第七天学习进度--(KBQA)初接触知识图谱之最终改进（四）

通过这几天对于知识图谱的简单构建，简单地了解到了对应的知识图谱中相关的工作原理。

对于networkx构建知识图谱的学习本来打算是昨天就完结了，可是在昨天的最后测试中发现了对应添加动态知识的过程还存在bug，因此今天对其进行最终的改进。

昨天对之前编写的知识图谱添加了动态提取知识的功能，其中对应的动态知识提取的功能在句子的前面还添加了对应的node1节点，在平时时候的时候node1节点并不是一定要放在第一个位置的，因此今天打算通过对昨天提取动态知识的函数进行一个。

昨天编写的最终动态知识提取的时候

可以看到自定义句型中

这一句我们在自定义动态语句的时候，对应的主语前面并没有添加上node1节点，可是最终的结果中，依旧存在node1（揭阳）

因此我们需要对之前的原子处理的部分进行一个改进。让其在处理简单的知识的时候，自动对对应的句子添加上node1，在处理动态知识的时候，则只考虑自定义函数中的返回值。

首先对原子处理部分进行简单的更改（思路：返回时添加一个返回布尔值，当返回布尔值为True时，则添加node1节点）

# 原子信息处理
def nlp_atom_handle(digraph: nx.DiGraph, node1, node2, relation="relation"):
    ptype = get_nodes_relation(digraph, node1, node2, relation)
    n_2 = str(node2)
    n_1 = str(node1)
    try:
        n_relation = str(digraph[node1][node2][relation])
    except:
        n_relation= str(digraph[node2][node1][relation])
    global dictfunction
    try:
        if not dictfunction:
            dictfunction = {}
    except:
        dictfunction = {}
    if (dictfunction):
        if (node1 in dictfunction):
            return dictfunction[node1](digraph, node1, node2, n_relation, relation),False
        elif (relation in dictfunction):
            return dictfunction[n_relation](digraph, node1, node2, n_relation, relation),False
        elif (node2 in dictfunction):
            return dictfunction[node2](digraph, node1, node2, n_relation, relation),False
    if (ptype == 4):
        return "是" + n_2 + "的" + n_relation,True
    elif (ptype == 3):
        return n_relation + n_2 + ";" + n_2 + n_relation + n_1,True
    elif (ptype == 2):
        return n_2 + n_relation + n_1,True
    elif (ptype == 1):
        return n_relation + n_2,True
    else:
        return None,True

则对应的nlp中要加入判断来对根据返回布尔值进行相应的操作

# 处理长距离节点关系
def nlp_nodes(digraph: nx.DiGraph, node1, node2, relation="relation"):
    try:
        path = nx.dijkstra_path(digraph, node1, node2, weight='weight')
        # result = str(node1)
        result=""
        for i in range(len(path) - 1):
            if(i==0):
                _,g_judge=nlp_atom_handle(digraph, path[i], path[i + 1], relation)
                if not g_judge:
                    result=""
                else:
                    result+=str(node1)
            result += nlp_atom_handle(digraph, path[i], path[i + 1], relation)[0]
            if (i != len(path) - 2):
                result += ","
            else:
                result += "。"
    except Exception:
        result = str(node1) + "和" + str(node2) + "没有任何关系。"
    return result


# 单节点释义（What）
def nlp_node(digraph: nx.DiGraph, node1, relation="relation"):
    try:
        result = str(node1) + "(" + str(digraph.nodes[node1]['attribute']) + ")"
        path = [one for one in digraph.neighbors(node1)]
        for i in range(len(path)):
            if (i == 0):
                _, g_judge =  nlp_atom_handle(digraph, node1, path[i], relation)
                if not g_judge:
                    result = ""
            result += nlp_atom_handle(digraph, node1, path[i], relation)[0]
            if (i != len(path) - 1):
                result += ","
        result += "。"
        prepath = path
        path = [one for one in digraph.predecessors(node1) if one not in prepath]

        for i in range(len(path)):
            result += nlp_atom_handle(digraph, node1, path[i], relation)[0]
            if (i != len(path) - 1):
                result += ","
            else:
                result += "。"
    except Exception:
        result = "知识图谱中不存在" + str(node1)
    return result

在执行同样的代码之后

执行结果如下：

 可以看到最终的结果已经没有了node1（揭阳）的主语。