• 多粒度知识表示

  • 细粒度(fine)、中粒度(medium)和粗粒度(coarse)概念提取
  • 跨粒度关系建模与推理

• 零样本知识图谱构建

  • 无需预定义实体列表，自动从自由文本中提取关键实体和关系
  • 基于主题建模的种子实体生成

• 全局知识融合

  • 融合局部知识图谱，解决信息孤岛问题
  • 基于大模型的关系提取和知识融合

• 智能问答系统

  • 基于知识图谱的智能问答
  • 多轮对话支持

Graphuison平台采用前后端分离的架构设计，包含以下主要组件：

1. 前端

   • 基于React框架开发的用户界面
   • 直观的图谱可视化和交互体验

2. 后端API

   • 使用FastAPI构建的RESTful API服务
   • 处理文档上传、知识抽取和图谱查询等请求

3. 知识图谱引擎

   • 文本处理器：负责文本预处理、分词和特殊术语处理
   • 主题建模器：使用BERTopic进行主题建模，发现文本中的主题和概念
   • 关系提取器：使用大型语言模型提取实体间的关系
   • 图谱融合器：融合局部图谱，处理关系冲突并推断新的关系

4. 存储层

   • Neo4j图数据库：存储和查询知识图谱数据
   • 文件存储：管理用户上传的文档
   • 用户数据：存储用户信息和权限数据

• Docker 与 Docker Compose
• 至少8GB内存（推荐16GB以上）
• 支持CUDA的GPU（可选，用于加速处理）

1. 克隆仓库：

git clone https://github.com/yourusername/Graphuison.git
cd Graphuison

1. 配置环境变量：

cd backend
cp .env.example .env

编辑.env文件，配置必要的参数，主要包括：

• 基础配置

  • API_PORT: API服务端口（默认8000）
  • SECRET_KEY: JWT密钥（生产环境请修改）
  • LOG_FILE: 日志文件路径

• OpenAI配置

  • OPENAI_API_KEY: OpenAI API密钥
  • OPENAI_BASE_URL: OpenAI API基础URL
  • LLM_MODEL: 使用的语言模型
  • EMBED_MODEL_NAME: 使用的嵌入模型

• 数据库配置

  • NEO4J_URI: Neo4j数据库连接地址
  • NEO4J_USERNAME: 数据库用户名
  • NEO4J_PASSWORD: 数据库密码

• 模型配置

  • DEVICE: 运行设备（cpu/cuda）
  • LANGUAGE: 默认语言（zh/en）
  • TRANSFORMATIONS_CHUNK_SIZE: 文本分块大小
  • CONTEXT_WINDOW: 上下文窗口大小

• 知识图谱配置

  • RELATION_DEFINITIONS: 关系类型定义
  • RELATION_EXTRACTION_TEMPLATE: 关系抽取提示模板
  • GRAPH_FUSION_TEMPLATE: 图谱融合提示模板

• 存储配置

  • DOCUMENT_STORAGE_PATH: 文档存储路径
  • GRAPH_STORAGE_PATH: 图谱存储路径
  • USER_STORAGE_PATH: 用户数据存储路径

1. 启动服务：

docker-compose up -d

1. 访问平台：
   • 前端界面：http://localhost:3000
   • API文档：http://localhost:8000/docs
   • Neo4j浏览器：http://localhost:7474 (默认用户名/密码: neo4j/password)

1. 用户注册与登录

   • 通过/auth/register接口注册新用户
   • 通过/auth/token接口获取访问令牌

2. 文档上传与图谱生成

   • 登录后，通过/kg/upload接口上传文档并指定图谱名称
   • 使用/kg/status/{task_id}查看处理进度
   • 处理完成后，可以通过/kg/graphs查看所有生成的图谱

3. 知识图谱查询

   • 使用/kg/search搜索图谱中的实体
   • 通过/kg/entity/{entity_name}查询实体关系
   • 使用/kg/granularity/{level}查询特定粒度级别的图谱

4. 智能问答

   • 通过/chat/接口提交问题，获取基于知识图谱的回答

5. 数据导出

   • 使用/kg/graphs/{graph_id}/export导出图谱数据

• 后端：Python, FastAPI, asyncio, Neo4j
• 大模型集成：OpenAI API, LlamaIndex, SentenceTransformers
• 自然语言处理：BERTopic, Stanza, jieba (中文分词)
• 前端：React, TypeScript, D3.js (可视化)
• 部署：Docker, Docker Compose

本项目采用MIT许可证 - 详见LICENSE文件

如果您在研究中使用了本项目或论文，请引用以下论文： Graphuison

如有任何问题，请通过以下方式联系我们： [448486810@qq.com]

• Multi-granularity Knowledge Representation

  • Fine-grained, medium-grained, and coarse-grained concept extraction
  • Cross-granularity relation modeling and reasoning

• Zero-shot Knowledge Graph Construction

  • Automatic extraction of key entities and relations from free text without predefined entity lists
  • Seed entity generation based on topic modeling

• Global Knowledge Fusion

  • Fusion of local knowledge graphs to solve information silos
  • Relation extraction and knowledge fusion based on large language models

• Intelligent Q&A System

  • Knowledge graph-based intelligent Q&A
  • Multi-turn conversation support

Graphuison platform adopts a front-end and back-end separated architecture, including the following main components:

1. Frontend

   • User interface developed based on React framework
   • Intuitive graph visualization and interaction experience

2. Backend API

   • RESTful API service built with FastAPI
   • Handle document upload, knowledge extraction, and graph query requests

3. Knowledge Graph Engine

   • Text processor: responsible for text preprocessing, word segmentation, and special term processing
   • Topic modeler: uses BERTopic for topic modeling to discover topics and concepts in text
   • Relation extractor: uses large language models to extract relations between entities
   • Graph fusioner: fuses local graphs, handles relation conflicts and infers new relations

4. Storage Layer

   • Neo4j graph database: stores and queries knowledge graph data
   • File storage: manages user-uploaded documents
   • User data: stores user information and permission data

• Docker and Docker Compose
• At least 8GB RAM (16GB+ recommended)
• CUDA-enabled GPU (optional, for acceleration)

1. Clone repository:

git clone https://github.com/yourusername/Graphuison.git
cd Graphuison

1. Configure environment variables:

cd backend
cp .env.example .env

Edit .env file to configure necessary parameters, including OpenAI API key

1. Start services:

docker-compose up -d

1. Access platform:
   • Frontend: http://localhost:3000
   • API docs: http://localhost:8000/docs
   • Neo4j browser: http://localhost:7474 (Default username/password: neo4j/password)

1. User Registration and Login

   • Register new user via /auth/register
   • Get access token via /auth/token

2. Document Upload and Graph Generation

   • After login, upload documents and specify graph name via /kg/upload
   • Check processing progress via /kg/status/{task_id}
   • After processing, view all generated graphs via /kg/graphs

3. Knowledge Graph Query

   • Search entities in graph via /kg/search
   • Query entity relations via /kg/entity/{entity_name}
   • Query graphs at specific granularity levels via /kg/granularity/{level}

4. Intelligent Q&A

   • Submit questions via /chat/ to get knowledge graph-based answers

5. Data Export

   • Export graph data via /kg/graphs/{graph_id}/export

• Backend: Python, FastAPI, asyncio, Neo4j
• LLM Integration: OpenAI API, LlamaIndex, SentenceTransformers
• NLP: BERTopic, Stanza, jieba (Chinese word segmentation)
• Frontend: React, TypeScript, D3.js (visualization)
• Deployment: Docker, Docker Compose

This project is licensed under the MIT License - see the LICENSE file for details

If you use this project or paper in your research, please cite: Graphuison

For any questions, please contact us at: [448486810@qq.com]

• 多粒度概念抽取：支持细粒度、中粒度和粗粒度概念识别
• 多粒度关系抽取：支持同粒度及跨粒度关系抽取
• 智能问答：基于知识图谱的智能问答系统
• 用户认证：完整的用户注册和认证系统
• 数据持久化：支持文档和知识图谱的存储与管理

• Python 3.8+
• Neo4j 5.0+
• OpenAI API密钥（用于LLM功能）

1. 克隆项目并进入项目目录：

git clone https://github.com/yourusername/Graphuison.git
cd Graphuison

1. 创建并激活虚拟环境（推荐）：

python -m venv venv
source venv/bin/activate  # Linux/Mac
# 或
.\venv\Scripts\activate  # Windows

1. 安装后端依赖：

cd backend
pip install -r requirements.txt

1. 安装spaCy中文语言模型：

python -m spacy download zh_core_web_sm

1. 配置环境变量：

cp .env.example .env
# 编辑.env文件，填入必要的配置信息

在.env文件中配置以下必要参数：

# 数据库配置
NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=your_password

# OpenAI配置
OPENAI_API_KEY=your_api_key

# JWT配置
SECRET_KEY=your_secret_key
ACCESS_TOKEN_EXPIRE_MINUTES=30

# 存储路径配置
DOCUMENT_STORAGE_PATH=./data/documents
GRAPH_STORAGE_PATH=./data/graphs

1. 启动后端服务：

cd backend
uvicorn main:app --reload --host 0.0.0.0 --port 8000

1. 启动前端服务：

cd frontend
npm install
npm run dev

启动服务后访问以下地址查看API文档：

• Swagger UI: http://localhost:8000/docs
• ReDoc: http://localhost:8000/redoc

• 用户注册：POST /auth/register
• 用户登录：POST /auth/token
• 获取用户信息：GET /auth/me

• 文档上传：POST /kg/upload
• 知识抽取：POST /kg/extract
• 图谱生成：POST /kg/generate
• 图谱查询：GET /kg/granularity/{level}
• 图谱导出：GET /kg/graphs/{graph_id}/export

• 问答接口：POST /chat/

Graphuison/
├── backend/
│   ├── app/
│   │   ├── models/      # 模型定义
│   │   ├── routers/     # API路由
│   │   ├── schemas/     # 数据模式
│   │   └── utils/       # 工具函数
│   ├── tests/           # 测试文件
│   ├── requirements.txt # 依赖配置
│   └── main.py         # 主程序
├── frontend/           # 前端代码
└── data/              # 数据存储

cd backend
pytest

MIT License