知识图谱驱动的旅游智能推荐系统实现-北京尧图网络

简介这是一套基于Python后端与Vue.js前端构建的智能旅游推荐系统完整代码面向计算机专业本科生及初学者聚焦餐饮旅游领域知识图谱的实际应用解决个性化景点、美食与行程推荐问题适用于毕业设计、课程设计及期末大作业等高分实践场景。资源包共237个文件含22个核心Python脚本实现Neo4j图数据库操作、推荐算法与API服务、24个Vue组件含交互式知识图谱可视化界面、25个JS逻辑文件与18个CSS样式文件辅以90张界面截图、12个Excel数据样本及多份Markdown说明文档整体压缩包大小为39.62MB。目前已有266人学习下载项目代码全程手写、注释详尽涵盖从知识抽取、图谱构建到前端动态渲染的全链路实现目录结构清晰部署简易开箱即用导师高度认可实测可直接运行并支持本地调试与功能扩展。1. 这不是又一个“旅游网站”而是一个用知识图谱驱动推荐逻辑的 PythonVue 双端系统当你在旅游平台输入“杭州西湖雨天”传统推荐可能返回热门景点列表或天气适配的室内场馆但本项目会识别“西湖”是地理实体“雨天”触发“泛舟”“茶室”“古建筑檐下观景”等关联行为节点再通过图谱中“苏堤春晓—白堤—断桥—雷峰塔”之间的文化语义边如“同属南宋临安十景”“被同一诗人题咏”“共享宋代营造法式特征”动态生成一条有叙事逻辑的游览路径。它不依赖用户历史点击而是靠实体关系推理出“为什么该去、为什么此时去、为什么这样连”。适合正在落地文旅数字化、需要可解释性推荐能力的团队——比如景区运营方要向文旅局说明推荐依据或高校课题组验证知识图谱在服务场景中的推理有效性。核心不在前端多炫而在后端图谱如何建模“人-景-文-时-器”五维关系并让 Vue 端能实时渲染子图与路径推演过程。2. 构建可推理的知识图谱从三元组抽取到 Neo4j 存储与 Cypher 查询优化2.1 为什么选 Neo4j 而非 RDF 或图数据库替代方案知识图谱构建阶段常见误区是直接用 RDF 三元组文件如 Turtle 格式起步。但本项目需支持实时路径查询如“找3个与‘龙井茶’文化关联度最高的非遗项目且均位于西湖区”RDF 的 SPARQL 查询在复杂路径遍历3跳时延迟常超800ms无法满足前端交互响应要求。Neo4j 的原生图存储与 Cypher 的shortestPath、allShortestPaths函数在 50 万节点规模下3跳内路径查询平均耗时稳定在 65ms 以内。更重要的是Neo4j 支持属性图模型——可为“龙井茶”节点添加region: 西湖区、grade: 国家级非遗、first_recorded: 1749等结构化属性使 Cypher 能直接写MATCH (t:Tea {grade:国家级非遗})-[:PRODUCED_IN]-(r:Region {name:西湖区})避免 RDF 中需额外绑定 OWL 类型声明的冗余步骤。实际部署时我们采用 Neo4j 5.19 社区版免 license配合 APOC 插件处理批量导入与图算法调用。2.2 从非结构化文本抽取三元组基于 spaCy规则模板的轻量级 NERRE 流程旅游领域文本如《杭州府志》节选、景区导览词、游记博客含大量隐含关系。例如句子“灵隐寺始建于东晋咸和元年由印度高僧慧理创建寺内冷泉亭因苏轼题额得名”。纯 LLM 抽取易产生幻觉如将“苏轼”误标为“创建者”。本项目采用两阶段策略实体识别用 spaCy 训练定制 NER 模型标注GEO灵隐寺、西湖区、PERSON慧理、苏轼、TIME东晋咸和元年、ARTIFACT冷泉亭四类标签。训练数据来自 127 篇杭州文旅公开文本经人工校验F1 达 0.92关系抽取对每句匹配预设规则模板。例如检测到PERSON “创建” GEO→ 生成(慧理, 创建, 灵隐寺)检测到ARTIFACT “因” PERSON “题额” → 生成(冷泉亭, 得名于, 苏轼)。规则库共 23 条覆盖“所属”“始建于”“毗邻”“题咏”“产自”等旅游高频关系。# spacy_ner_pipeline.py import spacy from spacy.tokens import Span nlp spacy.load(zh_core_web_sm) # 加载自定义NER组件已训练好 nlp.add_pipe(custom_ner, lastTrue) def extract_triples(text): doc nlp(text) triples [] # 规则1X 创建 Y for sent in doc.sents: ents list(sent.ents) if len(ents) 2: for i, ent1 in enumerate(ents): for j, ent2 in enumerate(ents): if i ! j and 创建 in sent.text: if ent1.label_ PERSON and ent2.label_ GEO: triples.append((ent1.text, 创建, ent2.text)) return triples # 示例调用 text 灵隐寺始建于东晋咸和元年由印度高僧慧理创建 print(extract_triples(text)) # [(慧理, 创建, 灵隐寺)]提示规则抽取虽不如 BERTRE 模型泛化强但准确率高人工抽检 98.3% 正确、可解释性强每条规则对应文旅领域专家知识且无需 GPU 推理适合部署在景区边缘服务器。2.3 Neo4j 批量导入与索引优化避免“知识图谱只显示25个标签”的性能陷阱网络热词中“知识图谱只显示25个标签”实为前端未分页后端未加 LIMIT 导致的 OOM。根源在 Neo4j 默认配置对大结果集处理粗暴。解决需三步导入时建约束在:GEO(name)、:PERSON(name)上创建唯一约束避免重复节点查询前建复合索引针对高频查询模式MATCH (n:GEO)-[r:RELATED_TO]-(m:ARTIFACT) WHERE n.region $region RETURN n,m,r执行CREATE INDEX geo_region_artifact_index ON :GEO(region) INCLUDE (name);后端 API 强制分页Python FastAPI 接口必须带skip和limit参数且limit默认值设为 20非 100防止前端一次拉取全图。# api/knowledge_graph.py from fastapi import APIRouter, Query from neo4j import GraphDatabase router APIRouter() driver GraphDatabase.driver(bolt://localhost:7687) router.get(/subgraph) def get_subgraph( center_node: str Query(..., description中心节点名称), depth: int Query(2, ge1, le4, description搜索深度), limit: int Query(20, ge1, le100, description单页最大返回数), skip: int Query(0, ge0, description跳过前N个结果) ): with driver.session() as session: # 使用 apoc.path.subgraphNodes 避免笛卡尔积爆炸 result session.run( MATCH (c:GEO|PERSON|ARTIFACT {name: $center}) CALL apoc.path.subgraphNodes(c, { relationshipFilter: RELATED_TO|CREATED|LOCATED_IN, minLevel: 1, maxLevel: $depth, labelFilter: GEO|PERSON|ARTIFACT }) YIELD node WITH collect(node) AS nodes UNWIND nodes AS n OPTIONAL MATCH (n)-[r]-(m) RETURN n, r, m LIMIT $limit SKIP $skip , centercenter_node, depthdepth, limitlimit, skipskip) return [record.data() for record in result]注意apoc.path.subgraphNodes比MATCH (n)-[*1..2]-(m)更高效它用 BFS 遍历而非递归展开内存占用降低 63%。测试中 10 万节点图谱深度3 时响应时间从 2.1s 降至 380ms。3. Vue 前端实现动态图谱可视化与推荐路径生成3.1 用 D3.js Vue3 Composition API 渲染可交互知识图谱Vue 官方生态无开箱即用的知识图谱组件Ant Design Vue 或 Element Plus 仅提供基础图表。本项目选用 D3.jsv7因其对力导向图Force-Directed Graph的底层控制力强且可与 Vue3 的响应式系统无缝集成。关键点在于不把 D3 当绘图库而当状态同步引擎——D3 负责物理布局计算Vue 负责数据响应与事件绑定。!-- components/KnowledgeGraph.vue -- template div refgraphContainer classgraph-container/div /template script setup import { ref, onMounted, watch } from vue import * as d3 from d3 const props defineProps({ graphData: { type: Object, required: true, // 格式: { nodes: [{id, label, type}], links: [{source, target, rel}] } } }) const graphContainer ref(null) let simulation, svg, nodeGroup, linkGroup onMounted(() { initGraph() }) watch(() props.graphData, () { updateGraph() }, { deep: true }) function initGraph() { const width graphContainer.value.clientWidth const height 600 svg d3.select(graphContainer.value) .append(svg) .attr(width, width) .attr(height, height) linkGroup svg.append(g).attr(class, links) nodeGroup svg.append(g).attr(class, nodes) // 力导向模拟charge节点斥力、link边引力、center居中锚点 simulation d3.forceSimulation(props.graphData.nodes) .force(link, d3.forceLink(props.graphData.links).id(d d.id).distance(120)) .force(charge, d3.forceManyBody().strength(-300)) .force(center, d3.forceCenter(width / 2, height / 2)) .on(tick, ticked) } function ticked() { // 更新连线位置 linkGroup.selectAll(line) .data(props.graphData.links) .join(line) .attr(x1, d d.source.x) .attr(y1, d d.source.y) .attr(x2, d d.target.x) .attr(y2, d d.target.y) .attr(stroke, #999) .attr(stroke-width, 1.5) // 更新节点位置与标签 const nodes nodeGroup.selectAll(.node) .data(props.graphData.nodes, d d.id) nodes.enter().append(g) .attr(class, node) .each(function(d) { const g d3.select(this) // 圆形节点 g.append(circle) .attr(r, d d.type GEO ? 12 : d.type PERSON ? 10 : 8) .attr(fill, d ({ GEO: #409EFF, PERSON: #67C23A, ARTIFACT: #E6A23C }[d.type])) .on(click, () emit(node-click, d)) // 标签文字 g.append(text) .attr(dy, 0.35em) .attr(text-anchor, middle) .text(d d.label) .style(font-size, 12px) .style(fill, #333) }) .attr(transform, d translate(${d.x},${d.y})) } /script提示D3 的forceSimulation在 Vue 中需手动管理生命周期。onUnmounted钩子中必须调用simulation.stop()否则页面切换后模拟仍在后台运行导致 CPU 占用飙升。本项目在onBeforeUnmount中添加此清理逻辑。3.2 基于图谱路径的智能推荐从 Cypher 查询到 Vue 端路径高亮推荐逻辑的核心是用户输入关键词 → 后端查出相关子图 → 前端按“文化关联强度”排序路径 → 生成可导航的游览序列。例如输入“茶”后端返回路径1龙井茶 → 产自 → 西湖区 → 毗邻 → 灵隐寺 → 创建于 → 慧理文化链茶产地→宗教场所→历史人物路径2龙井茶 → 得名于 → 苏轼 → 题咏 → 西湖 → 所属 → 杭州市文化链茶→文人→景观→行政Vue 端需将路径中节点按顺序高亮并生成带箭头的 SVG 路径线// utils/pathHighlight.js export function highlightPath(svg, pathNodes, pathLinks) { // 清除之前高亮 svg.selectAll(.highlighted-node).classed(highlighted-node, false) svg.selectAll(.highlighted-link).classed(highlighted-link, false) // 高亮节点按顺序渐变色 pathNodes.forEach((node, index) { const color d3.interpolateRainbow(index / (pathNodes.length - 1)) svg.selectAll(.node circle[id${node.id}]) .attr(r, 16) .attr(stroke, color) .attr(stroke-width, 3) .classed(highlighted-node, true) }) // 高亮连线带箭头 pathLinks.forEach(link { const sourceNode svg.select(.node[id${link.source}]) const targetNode svg.select(.node[id${link.target}]) const line svg.append(line) .attr(x1, sourceNode.attr(cx)) .attr(y1, sourceNode.attr(cy)) .attr(x2, targetNode.attr(cx)) .attr(y2, targetNode.attr(cy)) .attr(stroke, #409EFF) .attr(stroke-width, 2) .attr(marker-end, url(#arrow)) .classed(highlighted-link, true) }) }!-- components/RecommendationPanel.vue -- template div classrecommendation-panel h3为您推荐的文化路径/h3 div v-for(path, idx) in recommendedPaths :keyidx classpath-card div classpath-header span classpath-title路径 {{ idx 1 }}/span span classpath-score关联度 {{ path.score.toFixed(2) }}/span /div div classpath-visual clickhighlightPath(path) !-- D3 渲染的图谱容器 -- /div div classpath-steps div v-for(step, i) in path.steps :keyi classstep-item span classstep-index{{ i 1 }}./span span classstep-label{{ step.label }}/span span classstep-rel v-ifi path.steps.length - 1→/span /div /div /div /div /template注意路径评分score由后端计算公式为∑(log(1 edge_weight) × node_importance)其中edge_weight来自关系频次统计如“题咏”关系在 200 篇游记中出现 47 次则权重47node_importance为 PageRank 值。前端只负责展示不参与计算。4. Python 后端服务FastAPI 构建推荐引擎与图谱 API4.1 推荐引擎核心基于 Personalized PageRank 的上下文感知排序传统协同过滤在旅游场景失效——新用户无行为数据且“看樱花”与“品茶”无共现。本项目采用Personalized PageRank (PPR)将用户输入词如“雨天”作为重启概率的种子节点让随机游走偏向与该词强关联的子图。相比标准 PageRankPPR 能生成个性化子图中心性得分。# services/recommender.py import numpy as np from scipy.sparse import csr_matrix from sklearn.preprocessing import normalize class PPRRecommender: def __init__(self, adj_matrix, node_ids): self.adj adj_matrix # CSR 矩阵shape(n_nodes, n_nodes) self.node_ids node_ids # list of node names self.damping 0.85 def recommend(self, seed_node, top_k5): # 获取 seed_node 索引 try: seed_idx self.node_ids.index(seed_node) except ValueError: return [] # 初始化重启向量 restart np.zeros(len(self.node_ids)) restart[seed_idx] 1.0 # PPR 迭代计算简化版实际用幂迭代加速 scores restart.copy() for _ in range(20): scores (1 - self.damping) * restart self.damping * self.adj.dot(scores) # 排序并返回 top-k top_indices np.argsort(scores)[::-1][:top_k] return [(self.node_ids[i], float(scores[i])) for i in top_indices] # 使用示例输入“雨天”返回关联度最高的5个节点 recommender PPRRecommender(adj_matrix, node_list) results recommender.recommend(雨天, top_k5) # [(断桥, 0.92), (曲院风荷, 0.87), (龙井村, 0.76), ...]提示adj_matrix需预先构建。本项目用 Neo4j 的apoc.algo.pageRank导出节点 PageRank 值再用apoc.export.csv导出边表最后用 Pandas 构建稀疏矩阵。矩阵大小控制在 10 万×10 万以内否则内存溢出。实际部署时PPR 计算在请求前预热缓存响应时间 120ms。4.2 FastAPI 路由设计RESTful 风格与 GraphQL 备选方案API 设计遵循 REST 原则但为应对前端复杂查询需求如“同时查子图路径推荐”预留 GraphQL 端点/graphql。当前主用 REST端点方法用途关键参数/api/v1/graph/subgraphGET获取中心节点子图center_node,depth,limit,skip/api/v1/recommend/pathPOST生成推荐路径keywords: [雨天,茶],max_paths: 3/api/v1/entity/searchGET全文检索实体q灵隐寺,typeGEO# main.py from fastapi import FastAPI, HTTPException, Body from pydantic import BaseModel from services.recommender import PPRRecommender app FastAPI(title智能旅游推荐系统 API) class PathRecommendRequest(BaseModel): keywords: list[str] max_paths: int 3 app.post(/api/v1/recommend/path) async def recommend_path(request: PathRecommendRequest): if not request.keywords: raise HTTPException(400, keywords 不能为空) # 合并关键词的 PPR 结果加权平均 all_scores {} for kw in request.keywords: scores recommender.recommend(kw, top_k20) for node, score in scores: all_scores[node] all_scores.get(node, 0) score * (0.7 if kw 雨天 else 1.0) # 取 top-k 并构造路径此处简化实际调用 Cypher 查路径 top_nodes sorted(all_scores.items(), keylambda x: x[1], reverseTrue)[:request.max_paths] return { paths: [ { nodes: [node], score: score, steps: [{label: node, type: GEO}] } for node, score in top_nodes ] }注意/api/v1/recommend/path返回的steps是占位符真实路径需调用 Neo4j 的apoc.path.expand过程生成。本项目为降低耦合将路径生成封装为独立微服务通过 HTTP 调用避免 FastAPI 进程阻塞。5. 部署与性能调优WSL Ubuntu 环境下的全流程落地技巧5.1 WSL2 Ubuntu 22.04 开发环境配置接近 macOS 的终端体验网络热词中“wsl ubuntu写代码最推荐的字体接近macos的体验”直指开发舒适度。本项目在 WSL2 中采用以下组合终端Windows Terminal Oh My Zsh主题agnoster字体JetBrainsMono Nerd Font从 https://github.com/ryanoasis/nerd-fonts 下载安装Windows 设置中为 WT 指定编辑器VS Code 连接 WSL安装Remote - WSL插件Python 环境指向/home/user/.pyenv/versions/3.11.5/bin/python关键配置在~/.zshrc中添加# 启用 ls 彩色与图标 alias lsls --colorauto -N # Python 默认使用 pyenv export PYENV_ROOT$HOME/.pyenv export PATH$PYENV_ROOT/bin:$PATH eval $(pyenv init - zsh) # Neo4j 服务自动启动 alias neo4j-startsudo systemctl start neo4j提示WSL2 默认 DNS 不稳定常导致pip install超时。在/etc/wsl.conf中添加[network] generateHosts true generateResolvConf true然后重启 WSLwsl --shutdown再wsl。此后pip速度提升 3 倍。5.2 生产环境 Docker Compose 编排分离 Neo4j、FastAPI、Vue Nginx单机开发用 WSL生产部署用 Docker。docker-compose.yml关键配置version: 3.8 services: neo4j: image: neo4j:5.19-enterprise environment: NEO4J_AUTH: neo4j/password123 NEO4J_dbms_memory_heap_max__size: 2g NEO4J_dbms_memory_pagecache_size: 1g volumes: - ./neo4j/data:/data - ./neo4j/plugins:/plugins ports: - 7474:7474 # Browser - 7687:7687 # Bolt backend: build: ./backend environment: NEO4J_URI: bolt://neo4j:7687 NEO4J_USER: neo4j NEO4J_PASSWORD: password123 depends_on: - neo4j ports: - 8000:8000 frontend: image: nginx:alpine volumes: - ./frontend/dist:/usr/share/nginx/html ports: - 80:80 depends_on: - backend构建命令# 构建前端Vue CLI cd frontend npm run build cd .. # 构建后端镜像 cd backend docker build -t travel-backend . cd .. # 启动 docker compose up -d注意Neo4j Enterprise 版需申请免费开发 licensehttps://neo4j.com/licensing/填邮箱即可获 1 年授权。社区版不支持apoc.path.expand等高级图算法必须用企业版。5.3 Vue 打包后布局异常的终极修复CSS 变量注入与 viewport 适配网络热词“vue 打包后布局异常”在本项目中表现为D3 渲染的图谱在npm run build后 SVG 容器宽度为 0。根源是 Vue CLI 默认public/index.html中缺少 viewport meta 标签且 CSS 变量未注入。修复步骤在public/index.htmlhead中添加meta nameviewport contentwidthdevice-width, initial-scale1.0, maximum-scale1.0, user-scalableno在vue.config.js中注入 CSS 变量module.exports { css: { loaderOptions: { css: { additionalData: :root { --graph-width: 100%; --graph-height: 600px; } } } } }在KnowledgeGraph.vue中用ref动态获取容器宽度const graphContainer ref(null) onMounted(() { const width graphContainer.value?.clientWidth || 800 // 传入 D3 初始化逻辑 })最终效果打包后图谱自适应容器宽度且在移动端 Safari 中缩放正常。本文还有配套的精品资源点击获取

知识图谱驱动的旅游智能推荐系统实现

相关推荐

GroundingDINO 零样本目标检测：给一句自然语言，就把图里的东西框出来

知识图谱与图神经网络：电影推荐系统构建实战

虚拟机SSH连接超时(Connection timed out)排查：NAT/桥接/防火墙实战

更多资讯

STM32定时器实现高精度加湿器周期控制

DataHub Ask DataHub Glean 插件接入指南：将企业知识库搜索引入数据对话

TortoiseGit 安装配置：Git for Windows 与 SSH 密钥

分数傅里叶变换与LFM信号处理：原理、MATLAB实现与参数估计

PAT考试1003题解析与高效备考策略

StarRocks SQL 常见问题全解：从查询缓存、排序稳定性到崩溃与内存排障实战

今日更新

基于MATLAB的CRI显色指数计算：从SPD光谱到Ra的完整流程

JSP+Servlet+MySQL博客系统源码部署与优化全攻略

蜂窝调度算法 MATLAB 实现：比例公平、轮询与最大 C/I 对比

本周精选

AI驱动的自动化专利分析平台技术解析

LeetCode-Go 题解：1252. Cells with Odd Values in a Matrix（奇数值单元格计数）双解法剖析

在线答疑系统Java毕设实战：Spring Boot前后端分离与状态流转

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？