地理知识图谱毕业设计源码：从爬虫到Neo4j图嵌入的完整实现-育师

简介：面向地理信息、知识图谱与机器学习方向的开发者，这是一份可复现的完整项目包，适用于毕业设计、课程设计或项目实践。项目围绕地理知识图谱的构建与应用展开，基于Jena Fuseki等开源工具实现本体建模、数据导入、SPARQL查询与结果可视化，并配套设计文档和可运行源码。通过项目包可掌握知识抽取、实体对齐、关系存储与前端展示等关键环节，适合从零快速搭建一个地理知识图谱演示系统。压缩包共1845个文件，大小约184.69MB，主要文件类型包括Python脚本、Java/JSP后端代码、OWL/TTL本体描述文件、XML/JSON/SQL数据与配置、前端JS/CSS页面资源及PNG图片等，目录组织完整，便于按模块查阅。目前已有186人学习下载，适合需要课程设计、毕业设计或项目实践参考的学生与研究人员。

1. 地理知识图谱项目.zip：一份能直接跑的毕业设计源码包

把这个zip解压之前，我原以为又是一个套模板的毕业设计合集，但真正拆开后发现它把“爬数据—提实体—抽关系—入图库—机器学习分类—前端展示”这条链路完整地串起来了。地理知识图谱项目.zip，顾名思义，是一个以地理实体（城市、河流、景点、行政区划）为节点、以地理关系（属于、相邻、发源于）为边的知识图谱毕设源码，其中关系抽取环节用到了机器学习模型，而不是简单的硬编码规则。对正在准备知识图谱方向毕业设计、缺一套能复现的落地代码的人，这个包的价值在于：不用从零设计架构，只需要照着改造数据源和调参，就能跑出一个带模型、带可视化界面的完整系统。需要你有基本的Python和数据库基础。

2. 项目结构和核心模块：从zip包到可运行系统

2.1 解压后的目录划分：每个文件夹在干什么

我拆开这个zip后，最先看的是顶层目录。绝大部分毕设源码的问题不在于代码写得差，而在于你不知道该先跑哪个文件、哪个文件夹是你的业务逻辑、哪个文件夹是别人留下的实验垃圾。这个项目结构还算克制，按业务功能做了模块拆分：

geo_kg/ ├── main.py # 项目入口：一键执行完整流程 ├── config.yaml # 全局配置：数据路径、Neo4j连接、模型参数 ├── requirements.txt # Python依赖清单 ├── data/ │ ├── raw/ # 原始采集数据（JSON/CSV） │ ├── processed/ # 清洗后的三元组文件（triples.csv） │ └── cache/ # 模型中间文件（实体词典、向量） ├── src/ │ ├── crawler/ # 地理数据爬虫 │ │ ├── geocrawler.py # 百度/高德POI及行政区划采集 │ │ └── parser.py # 数据清洗与格式转换 │ ├── kg/ # 知识图谱构建 │ │ ├── entity.py # 实体识别与去重 │ │ ├── relation.py # 关系抽取 │ │ └── importer.py # Neo4j批量导入 │ ├── ml/ # 机器学习模块 │ │ ├── embed.py # 图嵌入（Node2Vec/DeepWalk） │ │ └── classifier.py # 关系分类模型 │ └── web/ │ ├── app.py # Flask可视化服务 │ ├── templates/ # HTML页面 │ └── static/ # JS/ECharts等静态资源 └── tests/ # 单元测试（部分关键函数）

说下我看目录的要点。data/raw是爬虫落盘的地方，data/processed是清洗后用来导入图库的中间产物，这两个目录决定了你后续要不要改爬虫。src/kg是核心业务，src/ml属于加分项，真正体现机器学习在知识图谱里怎么用的都在这里。tests目录有没有不重要，但存在起码说明作者有测试意识。我一般拿到代码会先看main.py和config.yaml，因为它们决定了程序怎么被编排起来。

这个项目的中文目录名和文件名比较多，在Windows上解压文件时容易触发260字符的路径上限。遇到PathTooLongError不是项目的问题，而是zip的目录层级太深。常见做法是解压时直接解到盘符根目录下，比如D:\geo_kg，不要在中间夹Downloads\毕业论文\final_version\这类长路径。另外解压后第一件事是检查每个文件夹里的文件是否完整，如果data/processed里的csv文件字节数是0，说明原始包有问题，别急着跑代码。

main.py是入口，把整条流程串起来，但它不是一次性全跑完，而是分阶段执行，方便你出错了重跑。通常它会先初始化配置，然后调用crawler拉数据，再走kg构建，最后启动web服务。流程类的代码我不建议多读，真正值得逐行读的是config.yaml和importer.py，因为配置决定数据能不能入库，导入代码决定图质量。

2.2 数据流与配置文件：从原始数据到图谱的必经之路

这个项目的核心数据流可以概括为一张表。

阶段	输入	处理逻辑	输出
1. 采集	地理数据源（POI、行政区划）	爬虫请求、解析字段	data/raw/*.json
2. 清洗	原始JSON	去重、补全经纬度、统一省份城市字段	data/processed/entities.csv, relations.csv
3. 构建	清洗后的CSV	实体对齐、关系映射、去环	Neo4j中的节点与关系
4. 增强	Neo4j中的图	图嵌入生成节点向量	模型输入特征
5. 服务	图数据+模型	查询接口+页面渲染	可交互的地理知识图谱页面

这张表是理解整个项目的地图。绝大部分毕设之所以跑不通，就是因为在采集和清洗这两步之间缺了中间文件，或者CSV字段和导入代码对不上。你拿到源码后，第一步不是急着装环境，而是确认data/processed下有没有现成的CSV。如果有，说明可以直接跳过爬虫做图谱；如果没有，就要处理爬虫。

config.yaml是全局参数入口，我通常会先读这个文件再决定怎么改。下面是一份典型配置：

neo4j: uri: bolt://localhost:7687 user: neo4j password: your_password database: geo_kg data: raw_dir: data/raw processed_dir: data/processed entity_file: entities.csv relation_file: relations.csv crawler: source: baidu_poi keywords: ["景区", "高校", "火车站"] city: ["北京", "上海", "广州"] max_pages: 10 ml: embedding_dim: 64 walk_length: 20 windows: 5 epochs: 10 test_ratio: 0.2

这段配置说明一件事：改动参数远比你改代码安全。比如你想把实验城市从北京换成成都，不用去爬虫代码里搜“北京”，直接改crawler下的city列表就行。ml下的embedding_dim影响向量维度，维度越高模型越复杂，但小数据量下64维足够；walk_length和windows是图嵌入算法的超参数，控制随机游走的长度和上下文窗口，数据稀疏时适当调大walk_length往往比换算法更有效。

main.py读取配置的方式和项目里的依赖注入风格相关，在有配置文件的项目里，通常会写一个配置加载函数：

# main.py 片段 import yaml def load_config(path="config.yaml"): with open(path, "r", encoding="utf-8") as f: config = yaml.safe_load(f) # 校验必要字段，缺失时给出清晰错误 assert "neo4j" in config, "config.yaml缺少neo4j配置" assert "data" in config, "config.yaml缺少data配置" return config

这里的assert是防御式编程的体现。很多跑不动的毕设，问题就出在配置缺字段但代码没有任何提示，直接去读config['neo4j']['uri']抛出一个KeyError，新手看到就懵了。加上这两个断言，至少能把错误定位到配置文件。另一个常见的坑是yaml.safe_load对中文编码，如果你打开配置看到乱码，请确保文件保存为UTF-8，而不是Windows默认的GBK。

至于为什么选择Neo4j而不是MySQL，这是知识图谱项目的核心选型。地理实体之间的关系是典型的多跳图结构，比如“西湖在杭州，杭州属于浙江，浙江邻接安徽”，用关系型数据库去表达这种多跳关系，要么递归查询，要么设计一张很大的连接表。Neo4j用Cypher写多跳查询只需要MATCH (a)-[*1..3]->(b)就够了，这就是图谱数据库在这个场景的不可替代性。

3. 环境搭建与数据准备：让源码在本地跑起来

拆过太多源码，我最反感的是依赖列表里全是裸库名，没有版本区间。这个项目给了requirements.txt，但直接pip install还是容易翻车，因为graphviz、neo4j-driver这些库在不同Python版本下行为差异很大。我建议你用conda或者pyenv建一个Python 3.9的独立环境，别用系统Python，免得把你其他项目的环境搞炸。

3.1 环境准备：conda创建虚拟环境并安装依赖

先把环境隔离出来，这一步能避免后面80%的依赖冲突。常见做法是：

conda create -n geokg python=3.9 -y conda activate geokg cd geo_kg pip install -r requirements.txt

说下命令要点。conda create指定了Python 3.9而不是3.12，是因为这个项目里Neo4j的驱动和旧版本Flask对3.9兼容性最稳。如果你已经装了3.10以上版本且不想换，至少要把requirements.txt里的版本号严格卡住。pip install后，我建议马上验证核心依赖是否装上：

python -c "import neo4j, flask, pandas, networkx; print('deps ok')"

能打印deps ok说明基础依赖没毛病。如果导入neo4j时报No module named 'neo4j'，多半是pip装到了别的环境中，检查一下当前解释器路径，用which python确认是不是/home/xxx/anaconda3/envs/geokg/bin/python。还有个常见情况是pip install遇到权限报错，Windows下用pip install --user，Linux下用虚拟环境后不需要sudo。

这里特别提一下requirements.txt里几个关键库。neo4j-driver的版本直接决定了连接方式，v4.x之后才支持bolt://连接，v5.x对旧数据库会有兼容警告。如果你本地装的是Neo4j 3.5，driver版本必须降到4.1以下，否则握手阶段就报Unsupported bolt handshake。这种情况不需要换数据库，直接改requirements里neo4j==4.1.1重新装一遍即可。

3.2 数据采集与预处理：爬虫脚本的边界与改写点

由于地理数据源更新频繁，这个项目的爬虫部分很可能是最容易报错的地方。拿到源码后，爬虫不能直接跑是很常见的，反爬策略、接口字段变化都会导致失败。我一般会先看src/crawler/geocrawler.py的请求函数，看看它请求的是哪个接口、用的什么Key。

下面是一段典型的基于高德POI的采集代码骨架，和该项目里常见的写法一致：

# src/crawler/geocrawler.py import requests import json def fetch_poi(keyword, city, page, key): url = "https://restapi.amap.com/v3/place/text" params = { "key": key, "keywords": keyword, "city": city, "offset": 25, "page": page, "extensions": "base" } resp = requests.get(url, params=params, timeout=10) data = resp.json() pois = data.get("pois", []) result = [] for p in pois: result.append({ "name": p.get("name"), "type": p.get("type"), "location": p.get("location"), "adname": p.get("adname"), "city": city }) return result def main(): # 实际项目中城市和关键词来自config.yaml with open("config.yaml", "r", encoding="utf-8") as f: config = yaml.safe_load(f) # 循环page并采集

这段代码的关键在于params里的offset和page，它们决定了API的分页策略。高德单页最多返回25条，max_pages控制在10页以内可以避免流量费用失控。如果这个项目用的是百度POI，字段名会变成“geo”而不是“location”，你需要在parser.py里同步改映射关系，这是最常见的坑。

另一个容易翻车的地方是请求频率。很多公开API限制QPS，比如每秒最多请求5次。原项目代码里如果没有time.sleep，你连续跑几百个page会被临时封IP，返回USER_DAY_LIMIT错误。常见做法是在请求循环里加一个随机延时：

import time import random # 每次请求后暂停0.3~0.8秒，模拟人工操作 time.sleep(random.uniform(0.3, 0.8))

random.uniform比固定sleep更不容易触发反爬规则，这是我在爬取多家POI数据时养成的习惯。如果你要采集的数据量很大，建议把请求失败重试也加上。requests自带的retry参数在urllib3里支持，但更简单的做法是捕获requests.exceptions.Timeout后重试三次，指数退避。

数据清洗部分，我建议你把清洗结果落到data/processed再继续，不要直接从爬虫结果导入图库。因为爬虫返回的原始JSON里通常有重复的POI（同一个景区被多次采集）、缺失经纬度、城市字段不规范等问题。常见的清洗逻辑如下：

# src/kg/entity.py 片段 import pandas as pd def dedup_entities(df): # 按名称+城市去重，保留第一条记录 df = df.drop_duplicates(subset=["name", "city"], keep="first") # 过滤没有经纬度的数据 df = df[df["location"].notna() & df["location"].str.contains(",")] # 去掉名称为空的 df = df[df["name"].str.len() > 0] return df.reset_index(drop=True)

这个函数里drop_duplicates是去重核心，subset决定了唯一键是“名称+城市”，而不是只看名称——因为中国同名地点很多。location字段用notna判断是否存在，contains逗号是为了排除掉没有经纬度的脏数据。清洗这块没有算法含量，但做不好会直接导致Neo4j里出现几万个孤立节点。

另外我建议加上经纬度范围检查，因为部分POI会返回“0,0”这种默认值，这类数据应该直接过滤掉。你可以加一行：

df = df[df["location"].str.contains("^[0-9]+\\.[0-9]+,[0-9]+\\.[0-9]+$")]

这个正则要求经纬度都是小数格式，像“0,0”虽然符合有一部分，但属于无意义数据，如果配合浮点数值过滤会更严格。项目里原版清洗代码可能没这一行，但照着补上能让图谱质量提升不少。

3.3 数据入库：Neo4j导入的两种方式，一条避坑命令

清洗后的数据要落进Neo4j。这个项目提供了两种导入方式：一种是直接执行Cypher LOAD CSV，适合一次性初始化；另一种是用neo4j-driver逐条写，适合增量更新。初次跑通，我推荐先用LOAD CSV，省事且速度最快。

先确认Neo4j服务起来了，然后用Cypher做全量导入：

LOAD CSV WITH HEADERS FROM 'file:///entities.csv' AS row CREATE (n:Geography {id: row.id, name: row.name, type: row.type, location: row.location})

注意LOAD CSV的路径是Neo4j导入目录的相对路径，不是任意文件路径。很多新手在这一步会踩坑：文件明明存在，但Cypher报“Couldn't load external resource"。原因是文件没放到Neo4j安装目录下的import文件夹里，或者CSV带BOM头导致第一列字段名变成\ufeffid，需要额外去掉BOM。常见做法是把文件放到import目录后，先确认字段名：

head -1 entities.csv | cat -v

如果看到^A之类是字段分隔符问题，看到M-oM-?;就是BOM。BOM处理方式默认vim或者sed去掉，或者在你导出CSV时指定utf-8-sig编码。Python导出时用df.to_csv(..., encoding='utf-8-sig')就能避免Cypher端乱码。

如果数据量不大（小于几万节点），也可以用Python driver逐批写入，便于在写入过程中做业务判断。下面是常见的批量导入代码：

# src/kg/importer.py from neo4j import GraphDatabase BATCH = 500 def import_triples(rows): driver = GraphDatabase.driver("bolt://localhost:7687", auth=("neo4j", "password")) with driver.session() as session: for i in range(0, len(rows), BATCH): batch = rows[i:i+BATCH] session.execute_write(create_triples, batch) driver.close() def create_triples(tx, batch): query = """ UNWIND $batch AS row MERGE (a:Geography {name: row.src}) MERGE (b:Geography {name: row.dst}) MERGE (a)-[r:REL {type: row.relation}]->(b) """ tx.run(query, batch=batch)

这里BATCH设成500，是因为Neo4j每批事务的顶层传输量受内存限制，一次性UNWIND上万条容易抛OutOfMemoryError。MERGE代替CREATE，是为了避免重复导入时生成重复节点，这也是做图数据库的一个好习惯。如果你用LOAD CSV，也建议把MERGE用上，而不是CREATE。

4. 知识图谱构建与机器学习结合：核心算法在哪改

这个项目的“机器学习”部分不是像商品推荐那样的大模型，而是把图结构转成向量，再做关系分类。也就是说，它在图谱构建完之后，用图嵌入方法给每个实体学一个向量，然后用这个向量训练一个分类器，来判断两个实体之间可能的关系类型。理解这条逻辑，你就能知道该从哪里改模型。

4.1 实体识别与关系抽取：从规则到模型怎么切换

实体识别和关系抽取在毕设里有两种实现方式：基于规则和基于模型。这个项目把规则作为兜底，模型作为增强。我第一次读代码时很惊喜，因为很多毕设只会用一套正则表达式硬写，完全没有模型扩展点。

规则部分是先用一个词汇表映射地理实体类型，比如字典里存了“大学”“校区”映射到“教育机构”，“景区”“公园”映射到“景点”。关系抽取则是靠关键词，比如“位于”“紧邻”“发源于”这类触发词。实际代码大致是：

# src/kg/relation.py RULE_RELATIONS = { "位于": "locate_in", "紧邻": "adjacent_to", "发源于": "originate_from", "属于": "belong_to", } def extract_by_rule(sentence, entity_list): rels = [] for keyword, rel_type in RULE_RELATIONS.items(): if keyword in sentence: # 找句子中出现的两个实体 hits = [e for e in entity_list if e in sentence] if len(hits) >= 2: rels.append((hits[0], hits[1], rel_type)) return rels

这个函数最核心的假设是：一句话里出现两个已知实体和一个触发词，就构成一条关系。它对短句有效，对长句会漏，因为真实句子里两个实体可能相隔很远。改进办法不是疯狂加规则，而是把这里替换成一个训练好的序列标注模型。这也是后面第4.2节的机器学习部分发挥作用的地方：触发词匹配不到的，用模型预测。

替换的切入点有两个：一个是把实体识别从词典匹配换成BERT-NER，另一个是把关系分类从关键词触发换成文本分类。如果你只想低成本调优，可以先不改模型结构，只改RULE_RELATIONS字典扩充触发词，看看图谱边数变化。这是毕业设计最常用的一步：用规则证明“能跑”，用模型证明“有研究价值”。

实体对齐这一步也很关键，它是知识图谱构建中“消歧”的一环。比如“西湖”这个实体，爬虫可能采到“西湖景区”“杭州西湖”“西湖（风景区）”等各种写法。如果不做对齐，图里会出现一堆指代同一地点的节点，关系查询结果会很乱。简单的对齐策略是只保留官方名称，用正则去掉括号和空格：

import re def normalize_name(name): name = re.sub(r"（.*?）", "", str(name)) name = re.sub(r"\(.*?\)", "", name) return name.strip()

这个norm_name函数会把“西湖（风景区）”变成“西湖”，使得后续去重能够命中。但它也会误伤“中国（北京）自由贸易试验区”这类带行政区划的实体。所以项目里通常会把实体名和城市名一起作为去重键，而不是单独用规范化后的名称。这个平衡点需要根据你的数据试出来。

4.2 图嵌入与关系分类：把图结构送进机器学习管线

图嵌入这一步，是把Neo4j里的图结构变成机器学习可以吃的特征矩阵。常见做法是用Node2Vec，通过随机游走采样节点序列，再用Word2Vec训练节点向量。项目中很重要的一点是：它并不是让模型直接读Cypher字符串，而是先导出邻接表或边列表，再训练嵌入。

下面是一段以networkx为核心的边列表构造与图嵌入示例：

# src/ml/embed.py import networkx as nx from node2vec import Node2Vec def build_graph_from_triples(triples): G = nx.Graph() for src, dst, rel in triples: G.add_edge(src, dst, relation=rel) return G def train_embedding(G, dim=64, walk_length=20, windows=5, epochs=10): node2vec = Node2Vec(G, dimensions=dim, walk_length=walk_length, window=windows, workers=4, seed=42) model = node2vec.fit(window=windows, min_count=1, batch_words=4, epochs=epochs) return model

参数里seed=42是为了复现，walk_length和window的含义是：walk_length控制每个随机游走序列多长，长一点可以覆盖更多远端邻居，但太长会把不同节点向量拉得过于接近；window是上下文窗口，影响邻近节点共享特征的程度。workers=4是并行线程数，Windows上偶尔会因为multiprocessing问题卡住，可以改成workers=1试试。min_count=1表示出现次数为1的实体也要作为词表保留，因为地理实体很多频次很低，阈值太大会丢节点。

训练完嵌入后，关系分类就变成一个常规监督学习问题了。你需要从图谱里采样正负样本：正样本是现有关系对，负样本是不存在关系的实体对。然后把两个实体的向量拼接起来，喂给一个分类器。常见代码如下：

# src/ml/classifier.py from sklearn.linear_model import LogisticRegression import numpy as np def build_samples(model, relations, all_entities): X, y = [], [] for src, dst, rel in relations: v1 = model.wv[src] v2 = model.wv[dst] X.append(np.concatenate([v1, v2])) y.append(rel) # 随机采样负样本，标记为 no_relation ... clf = LogisticRegression(max_iter=1000) clf.fit(X, y) return clf

这里的核心设计是把两个实体的向量拼接成一个128维向量（64+64），再交给逻辑回归。逻辑回归在这里够用了，因为关系类别不是特别多，用复杂模型反而容易过拟合。负样本采样是重中之重，如果负样本数量不均衡，模型会学成“总是预测no_relation”。一般负样本数量按正样本的1到3倍来采，太少学不到边界，太多会让正类被淹没。

评估模型时不要只看准确率，要看每个关系类别的召回率。常见做法是打印分类报告：

from sklearn.metrics import classification_report # 假设已有 y_true, y_pred print(classification_report(y_true, y_pred, target_names=label_names))

classification_report会输出precision、recall、f1-score，它能暴露出模型对“属于”这类高频类别过度拟合、对“发源于”这类低频类别识别困难的问题。很多时候准确率90%是因为90%的样本都是“属于”，如果你不关注召回率，模型实际没有学会区分地理关系。

5. 避坑手册：解压、图库、模型三条线的常见问题

做毕设源码复现，最大的成本不在功能实现，而在环境和服务之间的兼容性。我把这次跑通遇到的三类问题总结如下，每条都是可以复现的踩坑记录。

5.1 zip解压和中文编码问题：伪加密、乱码和路径过长

现象一：解压geo_kg.zip时提示需要密码，或者解压后所有中文文件名变成了“鏄ヨ”这样不可读的文字。

原因：第一种情况通常是zip伪加密——文件目录区标志被改成加密标记，但不是真加密；第二种情况是打包工具在Windows上默认用GBK编码文件名，而Linux下的unzip按UTF-8解码，就会乱码。

解决：伪加密不用找密码，用Python的zipfile按二进制方式打开并忽略加密标志，或者用7-Zip打开后直接“复制”出来。乱码问题我一般用Python的zipfile指定编码解压：

import zipfile with zipfile.ZipFile("geo_kg.zip", "r") as zf: for name in zf.namelist(): # 尝试用GBK重新解码 try: decoded_name = name.encode("cp437").decode("gbk") except UnicodeDecodeError: decoded_name = name zf.extract(name, "geo_kg", pwd=None)

这段代码先把原始字节用cp437读出来，再按GBK解成中文，能覆盖绝大多数Windows打包的zip。如果还是乱码，就换用unzip -O gbk命令行工具。注意pwd=None是给伪加密准备的参数，真加密的文件该输密码还得输。

现象二：解压到一半报File name too long或者Path too long，解压出来的目录打不开。

原因：项目内部文件夹层级深，加上中文名编码后字节变长，Windows路径最大支持260字符，很容易超限。

解决：把zip解压到短路径，比如C:\geokg\，并确保顶层文件夹叫geo_kg而不是地理知识图谱项目-最终版-2024-11-20-这种超长名字。用Python的shutil也能解压，但路径问题的根源在命名，建议先重命名为短名再解压。这是被坑过几次后的血泪经验。

5.2 Neo4j导入慢和连接超时：索引、批次和版本

现象：把3万条关系用LOAD CSV导入，等了5分钟还没跑完，Neo4j的内存占用一直在涨。

原因：一是没建唯一性索引，导致MERGE每次都要全图扫描同名节点；二是导入过程不关心索引预热，导致节点去重操作变成了O(n)的扫描。

解决：先建索引，再导入。用Cypher执行：

CREATE CONSTRAINT geo_name_unq IF NOT EXISTS ON (g:Geography) ASSERT g.name IS UNIQUE;

这是在导入前必做的一步，没有索引时MERGE是按name属性查一遍，有索引后就跳到对应位置。建完索引导入速度通常能提升一个数量级。如果数据量很大，还要把导入事务拆小。用LOAD CSV时，可以在文件里先排好序，减少随机写入；用Python driver时，批次大小控制在500-1000之间。

现象：驱动程序报Unable to establish connection to bolt://localhost:7687。

原因：Neo4j服务没有启动，或者driver版本和Neo4j版本协商失败。也可能是Neo4j的配置只监听了localhost而没监听127.0.0.1，导致连接被拒。

解决：先检查Neo4j运行状态。Windows下打开Neo4j Desktop，看到状态是RUNNING；Linux下用neo4j status。如果服务没问题，检查连接字符串里端口是7687而不是7474。7474是浏览器界面端口，bolt协议用的是7687。这个混淆很常见，因为很多教程截图都在7474端口。另一个隐蔽原因是driver版本太旧，Neo4j 5.x默认要求bolt协议4.4以上，旧driver会握手失败，升级driver通常能解决。

5.3 模型训练翻车：样本不平衡、归一化和过拟合

现象：关系分类准确率接近90%，但细看混淆矩阵，模型几乎把所有关系都预测成“属于”，其他关系全被吞掉了。

原因：数据里“属于”关系占了绝大多数，训练时没有做类别平衡处理，模型学到了“偷懒策略”。另一个常见原因是向量特征没有归一化，两个实体向量拼接后数值范围差异大，逻辑回归的特征权重会被少数大值特征带偏。

解决：一是对关系标签做重采样，比如对少数类别过采样，或者设置class_weight='balanced'；二是对向量做L2归一化再拼接。修改代码如下：

from sklearn.preprocessing import normalize v1 = normalize(model.wv[src].reshape(1, -1))[0] v2 = normalize(model.wv[dst].reshape(1, -1))[0] X.append(np.concatenate([v1, v2]))

需要注意的是，normalize默认按行做L2归一化，也就是把每个向量缩放到单位长度。这个操作能消除节点频次对向量模长的影响，让分类器更关注方向而不是绝对值。改完后重训，如果少数类别还是被吞，优先检查负采样比例，而不是换更复杂的模型。

现象：训练集准确率100%，测试集只有70%，明显过拟合。

原因：图嵌入的维度太高、数据量太少，或者负样本采得和正样本太相似，导致模型记住了训练集。

解决：降低embedding_dim到32或16，同时增加随机游走的路径多样性。另一个有效做法是增加负样本采样的随机性：不要只从同一个社区里采负样本，要多跨社区采，否则模型学到的决策边界没有泛化能力。我习惯在采样时设置一个随机种子，并保证负样本对里的两个实体在图中的最短路径不小于3跳，这样负样本才具有“反事实”意义。

6. 验证与进阶：让图谱真正“能回答”地理问题

6.1 用Cypher验证图谱完整性

跑完整条流水线后，不要急着开前端页面，先用几条Cypher查询确认图谱不是空壳。我常用的验证套路是查三类信息：节点总数、关系类型分布、以及某个实体的局部子图。

MATCH (n:Geography) RETURN count(n); MATCH (n:Geography)-[r]->() RETURN type(r), count(r) ORDER BY count(r) DESC; MATCH (n:Geography {name: "西湖"})-[r]-(m) RETURN n.name, type(r), m.name LIMIT 20;

如果节点数量明显低于预期，说明数据清洗时把有效数据滤掉了；如果关系类型只有一种，说明触发词词典或者模型预测失效了。这一步能快速帮你定位问题是出在导入环节还是关系抽取环节。