信获取！ 麦麦大数据
编号: F076

视频

<<待上传>>

1 系统简介

系统简介：本系统是一个基于Vue+Flask+Neo4j+MySQL构建的《中医中药知识智能问答与图谱构建研究系统》。其核心围绕中医证型、中药信息的数字化管理、智能问答及知识图谱的构建与多维度可视化分析能力展开。
本系统主要面向用户提供中医证型查询、中药推荐、病症知识智能问答等功能，同时面向管理员提供数据分析、用户管理、基础数据维护等系统级管理功能。其关键技术栈涵盖前后端分离架构、图数据库Neo4j、传统关系型数据库MySQL，结合多种文本挖掘算法（如TF-IDF、TextRank、YAKE）完成对数据内容的智能分析。

主要功能模块包括：用户登录与注册、中医证型管理、中药信息展示、知识图谱可视化、智能问答、病症知识推荐、用户画像分析、系统数据管理、个人信息设置等。

2 功能设计

本系统基于Vue + Flask + Neo4j + MySQL架构，采用B/S架构模式，从前端界面设计、后端业务逻辑到数据库管理均实现了模块化和分层设计。

2.1 系统架构图

系统采用经典的三层架构：

在这里插入图片描述
  1. 前端层：用户界面构建，基于Vue框架，结合Vuetify组件库打造美观、流畅的交互体验。前端模块通过Axios调用Flask后端接口，使用ECharts和D3.js完成知识图谱和数据分析的可视化展示。
  2. 后端层：基于Flask Web框架构建RESTful API服务，采用SQLAlchemy进行MySQL数据管理，使用Py2Neo与Neo4j图数据库进行交互，为前后端交互提供数据支持。
  3. 数据库层：
    • MySQL：用于存储用户、权限、系统配置等结构化数据；
    • Neo4j：用于知识图谱的存储与查询，支持图结构化数据的复杂关系表达。

2.2 功能模块图

在这里插入图片描述

系统主要分前端用户界面与后端管理接口两大部分：

  • 前端用户模块：
    • 用户登录、注册、个人信息管理
    • 中医证型信息浏览
    • 中药信息展示与搜索
    • 中医智能问答系统
    • 病症知识推荐系统
    • 知识图谱展示
    • 多维度数据分析与展示
  • 后端管理模块：
    • 用户行为与画像分析
    • 用户管理功能
    • 证型与中药数据管理
    • 数据统计与报表生成
    • 系统配置维护

3 系统功能描述

3.1 登录 & 注册

系统采用身份认证机制，分为普通用户和管理员角色，根据不同的角色权限展示不同的菜单内容。
登录注册界面支持账号切换，前端通过Vuetify实现登录表单，通过Axios发送请求与后台Flask进行数据验证。

  • 登录流程：
    • 用户输入用户名和密码
    • 后端验证是否与数据库（MySQL）中的用户匹配
    • 验证通过后返回用户角色，前端根据角色渲染对应界面
  • 注册流程：
    • 用户填写用户名、密码、邮箱等基础信息
    • 邮箱格式校验
    • 判断用户名是否唯一

注册信息写入MySQL并发送一封确认邮件

在这里插入图片描述

3.2 用户与管理员角色划分

系统根据用户角色（普通用户与管理员用户）渲染不同的菜单与功能页面。前端通过Vue-Router进行页面切换，管理员有访问后台管理模块的权限。

3.3 中医证型信息管理

3.3.1 证型浏览
  • 每个证型以卡片形式展示，包含详细内容（如定义、症状、对应中药等）
  • 支持搜索与筛选功能

提供“喜欢”、“收藏”、“不喜欢”操作功能，提升用户参与度，并作为推荐数据源之一

在这里插入图片描述
3.3.2 中药浏览
  • 展示每种中药的基本信息，如图片、功效、适应症状、药理说明等
  • 提供搜索框进行快速筛选

每种中药与对应的证型建立映射关系，支持知识图谱查看

在这里插入图片描述

3.4 智能问答功能（中医中药知识问答）

系统通过构建知识图谱及自然语言处理模块，支持用户基于症状、中药名称、功效等关键词发起智能问答。

  • 比对用户输入文本与知识图谱中的实体、关系进行匹配
  • 提供自动补全与语义理解功能，实现“问症状，给出建议”或“问某种中药，说明其功能”

支持问答过程中的上下文记录，以优化后续推荐

在这里插入图片描述

3.5 病症知识推荐

系统根据用户搜索历史、点击记录及收藏记录，采用混合推荐算法（基于内容、协同过滤与深度学习模型）进行个性化推荐。

  • 推荐中医证型、病症与中药组合
  • 用户可查看推荐内容并反馈是否喜欢，作为算法优化依据

后台可监控推荐效果，优化推荐逻辑与模型参数

在这里插入图片描述

3.6 知识图谱可视化

知识图谱模块是系统的技术核心之一，用户可以选择浏览“药方与药剂”的关联知识。

  • 基于Neo4j，系统构建了中药、证型、病症、处方之间的复杂关系图谱
  • 前端使用ECharts和D3.js进行图谱展示，节点代表实体（如证型、中药），边代表关系（如“适合使用”、“用于治疗”）

可拖动、放大缩小、点击查看详细信息

在这里插入图片描述

3.7 多维度数据分析

本系统具备多维度的数据分析能力，包括：

  • 病症数据分析：
    • 按疾病类别、证候、病位、病性进行图表展示
  • 文本分析：
    • 对中药功效、药理、化学成分进行文本挖掘
    • 分别采用TF-IDF（词频-逆文档频率）、TextRank（文本摘要排名）、YAKE（关键词提取）三种算法处理

后台生成关键词或主题词，前端展示为词汇云或关键词列表，便于用户获取重点词义

在这里插入图片描述

使用饼图、柱状图、折线图表呈现用户关注热点或系统数据趋势

在这里插入图片描述

3.8 用户画像分析

管理员可以通过此模块进行用户行为分析，辅助系统优化与内容推荐策略。

  • 分析方式：
    • 对用户浏览、收藏、搜索等行为进行数据统计
    • 按时间维度分析用户行为趋势
    • 提取用户关注的中医证候热点
  • 展示形式：
    • 数据图表（折线、柱状图、饼图等）

可选择特定用户单独查看其行为轨迹

在这里插入图片描述

3.9 信息可视化加载提示

在进行文本分析处理（如TF-IDF处理功效）时，处理速度可能较快较慢，因此前端需加入加载状态提示，以增强用户体验。

  • 当用户选择分析维度时，前端显示“正在分析…”状态
  • 分析完成后返回结果展示

3.10 系统用户管理（管理员功能）

管理员拥有更高权限，可以对系统用户进行以下操作：

  • 用户增删改查
  • 查看用户详情（点击行为、收藏记录、注册时间等）
  • 设置账号状态（启用/禁用）

生成用户画像报告

在这里插入图片描述

3.11 证型与中药数据管理

管理员可维护系统核心数据，包括：

  • 添加、删除、编辑证型、中药条目（名称、定义、成分、适应症等）
  • 配置数据字段（如是否公开、是否启用推荐等）
  • 所有配置操作记录均存入MySQL供后续查询
  • 证型、中药可配置为可否添加到知识图谱
在这里插入图片描述
在这里插入图片描述

3.12 个性化设置模块

该模块面向所有用户，允许其根据自身需求进行个性化设置：

  • 修改个人信息：可设置姓名、年龄、电话、地址，并选择预设头像
  • 密码修改：输入用户旧密码和新密码，通过后台验证后完成更新

所有信息更新均通过Flask API完成，并与MySQL数据库同步

在这里插入图片描述

4 程序核心算法代码

4.1 代码说明

系统的核心算法包括：

  1. TF-IDF分析中药功效： 通过计算关键词在每条功效中的重要性，提取关键词。
  2. TextRank分析中药药理： 结构化的摘要提取，用于推荐中药适应症。
  3. YAKE分析化学成分： 通过文本中的上下文位置与重复频率，提取中药的化学关键成分词。
  4. 混合推荐算法： 根据用户点击、搜索与收藏记录，进行内容推荐或个性化知识展示。

4.2 流程图

（建议展示从用户输入到生成推荐结果的流程）

4.3 代码实例

Python示例：Flask后端调用Neo4j获取知识图谱数据
from flask import Flask, request, jsonify from py2neo import Graph import json app = Flask(__name__) neo4j_graph = Graph("bolt://localhost:7687", auth=("neo4j","password"))@app.route('/api/zhongyi/graph', methods=['GET'])defget_knowledge_graph(): label = request.args.get('label')# 动态标签如“证型”或“中药” query =""" MATCH (n:`{}`)-[r]->(m) RETURN n.name AS source, type(r) AS relation, m.name AS target LIMIT 50 """ifnot label or label notin["证型","中药"]:return jsonify({"error":"无效标签"}) results = neo4j_graph.run(query.format(label)) data =[{"source": r["source"],"relation": r["relation"],"target": r["target"]}for r in results]return jsonify({"nodes": results.unique(),"relationships": data})
Cypher 示例：获取与“气滞血瘀”相关的中药关系图谱
MATCH (n:证型 {name: '气滞血瘀'})-[r:适合使用]->(m:中药) RETURN n.name AS source, type(r) AS relation, m.name AS target
如果你对本系统感兴趣，或者需要源码、文档、演示视频，欢迎关注B站账号，私信获取资料！

作者：麦麦大数据
文章编号：F076

[ZEEKLOG官方提供的联系方式]

Read more

【Seedance 2.0 安全合规红线指南】：飞书机器人集成中97%开发者忽略的5大隐私漏洞及零信任加固方案

第一章：Seedance 2.0 飞书机器人集成安全合规总览 Seedance 2.0 与飞书机器人的深度集成严格遵循《个人信息保护法》《数据安全法》及飞书开放平台《机器人接入安全规范 V3.2》，构建覆盖身份认证、数据传输、权限控制与审计追溯的全链路安全合规体系。所有机器人交互均默认启用双向 TLS 加密，敏感操作强制触发二次身份确认，并通过飞书「应用沙箱」机制实现运行环境隔离。 核心安全控制机制 * OAuth 2.0 授权范围最小化：仅申请 chat:read、user:read 和 bot:chat 必需权限 * Webhook 请求签名验证：飞书平台使用 SHA256_HMAC 签名，服务端须校验 X-Lark-Signature 头 * 敏感数据自动脱敏：用户手机号、

雷达信号处理中的CFAR技术详解

好的，我来为您总结归纳雷达信号处理中的恒虚警（CFAR）技术，并提供一个基于MATLAB的实际用例。 🧐 雷达信号处理之恒虚警（CFAR） 恒虚警率（Constant False Alarm Rate, CFAR）是一种自适应阈值目标检测技术，在雷达信号处理中用于从噪声和杂波背景中检测出目标回波。其核心思想是：无论背景噪声或杂波的功率如何变化，都保持虚警概率（ ）为一个预先设定的常数。 🎯 1. 基本原理与流程 CFAR算法通过实时估计待检测单元（Cell Under Test, CUT）周围的背景噪声或杂波功率，并根据期望的虚警率 自适应地确定检测阈值 。 主要步骤： 1. 滑动窗口（Detection Window）：在待检测数据（通常是距离-多普勒图或距离向数据）上设定一个固定大小的滑动窗口。 2. 单元划分：窗口内的单元被划分为三个部分： * 待检测单元（CUT）：位于窗口中心，是我们要判断是否包含目标的单元。 如果 ，则判断不存在目标（No Target）。 如果 ，则判断存在目标（

如何轻松分析大疆无人机信号？DJI DroneID 信号解析工具全指南

如何轻松分析大疆无人机信号？DJI DroneID 信号解析工具全指南 🛸 【免费下载链接】dji_droneid 项目地址: https://gitcode.com/gh_mirrors/dj/dji_droneid DJI DroneID 信号分析项目（dji_droneid）是一个开源工具集，专为无人机爱好者和研究人员设计，通过软件定义无线电（SDR）技术捕获、解码和分析大疆无人机发射的DroneID信号。该项目提供完整的信号处理流程，从原始IQ数据捕获到最终数据帧解析，支持Octave和MATLAB环境运行，帮助用户深入理解无人机通信机制。 📌 项目核心功能与技术架构 🔍 信号捕获与处理全流程 项目实现了从射频信号到数据帧的完整解析链路，主要包括： * 原始信号采集：支持32位浮点IQ数据文件输入（需配合SDR设备录制） * ZC序列检测：通过归一化互相关算法定位信号中的Zadoff-Chu序列 * 频率校正：自动检测并补偿信号中的频率偏移 * OFDM符号提取：精准提取9个OFDM符号（含2个ZC序列符号） * 相位校正与均衡：解决无线信道引入的

低代码集成：将PDF-Extract-Kit-1.0接入Power Platform的完整教程

低代码集成：将PDF-Extract-Kit-1.0接入Power Platform的完整教程 你是不是也遇到过这样的情况：公司里每天都有大量PDF格式的合同、发票、报告需要处理，手动复制粘贴不仅费时费力，还容易出错？而开发一个完整的自动化系统又太复杂，API调用、身份验证、数据解析……光是想想就头大。 别担心，今天我要分享的这个方法，完全不需要写一行后端代码，就能把强大的AI驱动PDF解析能力——PDF-Extract-Kit-1.0，轻松集成到你的Power Apps应用中。哪怕你是零编程基础的业务人员，也能在30分钟内完成整个流程。 PDF-Extract-Kit-1.0 是目前开源社区中表现最出色的PDF内容提取工具之一。它不仅能精准识别文本、表格、图像和公式，还能理解文档的布局结构，即便是扫描件或模糊文件也能保持高准确率。更重要的是，它的模型已经预置在ZEEKLOG星图镜像广场中，支持一键部署为HTTP服务，这为我们通过Power Automate调用提供了极大便利。 本文将带你从零开始，一步步实现： * 如何快速部署 PDF-Extract-Kit-1.0 镜像