本项目为基于知识图谱和BERT技术构建的智能问答系统，采用Python编写，并包含详细代码及说明文档。适合学术研究和技术学习使用。
【资源介绍】
本项目提供基于知识图谱与BERT的问答系统源码及详细文档，压缩包内包含所有必要的文件以及详细的使用指南。
**核心功能：**
- **命名实体识别（NER）:** 利用预训练模型BERT进行高效的命名实体识别。
- **句子相似度计算:** 同样采用BERT来衡量不同文本之间的语义接近程度。
项目分为两种模式：
1. 在线预测（online predict）: 用于实时处理和分析数据，适合实际应用环境中的即时反馈需求；
2. 离线预测（outline predict）：适用于批量任务或大规模数据分析场景。
**技术架构与实现细节**
- **命名实体识别模块:** 含有lstm_crf_layer.py, run_ner.py, tf_metrics.py等关键文件，实现了基于BERT的NER模型。
- **句子相似度计算模块:** 包括args.py和run_similarity.py两个主要脚本，负责加载预训练参数并执行任务；
- **问答系统（KBQA）模块:** 通过terminal_predict.py、kbqa_test.py进行知识库查询及回答生成。
**环境配置**
项目依赖Python3.7版本，并需安装TensorFlow1.13.2及其他相关工具。数据处理和存储方面，推荐使用XAMPP3.3.2与Navicat Premium 12来管理MySQL数据库；
- **Data文件夹:** 存储原始及预处理过的数据集。
- **ModelParams文件夹:** 包含中文BERT模型的参数配置；
- **Output文件夹:** 输出各类中间结果和最终预测值。
**使用方法**
针对每个模块，都有详细的命令行脚本支持训练、调参以及测试。例如：
1. NER训练与调整：通过`run_ner.sh`执行。
2. 在线/离线NER预测：分别设置do_predict_online或do_predict_outline为True即可运行；
3. 模型预训练和评估任务：修改args.py中的train、test参数来切换模式。
**项目说明**
该资源专为计算机科学领域（如人工智能方向）的学术研究者及初学者设计，旨在提供一个完整的实践案例。无论是作为课程作业还是毕业论文的研究基础，本项目都具有较高的参考价值和实用意义。对于技术爱好者而言，则是一个深入学习BERT模型及其应用的良好起点。
欢迎下载并使用上述资源进行个人或团队项目的开发工作，并期待与各位同学、老师及同行们共同探讨交流！
5星
