确保安装好python3和Neo4j（任意版本）
安装一系列pip依赖：cd至项目根目录，运行sudopip3install-rrequirement.txt
1.导入数据：
将hudong_pedia.csv导入neo4j：开启neo4j，进入neo4j控制台。将hudong_pedia.csv放入neo4j安装目录下的/import目录。在控制台依次输入：
//将hudong_pedia.csv导入LOADCSVWITHHEADERSFROM"file:///hudong_pedia.csv"ASlineCREATE(p:HudongItem{title:line.title,image:line.image,detail:line.detail,url:line.url,openTypeList:line.openTypeList,baseInfoKeyList:line.baseInfoKeyList,baseInfoValueList:line.baseInfoValueList})//新增了hudong_pedia2.csvLOADCSVWITHHEADERSFROM"file:///hudong_pedia2.csv"ASlineCREATE(p:HudongItem{title:line.title,image:line.image,detail:line.detail,url:line.url,openTypeList:line.openTypeList,baseInfoKeyList:line.baseInfoKeyList,baseInfoValueList:line.baseInfoValueList})代码语言：txt复制//创建索引CREATECONSTRAINTON(c:HudongItem)ASSERTc.titleISUNIQUE以上两步的意思是，将hudong_pedia.csv导入neo4j作为结点，然后对titile属性添加UNIQUE（唯一约束/索引）
（如果导入的时候出现neo4jjvm内存溢出，可以在导入前，先把neo4j下的conf/neo4j.conf中的dbms.memory.heap.initial_size和dbms.memory.heap.max_size调大点。导入完成后再把值改回去）
进入/wikidataSpider/wikidataProcessing中，将new_node.csv,wikidata_relation.csv,wikidata_relation2.csv三个文件放入neo4j的import文件夹中（运行relationDataProcessing.py可以得到这3个文件），然后分别运行
将attributes.csv放到neo4j的import目录下，然后执行
LOADCSVWITHHEADERSFROM"file:///attributes.csv"ASlineMATCH(entity1:HudongItem{title:line.Entity}),(entity2:HudongItem{title:line.Attribute})CREATE(entity1)-[:RELATION{type:line.AttributeName}]->(entity2);LOADCSVWITHHEADERSFROM"file:///attributes.csv"ASlineMATCH(entity1:HudongItem{title:line.Entity}),(entity2:NewNode{title:line.Attribute})CREATE(entity1)-[:RELATION{type:line.AttributeName}]->(entity2);LOADCSVWITHHEADERSFROM"file:///attributes.csv"ASlineMATCH(entity1:NewNode{title:line.Entity}),(entity2:NewNode{title:line.Attribute})CREATE(entity1)-[:RELATION{type:line.AttributeName}]->(entity2);LOADCSVWITHHEADERSFROM"file:///attributes.csv"ASlineMATCH(entity1:NewNode{title:line.Entity}),(entity2:HudongItem{title:line.Attribute})CREATE(entity1)-[:RELATION{type:line.AttributeName}]->(entity2)//我们建索引的时候带了label，因此只有使用label时才会使用索引，这里我们的实体有两个label，所以一共做2*2=4次。当然，可以建立全局索引，即对于不同的label使用同一个索引导入气候名称:
将wikidataSpider/weatherData/static_weather_list.csv放在指定的位置(import文件夹下)
//导入节点LOADCSVWITHHEADERSFROM"file:///static_weather_list.csv"ASlineMERGE(:Weather{title:line.title})//添加索引CREATECONSTRAINTON(c:Weather)ASSERTc.titleISUNIQUE导入气候与植物的关系
将wikidataSpider/weatherData/weather_plant.csv放在指定的位置(import文件夹下)//导入hudongItem和新加入节点之间的关系LOADCSVWITHHEADERSFROM"file:///weather_plant.csv"ASlineMATCH(entity1:Weather{title:line.Weather}),(entity2:HudongItem{title:line.Plant})CREATE(entity1)-[:Weather2Plant{type:line.relation}]->(entity2)导入城市的气候将city_weather.csv放在指定的位置(import文件夹下)(这步大约需要15分钟左右)//导入城市对应的气候LOADCSVWITHHEADERSFROM"file:///city_weather.csv"ASlineMATCH(city{title:line.city}),(weather{title:line.weather})CREATE(city)-[:CityWeather{type:line.relation}]->(weather)以上步骤是导入爬取到的关系
2.下载词向量模型：（如果只是为了运行项目，步骤2可以不做，预测结果已经离线处理好了）
3.修改Neo4j用户
进入demo/Model/neo_models.py,修改第9行的neo4j账号密码，改成你自己的
4.启动服务
进入demo目录，然后运行脚本：
sudoshdjango_server_start.sh这样就成功的启动了django。我们进入8000端口主页面，输入文本，即可看到以下命名实体和分词的结果（确保django和neo4j都处于开启状态）
点击实体的超链接，可以跳转到词条页面（词云采用了词向量技术）：
关系查询即查询三元组关系entity1-relation->entity2,分为如下几种情况:
下图所示，是指定关系relation和第二个实体entity2的查询结果
农业知识概览部分，我们能够列出某一农业分类下的词条列表，这些概念以树形结构组织在一起：
农业分类的树形图：
(update2018.04.07)同样的，我们制作了标注关系提取训练集的工具，如下图所示
如果Statement的标签是对的，点击True按钮；否则选择一个关系，或者输入其它关系。若当前句子无法判断，则点击ChangeOne按钮换一条数据。
我们在MongoDB中使用两个Collections，一个是train_data，即未经人工标注的数据；另一个是test_data，即人工标注好的数据。
使用方法:启动neo4j,mongodb之后，进入demo目录，启动django服务，进入127.0.0.1:8000/tagging即可使用
使用thulac工具进行分词，词性标注，命名实体识别（仅人名，地名，机构名）
为了识别农业领域特定实体，我们需要：
-title之间的词向量的余弦相似度(利用fasttext计算的词向量能够避免outofvocabulary)-2组openType之间的词向量的余弦相似度的平均值-相同的baseInfoKey的IDF值之和（因为‘中文名’这种属性贡献应该比较小）-相同baseInfoKey下baseInfoValue相同的个数-预测一个页面时，由于KNN要将该页面和训练集中所有页面进行比较，因此每次预测的复杂度是O(n)，n为训练集规模。在这个过程中，我们可以统计各个分相似度的IDF值，均值，方差，标准差，然后对4个相似度进行标准化:**(x-均值)/方差**-上面四个部分的相似度的加权和为最终的两个页面的相似度，权值由向量weight控制，通过10折叠交叉验证+网格搜索得到3.2Labels：（命名实体的分类）Label
NETags
Example
0
Invalid（不合法）
“色调”，“文化”，“景观”，“条件”，“A”，“234年”（不是具体的实体，或一些脏数据）
1
Person（人物，职位）
“袁隆平”，“副市长”
2
Location（地点，区域）
“福建省”，“三明市”，“大明湖”
3
Organization（机构，会议）
“华东师范大学”，“上海市农业委员会”
4
Politicaleconomy（政治经济名词）
“惠农补贴”，“基本建设投资”
5
Animal（动物学名词，包括畜牧类，爬行类，鸟类，鱼类，等）
“绵羊”，“淡水鱼”，“麻雀”
6
Plant（植物学名词，包括水果，蔬菜，谷物，草药，菌类，植物器官，其他植物）
“苹果”，“小麦”，“生菜”
7
Chemicals（化学名词，包括肥料，农药，杀菌剂，其它化学品，术语等）
“氮”，“氮肥”，“硝酸盐”，“吸湿剂”
8
Climate（气候，季节）
“夏天”，“干旱”
9
Fooditems（动植物产品）
“奶酪”，“牛奶”，“羊毛”，“面粉”
10
Diseases（动植物疾病）
“褐腐病”，“晚疫病”
11
NaturalDisaster（自然灾害）
“地震”，“洪水”，“饥荒”
12
Nutrients（营养素，包括脂肪，矿物质，维生素，碳水化合物等）
“维生素A”，"钙"
13
“染色体”，“血红蛋白”，“肾脏”，“大肠杆菌”
14
Agriculturalimplements（农机具，一般指机械或物理设施）
“收割机”，“渔网”
15
“延后栽培"，“卫生防疫”，“扦插”
16
other（除上面类别之外的其它名词实体，可以与农业无关但必须是实体）
“加速度"，“cpu”，“计算机”，“爱鸟周”，“人民币”，“《本草纲目》”，“花岗岩”
使用远程监督方法构建数据集，利用tensorflow训练PCNN模型
农业知识图谱关系抽取
处理数据集，得到关系抽取需要用到的json文件
步骤:
得到的rel2id.json,word2vec.json,entity2id.json,train_dataset.json和test_dataset.json为关系提取算法所需的数据，将其放在algorithm的data/agriculture目录下