如何通过Python实现电影知识图谱中的问答交互功能 |
您所在的位置：网站首页 › qtableview左上角 › 如何通过Python实现电影知识图谱中的问答交互功能 |
如何通过Python实现电影知识图谱中的问答交互功能
你好，这篇文章咱们讨论一下关于「如何通过Python实现电影知识图谱中的问答交互功能」的事情… 通过Python实现电影知识图谱中的问答交互功能 背景介绍电影知识图谱是一个基于大规模电影信息的知识库，包括各种类型的电影、演员、导演、编剧等信息，以及它们之间的关联关系。电影知识图谱的问答交互功能可以帮助用户快速地获取关于电影信息的答案，增强用户的交互体验。 Python是一种高效、易用、开源的编程语言，具有强大的数据处理和算法实现能力，被广泛应用于数据科学、自然语言处理等领域。本文将介绍如何通过Python实现电影知识图谱中的问答交互功能。 实现步骤本文实现的电影知识图谱的问答交互功能主要分为以下几个步骤： 构建电影知识图谱 实现电影知识图谱的问答交互 对用户提问进行自然语言处理 根据问题类型选择合适的查询方式 根据查询结果生成回答 步骤一：构建电影知识图谱电影知识图谱的构建需要从多个数据源进行数据抽取、清洗、转换、加载等操作，其中包括以下数据： 电影信息包括电影名称、电影类型、电影时长、上映时间、豆瓣评分等。 演员信息包括演员姓名、演员性别、演员出生日期、演员参演电影等。 导演信息包括导演姓名、导演出生日期、导演参演电影等。 编剧信息包括编剧姓名、编剧参演电影等。我们可以使用Python中的各种数据处理工具和库进行数据抽取和清洗，例如使用Scrapy框架进行数据抓取，使用Pandas库进行数据处理和分析，使用Neo4j图数据库进行电影知识图谱的构建和存储。 这里提供一个示例代码，使用Pandas库读取已经爬取到的电影、演员、导演、编剧等数据文件，并将其生成电影知识图谱： import pandas as pd from py2neo import Graph, Node, Relationship # 读取电影、演员、导演、编剧数据文件 movies_df = pd.read_csv('movies.csv') actors_df = pd.read_csv('actors.csv') directors_df = pd.read_csv('directors.csv') writers_df = pd.read_csv('writers.csv') # 创建Neo4j图数据库实例 graph = Graph('bolt://localhost:7687', username='neo4j', password='password') # 创建电影节点 for i, row in movies_df.iterrows(): movie = Node('Movie', name=row['name'], type=row['type'], duration=row['duration'], release_date=row['release_date'], score=row['score']) graph.create(movie) # 创建演员节点和演员-电影关系 for i, row in actors_df.iterrows(): actor = Node('Actor', name=row['name'], gender=row['gender'], birth_date=row['birth_date']) movie = graph.nodes.match('Movie', name=row['movie']).first() acted_in = Relationship(actor, 'ACTED_IN', movie) graph.create(actor) graph.create(acted_in) # 创建导演节点和导演-电影关系 for i, row in directors_df.iterrows(): director = Node('Director', name=row['name'], birth_date=row['birth_date']) movie = graph.nodes.match('Movie', name=row['movie']).first() directed_by = Relationship(director, 'DIRECTED_BY', movie) graph.create(director) graph.create(directed_by) # 创建编剧节点和编剧-电影关系 for i, row in writers_df.iterrows(): writer = Node('Writer', name=row['name']) movie = graph.nodes.match('Movie', name=row['movie']).first() written_by = Relationship(writer, 'WRITTEN_BY', movie) graph.create(writer) graph.create(written_by) 步骤二：实现电影知识图谱的问答交互在已经构建好电影知识图谱的基础上，我们需要实现一个问答系统，让用户可以通过与系统交互来获取电影信息。 常见的问答系统有两种：检索式问答系统和生成式问答系统。检索式问答系统通过给定问题和预定义的答案集合，利用检索算法从答案集合中找到最匹配的答案；生成式问答系统则通过将问题转化为语义向量，并基于语义向量生成答案。在本文中，我们将使用检索式问答系统实现电影知识图谱的问答交互功能。 实现电影知识图谱的问答交互可以分为以下三个部分： 用户输入问题和系统输出回答的交互界面 查询问题的模块 生成答案的模块交互界面可以使用Python中的GUI库，例如Tkinter、PyQt等。查询问题的模块需要将用户的输入问题进行自然语言处理，并根据问题类型选择合适的查询方式。生成答案的模块需要将查询结果转化为用户可以理解的回答。 以下是一个简单的交互界面示例代码，使用Tkinter库： import tkinter as tk from tkinter import messagebox from py2neo import Graph # 创建Neo4j图数据库实例 graph = Graph('bolt://localhost:7687', username='neo4j', password='password') def search(): user_input = entry.get() answer = generate_answer(user_input) messagebox.showinfo("Answer", answer) root = tk.Tk() root.geometry("300x150") root.title("Movie Q&A Bot") question_label = tk.Label(root, text="Ask a question:") question_label.pack(side="top", pady=10) entry = tk.Entry(root, width=50) entry.pack() button = tk.Button(root, text="Search", command=search) button.pack(side="bottom", pady=10) root.mainloop() 步骤三：对用户提问进行自然语言处理自然语言处理是将自然语言文本转化为机器可处理的语义形式的技术，包括分词、词性标注、命名实体识别、依存句法分析等技术。在对用户提问进行自然语言处理时，我们可以使用Python中的多个自然语言处理库，例如NLTK、spaCy等。 以下是一个简单的自然语言处理示例代码，使用spaCy库： import spacy # 加载英文模型 nlp = spacy.load("en_core_web_sm") def parse_question(question): doc = nlp(question) verb = None subject = None object_ = None for token in doc: # 判断是否为动词 if token.pos_ == 'VERB': verb = token.text # 判断是否为主语 elif token.dep_ == 'nsubj': subject = token.text # 判断是否为宾语 elif token.dep_ == 'dobj': object_ = token.text # 返回动词、主语、宾语 return verb, subject, object_ 步骤四：根据问题类型选择合适的查询方式对于不同类型的问题，我们需要选择不同的查询方式来检索电影知识图谱。 以下是一些常见的问题类型和相应的查询方式： 某个电影的评分是多少？：查询电影评分。 某个演员出演过哪些电影？：查询演员参演的电影。 某个导演执导过哪些电影？：查询导演执导的电影。 某个编剧编写过哪些电影的剧本？：查询编剧编写的电影剧本。以下是一个查询方式选择的示例代码： def search_movie_score(movie_name): movie = graph.nodes.match('Movie', name=movie_name).first() score = movie['score'] return f"{movie_name}的评分是{score}" def search_actor_movies(actor_name): actor = graph.nodes.match('Actor', name=actor_name).first() acted_in = actor.match_out() movies = [r.end_node['name'] for r in acted_in] return f"{actor_name}出演过的电影有：{'、'.join(movies)}" def search_director_movies(director_name): director = graph.nodes.match('Director', name=director_name).first() directed = director.match_out() movies = [r.end_node['name'] for r in directed] return f"{director_name}执导过的电影有：{'、'.join(movies)}" def search_writer_movies(writer_name): writer = graph.nodes.match('Writer', name=writer_name).first() written = writer.match_out() movies = [r.end_node['name'] for r in written] return f"{writer_name}编写过的电影剧本有：{'、'.join(movies)}" def generate_answer(user_input): verb, subject, object_ = parse_question(user_input) if verb == '评分': return search_movie_score(object_) elif verb == '出演': return search_actor_movies(subject) elif verb == '执导': return search_director_movies(subject) elif verb == '编写': return search_writer_movies(subject) else: return "我不知道该怎么回答" 步骤五：根据查询结果生成回答根据查询结果生成回答需要将查询的结果转化成自然语言形式，使其容易理解。这里可以利用模板、模式匹配等技术来生成回答，例如使用文本格式化、正则表达式等。 以下是一个生成回答的示例代码： def generate_answer(user_input): verb, subject, object_ = parse_question(user_input) if verb == '评分': score = graph.nodes.match('Movie', name=object_).first()['score'] return f"{object_}的评分是{score}" elif verb == '出演': actor = graph.nodes.match('Actor', name=subject).first() acted_in = actor.match_out() movies = [r.end_node['name'] for r in acted_in] return f"{subject}出演过的电影有：{'、'.join(movies)}" elif verb == '执导': director = graph.nodes.match('Director', name=subject).first() directed = director.match_out() movies = [r.end_node['name'] for r in directed] return f"{subject}执导过的电影有：{'、'.join(movies)}" elif verb == '编写': writer = graph.nodes.match('Writer', name=subject).first() written = writer.match_out() movies = [r.end_node['name'] for r in written] return f"{subject}编写过的电影剧本有：{'、'.join(movies)}" else: return "我不知道该怎么回答" 总结本文介绍了如何使用Python实现电影知识图谱中的问答交互功能。电影知识图谱的构建需要从多个数据源进行数据抽取、清洗、转换、加载等操作，其中包括电影、演员、导演、编剧等信息。电影知识图谱的问答交互可以通过实现一个检索式问答系统来实现，需要对用户提问进行自然语言处理，并根据问题类型选择合适的查询方式，最终根据查询结果生成回答。Python中有多种数据处理、自然语言处理和图数据库相关的库和工具可以帮助我们实现电影知识图谱的问答交互功能，例如Scrapy、Pandas、NLTK、spaCy、Neo4j等。 大家都在看： Qt编写视频监控系统67-录像计划（支持64通道7*24录像设置） 一、前言录像计划这个功能一直挂了很久，之前做的也都有保存视频文件功能，其中还分了三大种，第一种是手动开启和停止录像；第二种是按照指定时长比如10s保存文件；第三种是定时30分钟一个文件一直保存。这三种功能直接写在对应的视频解码线程中，这次监控内核重写设计原则就是尽量精简独立，于是只提供开始录像、暂停录像、停止录像三个函数接口，至于什么时候需要存储，用户自己决定，一般叫做录像计划，于是参照各个监控厂商的录像计划设计方案，总结下来基本上的做法都是每个通道可以设置7 * 24小时每半个小时是否录像，都提供一个录像计划的控件，鼠标可以在上面自由滑动选择范围或者单个时间段，刚好以前就有个任务策略表格控件，就是一样的操作流程。 录像计划控件的设计思路大致是在QTableView表格视图模型基础上，用自定义委托，绘制对应的选中背景颜色，增加鼠标右键操作全选之类的，由于单元格表示每半小时，标题需要合并单元格，垂直标题对应周一到周日，也就是星期一到星期日，数据这块每个单元格选中表示1不选中用0表示，然后提供函数接口可以设置一天对应24小时48个时间格子是否选中，这样可以通过数据库或者配置文件拿到设置好的录像计划，设置到录像计划控件上，直观展示。 录像计划控件功能： 可设置表格背景颜色。 可设置表格线条颜色。 可设置表头背景颜色。 可设置表头文字颜色。 可设置正常状态颜色。 可设置选中状态颜色。 可设置阴影轮廓粗细和颜色。 支持全选、反选、清空选中等操作。 可设置和获取每一行的选中和未选中状态集合。 二、效果图
; 三、体验地址
体验地址：https://pan.baidu.com/s/1d7TH_GEYl5nOecuNlWJJ7g 提取码：01jf 文件名：bin_video_system。
国内站点：https://gitee.com/feiyangqingyun
国际站点：https://github.com/feiyangqingyun
个人主页：https://blog.csdn.net/feiyangqingyun
知乎主页：https://www.zhihu.com/people/feiyangqingyun/
在线文档：https://feiyangqingyun.gitee.io/qwidgetdemo/video_system/
四、功能特点
（一）、软件模块
视频监控模块，各种停靠小窗体子模块，包括设备列表、图文警情、窗口信息、云台控制、预置位、巡航设置、设备控制、悬浮地图、网页浏览等。
视频回放模块，包括本地回放、远程回放、设备播放、图片回放、视频上传等。
电子地图模块，包括图片地图、在线地图、离线地图、路径规划等。
日志查询模块，包括本地日志、设备日志等。
系统设置模块，包括系统设置（基本设置、视频参数、数据库设置、地图配置、串口配置等）、录像机管理、摄像机管理、轮询配置、录像计划、用户管理等。
（二）、基础功能
支持各种视频流（rtsp、rtmp、http等）、视频文件（mp4、rmvb、avi等）、本地USB摄像机播放。
支持多画面切换，包括1、4、6、8、9、13、16、25、36、64画面切换。
支持全屏切换，多种切换方式包括鼠标右键菜单、工具栏按钮、快捷键（alt+enter全屏，esc退出全屏）。
支持视频轮询，包括1、4、9、16画面轮询，可设置轮询分组（轮询预案）、轮询间隔、码流类型等。
支持onvif协议，包括设备搜索、云台控制、预置位、设备控制（图片参数、校对时间、系统重启，抓拍图片等）。
支持权限管理，不同的用户可以对应不同的模块权限，比如删除日志、关闭系统等。
数据库支持多种，包括sqlite、mysql、sqlserver、postgresql、oracle、人大金仓等。
本地USB摄像机支持设置分辨率、帧率等参数。
所有停靠模块都自动生成对应的菜单用来控制显示和隐藏，在标题栏右键可以弹出。
支持显示所有模块、隐藏所有模块、复位普通布局、复位全屏布局。
双击设备弹出实时预览视频，支持图片地图、在线地图、离线地图等。
摄像机节点拖曳到对应窗体播放视频，同时支持拖曳本地文件直接播放。
删除视频支持鼠标右键删除、悬浮条关闭删除、拖曳到视频监控面板外删除等多种方式。
图片地图上设备按钮可自由拖动，自动保存位置信息。百度地图上可以鼠标单击获取经纬度信息，用来更新设备位置。
视频监控面板窗体中任意通道支持拖曳交换，瞬间响应。
封装了百度地图，视图切换，运动轨迹，设备点位，鼠标按下获取经纬度等。
双击节点、拖曳节点、拖曳窗体交换位置等操作，均自动更新保存最后的播放地址，下次软件打开自动应用。
右下角音量条控件，失去焦点自动隐藏，音量条带静音图标。
支持视频截图，可指定单个或者对所有通道截图，底部小工具栏也有截图按钮。
支持超时自动隐藏鼠标指针、自动全屏机制。
支持onvif云台控制，可上下左右移动云台摄像机，包括复位和焦距调整等。
支持onvif预置位，可以添加、删除、修改预置位，可以调用起始位。
支持onvif图像参数设置，包括明亮度、对比度、饱和度、尖锐度等。
支持onvif其他操作，包括抓图、网络设置、校时、重启、事件订阅等。
支持任意onvif摄像机，包括但不限于海康、大华、宇视、天地伟业、华为等。
可保存视频，可选定时存储或者单文件存储，可选存储间隔时间。
可设置视频流通信方式tcp+udp，可设置视频解码是速度优先、质量优先、均衡等。
可设置软件中文名称、英文名称、LOGO图标等。
存储的视频文件支持导出到指定目录，支持批量上传到服务器。
完善的录像计划设置，支持每个通道7乘24小时每半小时设置是否存储录像。
（三）、特色功能
主界面采用停靠窗体模式，各种组件以小模块的形式加入，可自定义任意模块加入。
停靠模块可拖动任意位置嵌入和悬浮，支持最大化全屏，支持多屏幕。
双重布局文件存储机制，正常模式、全屏模式都对应不同的布局方案，自动切换和保存，比如全屏模式可以突出几个模块透明显示在指定位置，更具科幻感现代化。
原创onvif协议机制，采用底层协议解析（udp广播搜索+http请求执行命令）更轻量易懂易学习拓展，不依赖任何第三方组件比如gsoap。
原创数据导入、导出、打印机制，跨平台不依赖任何组件，瞬间导出数据。
内置多个原创组件，宇宙超值超级牛逼，包括数据导入导出组件（导出到xls、pdf、打印）、数据库组件（数据库管理线程、自动清理数据线程、万能分页、数据请求等）、地图组件、视频监控组件、文件多线程收发组件、onvif通信组件、通用浏览器内核组件等。
自定义信息框+错误框+询问框+右下角提示框（包含多种格式）等。
精美换肤，高达17套皮肤样式随意更换，所有样式全部统一，包括菜单等。
视频控件悬浮条可以自行增加多个按钮，监控界面底部小工具栏也可自行增加按钮。
双击摄像机节点自动播放视频，双击节点自动依次添加视频，会自动跳到下一个，双击父节点自动添加该节点下的所有视频。可选主码流、子码流。
录像机管理、摄像机管理，可添加删除修改导入导出打印信息，立即应用新的设备信息生成树状列表，不需重启。
可选多种内核自由切换，ffmpeg、vlc、mpv等，均可在pro中设置。推荐用ffmpeg，跨平台最多，默认提供好了linux和mac平台上编译好的库。
支持硬解码，可设置硬解码类型（qsv、dxva2、d3d11va等）。
默认采用opengl绘制视频，超低的CPU资源占用，支持yuyv和nv12两种格式绘制，很牛逼。
高度可定制化，用户可以很方便的在此基础上衍生自己的功能，比如增加自定义模块，增加运行模式、机器人监控、无人机监控、挖掘机监控等。
支持xp、win7、win10、win11、linux、mac、各种国产系统（UOS、中标麒麟、银河麒麟等）、嵌入式linux等系统。
注释完整，项目结构清晰，超级详细完整的使用开发手册，精确到每个代码文件的功能说明，不断持续迭代版本。
Original: https://blog.csdn.net/feiyangqingyun/article/details/128110402Author: feiyangqingyunTitle: Qt编写视频监控系统67-录像计划（支持64通道7*24录像设置） 原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/444939/ 转载文章受原作者版权保护。转载请注明原作者出处！ |
【本文地址】
今日新闻 |
推荐新闻 |