企业官网建设流程全解析

简介：基于知识图谱的心理咨询智能问答系统是一套完整的Python毕设项目源码包，面向计算机相关专业学生及NLP、知识图谱方向实战学习者，适用于毕业设计、课程设计、期末大作业等场景。包内共2000个文件，以1804个py源码文件为核心，辅以73个txt说明文档、60个pyc编译文件以及html/css/json/xml等前端与配置资源，整体压缩包约34.85MB，结构清晰便于按模块查阅。项目聚焦心理咨询领域的智能问答，借助知识图谱组织数据，Cypher查询语句用于完成语义匹配与答案检索，代码中同时包含前端页面、后端接口与pyc预编译模块，能够支撑完整的演示流程。配套说明文档对系统架构、环境配置、运行步骤和代码模块做了拆解，项目经本地验证可直接启动，便于快速上手与二次拓展。目前已有932人学习下载，需要快速搭建可演示系统或了解高分毕设设计思路的读者可重点关注。

1. 基于知识图谱的心理咨询智能问答系统：Python 源码里的模块边界与可复用底子

这套基于知识图谱的心理咨询智能问答系统，是典型的把 Neo4j 图数据库和 Python 问答逻辑串起来的毕设项目。它不靠大模型硬聊，而是把心理咨询领域常见的“失眠、焦虑、抑郁情绪、疗法、量表”整理成实体和关系，用户提问后先做意图识别、实体抽取，再映射成 Cypher 查询，从图里拿回答案。适合正在准备毕业设计、课程设计或期末大作业的计算机专业学生，尤其适合想证明自己“能用图数据库做点事”的人。拆包后你会发现它同时包含源码、前端页面样式和项目说明文档，压缩包里还混着几个 Python 扩展的 C 头文件——那是打包时误收进来的，不影响运行，我在第 5 章专门讲怎么处理。接下来按“跑起来 → 图谱怎么建 → 问答怎么答 → 坑在哪 → 怎么加分”的顺序拆。

2. 把项目从压缩包跑成可问答服务：环境选型、目录识别与启动步骤

2.1 解压后先看清目录，别急着装依赖

拿到压缩包第一件事不是 pip install，而是先翻目录。这个项目解压后会出现几个容易让人误判的东西：.py源码文件、.html/.css前端页面、.cypher图谱导入脚本、项目说明文档，还有一堆PyWinTypes.h、PythonCOM.h、_cffi_include.h之类的文件。

先说结论：styles.css和main.css是前端问答页面的样式文件，说明这个系统带 Web 交互界面，不是纯命令行跑完就结束的脚本。movies.cypher是 Neo4j 官方电影示例数据文件，很多心理咨询项目拿它做连通性测试——先导入它验证 Neo4j 通了，再去导入真正的咨询数据。至于PyWinTypes.h这些 C 头文件，是 Windows 上 pywin32 库的头文件，被打包工具误收进来的，直接忽略或删掉，跟项目运行没有任何关系。

建议在项目根目录先看一下目录结构再动手：

# Windows 下用 tree 命令看目录树 tree /F # Linux/macOS 下用 find 看所有文件 find . -maxdepth 2 -type f

我一般会重点找三类文件：requirements.txt（依赖清单）、项目说明文档（启动步骤）、入口py文件（常见命名是app.py、main.py、run.py）。这一步的作用是建立“这个项目需要什么、从哪里启动才能跑起来”的地图，避免后面启动报错时像无头苍蝇。

2.2 Python 环境与 Neo4j 依赖安装的选型理由

这类项目技术栈基本是：Flask或Django做 Web 接口，py2neo或官方neo4j驱动连接图数据库，jieba做中文分词。选型上有个常见分歧：用py2neo还是官方驱动。

我的建议是：项目源码里原来用什么就用什么，别中途换。py2neo在 4.x 时代支持用NodeMatcher把查询结果映射成 Python 对象，写起来很顺手，但新版本接口变动较大；官方neo4j驱动只返回字典和列表，代码要自己拼查询结果。这个项目既然把py2neo的调用写进了源码，你就配套安装对应版本，最省事。安装步骤：

# 创建虚拟环境（Python 3.8~3.11 都可以） python -m venv venv # Windows 激活 venv\Scripts\activate # macOS/Linux 激活 source venv/bin/activate # 安装依赖 pip install -r requirements.txt # 如果 requirements 里没有 jieba，逐个补装 pip install flask jieba py2neo

如果 requirements.txt 里的版本号和当前 Python 不兼容，常见做法是用pip install py2neo==2021.2.3这类指定版本去装。参数说明：-r表示按文件批量安装依赖，它会帮你解析依赖关系；手动补装时建议一个一个装，方便定位是哪个包把环境搞坏的。

Neo4j 这边，先确认本机有没有装数据库，没装就从官网下社区版，4.x 或 5.x 都行。社区版免费，单机跑毕设完全够用。启动后默认端口是7474（浏览器管理界面）和7687（Bolt 驱动连接），首次登录账号neo4j，密码是安装时设置的。项目源码里通常硬编码了连接串，最常见的是http://localhost:7474加认证信息neo4j/123456。这一步最容易翻车，第 5 章会详细说。

2.3 首次启动的完整流程与验证方法

依赖装完、Neo4j 起来之后，不要直接跑主程序。先把数据导进去，否则前端页面能打开，一问问题就返回空结果，排查起来很浪费时间。常见启动顺序分三步。

第一步，确认 Neo4j 能连上：

# 在项目根目录用一个临时脚本测试连接 python -c " from py2neo import Graph g = Graph('http://localhost:7474', auth=('neo4j', '123456')) print(g.run('RETURN 1 AS ok').data()) "

能打印出[{'ok': 1}]就说明连接正常。如果这里报unauthorized，就是密码不对，去改项目里的连接串，或者把 Neo4j 用户密码重置成代码里的那个。

第二步，导入图谱数据。如果项目里提供了movies.cypher，可以先用它做连通冒烟测试；真正的咨询数据一般在另一个.cypher文件里，或者在data/目录下的 CSV 里。导入命令在项目说明文档里会写，比较常见的做法是用 Neo4j 自带脚本直接执行：

# 在 Neo4j 安装目录下执行（路径按实际安装位置改） bin/neo4j-admin database import ... # 生产环境用的批量导入

但更多时候，毕设项目是用 Python 循环执行 Cypher 文件里的语句来导入的，这种方式对数据量不大的心理咨询图谱更简单可控。这一步完成后，可以用浏览器打开http://localhost:7474，在查询框里跑MATCH (n) RETURN count(n)，看到节点数量非零就说明图谱建成了。

第三步，启动 Web 服务：

python app.py

启动后终端会显示监听地址，通常是http://127.0.0.1:5000或8000。用浏览器打开，输入“最近总是失眠怎么办”，如果能返回“建议先做睡眠卫生调整，必要时结合认知行为疗法”这类答案，就说明整条链路已经通了。第一次跑通这个流程大概需要 20 分钟，其中 80% 的时间花在环境配置上，真正跑代码很快。

3. 知识图谱构建实战：症状、疗法、量表与应对建议四类实体的建模与 Cypher 导入

3.1 心理咨询领域的图谱模型：四类实体、五条关系怎么定

知识图谱的核心不是代码，而是本体设计。心理咨询场景下，用户问的问题集中在“我有什么问题、怎么缓解、要不要做量表、哪种疗法适合我”。围绕这三类诉求，我建议把实体分成四类：症状（Symptom）、疗法（Therapy）、量表（Scale）、应对建议（Advice）。

实体定好之后，关系要能回答真实问题。常见的关系设计如下：

举个例子：用户问“焦虑到睡不着怎么办”，系统先识别实体“焦虑”“失眠”，然后沿着焦虑 -[:TREATS]-> 认知行为疗法、失眠 -[:RELIEVES]-> 睡前呼吸练习这两条路径把答案取回来。关系的方向性很重要，SUITABLE_FOR和EVALUATES是反向的，建模时定义好一个方向，后续查询模板就不会写乱。

实体与关系的定义最好先写在项目文档里，建议用一张表格把每个实体的属性列清楚。比如症状实体有name（名称）、category（情绪/睡眠/人际）、level（轻度/中度/重度）；疗法有name、description、session_count（建议次数）。属性不用贪多，够问答用就行，加太多反而让数据导入变得繁琐。

3.2 数据导入：从 Cypher 脚本到 Python 批量执行的两条路径

项目里真正的咨询数据通常以两种形态存在：一种是写好的.cypher文件，里面是一连串CREATE语句；另一种是 CSV 文件，需要配合LOAD CSV导入。.cypher文件最大的坑是分号切分。一个 Cypher 文件可能包含几百条语句，用;切分最简单，但如果数据里（比如疗法描述的字符串里）含有分号，就会切错。所以我拆项目时习惯写一个 Python 导入脚本，逐条执行，失败也不中断：

import time from py2neo import Graph # 连接 Neo4j，端口 7474 是 HTTP，7687 是 Bolt graph = Graph("http://localhost:7474", auth=("neo4j", "123456")) def import_cypher_file(file_path: str, batch_size: int = 50): with open(file_path, "r", encoding="utf-8") as f: content = f.read() # 按分号粗切，再把空语句过滤掉 statements = [stmt.strip() for stmt in content.split(";") if stmt.strip()] total = 0 for idx, stmt in enumerate(statements): try: graph.run(stmt) total += 1 except Exception as e: # 遇到出错语句先打印，不中断整个导入过程 print(f"[跳过] 第{idx + 1}条语句出错: {e}") print(f" 语句片段: {stmt[:80]}") time.sleep(0.2) # 慢下来，避免本地库瞬时压力过大 print(f"导入完成，成功执行 {total} / {len(statements)} 条") if __name__ == "__main__": import_cypher_file("data/psychology_data.cypher")

这段代码的核心逻辑是“逐条执行、失败跳过、打印日志”。参数说明：batch_size参数留了接口，但本地毕设数据量不大，一般用不到；time.sleep(0.2)是为了防止连续快速执行导致本地 Neo4j 资源占用飙高，这个在数据量几千条时无所谓，上万条时能明显降低卡顿概率。

如果项目给的是 CSV 文件，就更推荐用 Neo4j 自带的LOAD CSV，性能比在 Python 里逐条拼 Cypher 好得多：

LOAD CSV WITH HEADERS FROM 'file:///symptom.csv' AS row CREATE (s:Symptom { name: row.name, category: row.category, level: row.level });

注意file:///指向的是 Neo4j 的import目录，默认在安装目录下的import/文件夹里，不是项目根目录。我经常看到有人把 CSV 放在项目目录里，然后写file:///symptom.csv报错找不到文件，实际上要放到 Neo4j 的 import 目录，或者用绝对路径导入。这是新手最容易卡住的地方。

3.3 图谱建完先验证再进问答：三个查询看健壮性

数据导完后先别急着启动问答，花五分钟验证图谱质量。验证分三层：数量层、连通层、路径层。

数量层，确认四大类实体都有数据：

MATCH (n) RETURN labels(n) AS type, count(*) AS cnt;

如果某一类实体数量为 0，说明导入语句缺了对应的CREATE，或者 CSV 里该类实体数据为空，回去查导入日志。

连通层，看关系是否真的建起来了。最容易出现的情况是：节点导入了但关系全部缺失，导致问答返回空。跑一条：

MATCH (:Symptom)-[r]->(:Therapy) RETURN count(r) AS relation_cnt;

路径层，模拟一条真实问答路径。比如用户问“失眠有什么疗法”，要走Symptom(name='失眠') -[:TREATS]-> Therapy：

MATCH (s:Symptom {name: '失眠'})-[:TREATS]->(t:Therapy) RETURN s.name AS symptom, t.name AS therapy, t.description AS desc;

这条查询能返回出结果，说明实体属性名、关系方向、节点标签都匹配上了。如果这里返回空，问题基本出在关系方向上——比如数据里建的是(Therapy)-[:TREATS]->(Symptom)，而查询写的方向相反。Cypher 的关系是方向敏感的，箭头方向不一致就查不到。

4. 问答链路拆解：意图识别、实体抽取与查询模板的参数化实现

4.1 先把用户问题拆成三层：意图、实体、槽位

页面跑起来之后，核心的大头就是问答模块。毕设级问答系统不需要上深度学习模型，用“意图识别 + 实体抽取 + 模板映射”三层结构就能把正确率做得很像样。

第一层意图识别，判断用户是“要建议”“要评估”还是“问疗法”。第二层实体抽取，从问题里找出图谱中存在的节点名称，比如“失眠”“焦虑”“认知行为疗法”。第三层槽位映射，把“意图 + 实体”组合成一条 Cypher 查询模板，把实体值填进去，执行查询，拿到答案。这样拆的好处是每一层都能单独调试：意图识别错了去改关键词表，实体抽错了去改词典，不用牵扯其他模块。

项目中常见的做法是用正则加关键词权重来定意图。问题是短句，关键词命中越多，意图置信度越高。

4.2 基于关键词与 jieba 词典的实体抽取实现

实体抽取是整个问答链路里最依赖工程细节的一步。jieba 默认词典对“认知行为疗法”“社交焦虑”这类心理咨询专业词识别很差，会把它们切成“认知/行为/疗法”三个词。解决办法是加载自定义词典，把症状、疗法、量表名全部录入词典，并指定词频。自定义词典格式是每行“词 词频 词性”，词频给个 100 以上就能确保 jieba 优先识别为整词。

import jieba # 加载自定义词典，路径按项目实际位置调整 jieba.load_userdict("data/psycho_words.txt") jieba.add_word("认知行为疗法", freq=200, tag="nt") jieba.add_word("社交焦虑", freq=200, tag="n") def extract_entities(text: str, entity_labels: list) -> dict: """ 从问题文本中抽取实体，返回 {实体类型: [实体名列表]} entity_labels 例如 ['Symptom', 'Therapy', 'Scale'] """ # 精确模式下把问题切成词序列 words = [w for w in jieba.cut(text) if w.strip()] matched = {} for word in words: for label in entity_labels: # 关键：用参数化查询防止 Cypher 注入，同时也避免特殊字符破坏语法 cypher = f"MATCH (n:{label}) WHERE n.name = $name RETURN n LIMIT 1" result = graph.run(cypher, {"name": word}).data() if result: matched.setdefault(label, []).append(word) return matched

逻辑说明：对问题文本逐词跑一遍图谱查询，只有词确实存在知识图谱中才被记为实体，这能有效过滤掉 jieba 切出来的无效词。参数说明：f"MATCH (n:{label})"中{label}是实体类型名，图数据库的标签不能参数化，只能字符串拼接，但标签名在代码里是写死的，不会受用户输入影响；$name是参数占位符，通过{"name": word}传值，这样用户输入里的引号、空格、特殊字符都不会破坏 Query 结构——这一点是我调试时踩了最久的坑，后面避坑章节会展开。

4.3 查询模板设计：把“意图+实体”翻译成 Cypher

实体抽出来了，下一步是查答案。查询模板的写法直接影响系统的可维护性。我见过不少毕设项目把 Cypher 语句写成一大串字符串拼接，实体一多就乱成一团。更清晰的做法是给每个意图写一个独立模板函数，模板里只留一个实体位。

下面这个实现仅供参考，模板按项目实际字段调整。

INTENT_TEMPLATES = { "咨询建议": """ MATCH (s:Symptom)-[:RELIEVES]->(a:Advice) WHERE s.name = $entity RETURN a.name AS advice, a.detail AS detail """, "症状评估": """ MATCH (s:Symptom)-[:SUITABLE_FOR]->(sc:Scale) WHERE s.name = $entity RETURN sc.name AS scale, sc.description AS desc """, "疗法介绍": """ MATCH (s:Symptom)-[:TREATS]->(t:Therapy) WHERE s.name = $entity RETURN t.name AS therapy, t.description AS desc """, } def answer_question(intent: str, entities: dict) -> str: if intent not in INTENT_TEMPLATES: return "我还没学会回答这个问题，建议换个说法试试。" # 优先使用症状实体作为查询入口；没有症状实体则用其他类型实体兜底 entity_name = entities.get("Symptom", [None])[0] if not entity_name: for values in entities.values(): if values: entity_name = values[0] break if not entity_name: return "我没能从你的描述中识别出具体问题关键词。" cypher = INTENT_TEMPLATES[intent] result = graph.run(cypher, {"entity": entity_name}).data() if not result: return "图谱里有这个关键词，但还没有关联答案，人工补充中。" # 取第一条结果拼答案，字段名要与 RETURN 的别名一致 first = result[0] response = [] for key, value in first.items(): response.append(f"{key}: {value}") return "；".join(response)

这段代码的工作逻辑是：先在结果列表里找 Symptom 类型的实体，因为用户问“失眠怎么办”时，问题核心是症状；如果问题里只有疗法词，比如“认知行为疗法是什么”，就改用其他类型实体做入口。参数说明：$entity是唯一的查询参数，所有模板里的实体名都通过它传入，模板本身不含用户数据，从源头杜绝了拼接导致的语法错误。

这个三层结构最大的好处是，当某类问题答不对时，你只需要定位到对应的模板或词典，不用重写整个问答模块。比如发现“量表推荐”意图老是不能触发，直接看关键词表里有没有“自测、测评、测试”这些词；发现“失眠”老是识别成“睡眠”，去psycho_words.txt里加一个“失眠 200 n”即可。

4.4 兜底逻辑：意图没识别到、实体没抽全时给什么答案

问答系统一定会遇到“模型没覆盖到”的问题。毕设答辩时，如果评委问“用户随便说句话系统怎么反应”，你至少要有兜底应答。这个项目里常见的做法是分层兜底：

第一层，意图没有命中任何模式，返回“我还在学习中，试试换个说法”，同时把问题记录到日志表里；第二层，意图命中了但实体抽不出来，可能是自定义词典缺词，返回引导性提示“请把问题说具体一些，比如提到症状名称”；第三层，意图和实体都对，但图谱查询结果为空，说明数据缺失，返回“这个方向的知识还在整理中”。

三层兜底的价值在于，它把“系统没答上”从黑匣子变成可见的日志。答辩老师问“你的系统有什么不足”，你可以直接打开日志说：这几条问题是没覆盖到的，原因是词典缺词，下一步把新词加进词典就行。这个答案比“系统还在完善”有说服力得多。

5. 避坑记录：认证失败、中文乱码与打包残留的五次翻车复盘

5.1 Neo4j 认证失败：unauthorized报错，代码和数据全白搭

现象：启动项目后一执行查询，终端报The client is unauthorized due to authentication failure，网页上问答结果一直是空白。

原因：代码里写死的连接密码123456和本地 Neo4j 实际密码不一致。很多毕设项目把默认密码写死在源码里，而你本机装 Neo4j 时可能设了其他密码。

解决：两种方案任选。要么把 Neo4j 密码通过neo4j用户登录后改成123456；要么把项目里所有auth=("neo4j", "123456")替换成你自己的密码。我习惯用全局搜索替换：

# 在项目根目录搜索所有硬编码的认证信息 grep -r "neo4j" --include="*.py" -n .

把所有auth=('neo4j', 'xxx')统一改一致，比来回改数据库密码省事。

5.2.cypher导入脚本跑一半报错，分号切分把语句切碎了

现象：按分号切分脚本逐条执行时，中间某条语句出错，后面的全被跳过，图谱数据缺了一大半。

原因：Cypher 文件的字符串值里含有分号。比如某个疗法的描述写的是“先做放松训练；再做认知调整；最后家庭作业”，这个分词把一条完整的CREATE语句拦腰切断，后半段成了非法语句。

解决：不要在 Python 里用简单的split(";")处理 Cypher 文件。要么保证数据文件里的字符串不含分号，要么改用 Neo4j 命令行工具直接执行整个文件：

# 进入 Neo4j 的 bin 目录，执行 cypher-shell 跑完整脚本 bin/cypher-shell -a bolt://localhost:7687 -u neo4j -p 123456 -f data/psychology_data.cypher

cypher-shell用 Bolt 协议连接，格式要求更严格，但能完整执行整个文件并在出错时给出准确行号。毕设数据量不大，直接用这个方式最省心。

5.3 CSV 导入后中文变问号和乱码

现象：用LOAD CSV导入中文名后，在 Neo4j 浏览器里看到的全是??或锟斤拷之类的乱码。

原因：CSV 文件是 GBK 编码，而 Neo4j 的LOAD CSV默认按 UTF-8 读取。Windows 上用 Excel 保存的 CSV 经常是 GBK。

解决：把 CSV 转成 UTF-8 无 BOM 格式。用 Python 批量转最省事：

with open("symptom.csv", "r", encoding="gbk") as f: content = f.read() with open("symptom_utf8.csv", "w", encoding="utf-8", newline="") as f: f.write(content)

完成后重命名文件，再执行一遍LOAD CSV。注意 Neo4j 里导入的文件路径要指向import目录下的文件，否则即使编码正确也会报文件找不到。

5.4 解压后冒出一堆 C 语言头文件，还以为是项目核心依赖

现象：解压后看到PyWinTypes.h、PythonCOM.h、PythonCOMServer.h、_embedding.h，主目录里又没有说明文档提到这些文件，新手很容易去 pip install 一堆 cffi、pywin32 之类的包。

原因：这是打包的人在 Windows 环境收集依赖时，误把 Python 的 C 扩展头文件一起收进了压缩包，跟项目本体没有关系。

解决：直接删掉或用编辑器忽略这些.h文件。记得把_cffi_include.h、_embedding.h这些_开头的文件也一并忽略。它们既不会被 Python 导入，也不会被项目代码引用。我一开始也纠结过“删错了会不会跑不起来”，后来证实纯属虚惊。

5.5 查询越来越慢，图谱搜索像卡死

现象：前几次问答很快，数据量加了上千条后，一个问题要等 5 秒以上才返回。

原因：Neo4j 里实体名没有建索引，每次查询都做全库扫描。节点数量到几千时，性能下降肉眼可见。

解决：给经常作为查询入口的实体的name属性建索引：

CREATE INDEX symptom_name_index IF NOT EXISTS FOR (n:Symptom) ON (n.name); CREATE INDEX therapy_name_index IF NOT EXISTS FOR (n:Therapy) ON (n.name);

在 Cypher 里，IF NOT EXISTS防止索引重复创建报错。索引建完后同一句查询通常能从几秒降到几十毫秒。这是必做的优化，答辩时如果被问到性能问题，这一手就能成为加分项。

6. 进阶：给问答系统加一层相似度兜底，把正确率再拉高一点

6.1 为什么模板引擎会漏题，以及 TF-IDF 兜底怎么做

模板引擎的硬伤是“没覆盖到的问法直接击穿”。用户问“老是睡不着咋整”，你的模板里只有“怎么办”“怎么缓解”，意图识别就会落空。与其把这套示例逻辑做复杂，不如加一层相似度兜底：准备一份 FAQ 问答对，当模板问答没答案时，用 TF-IDF 计算当前问题与 FAQ 里所有历史问题的相似度，返回最相近的一条答案。

中文场景下，按字符做 2-gram 到 3-gram 切分，比按词切分更稳定，因为用户问法里的同义词、口语化表达太多，词典根本收不全。

from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity def fallback_answer(question, faq_questions, faq_answers, top_k=3): # analyzer="char" 按字符切分，ngram_range=(2,3) 保留“失眠”“怎么办”这类连续字符 vectorizer = TfidfVectorizer(analyzer="char", ngram_range=(2, 3)) # 语料 = 所有历史问题 + 当前问题，当前问题放最后 corpus = faq_questions + [question] tfidf_matrix = vectorizer.fit_transform(corpus) # 取最后一行，即当前问题与所有历史问题的相似度 similarities = cosine_similarity(tfidf_matrix[-1], tfidf_matrix[:-1])[0] ranked = sorted(zip(similarities, faq_answers), key=lambda x: x[0], reverse=True) return ranked[:top_k], similarities

逻辑说明：fit_transform一次完成“学习词表 + 计算向量”，当前问题放最后是为了方便用[-1]切片。参数说明：ngram_range=(2,3)意味着保留 2 连字和 3 连字，比如“失眠怎么办”会被切成“失眠、眠怎、怎么、么办”等片段，这样语序轻微变化、关键词相同的两个句子能算出较高相似度。top_k控制返回几条候选答案，实际使用时建议设 3，默认有 3 个候选可以人工挑。

接入方式很简单：主问答链路结果为None时，调用fallback_answer，相似度阈值比如设 0.4，低于阈值再返回兜底话术。

6.2 把问答日志回灌图谱：小步补知识的闭环

兜底方案回答了问题，但更值钱的是把新问题收集起来，反过来补知识图谱。

做法是在问答接口里加一个日志表，单独记录：用户问题、命中的意图、抽取到的实体、返回的答案来源（模板命中 / FAQ 相似度命中 / 完全未命中）。每周或每次答辩前统计一遍，挑出“完全未命中但用户确实在问心理问题”的记录，把新词补进psycho_words.txt，把新实体或新关系补进图谱数据文件，重新导入。这样项目会越补越准，答辩前补一轮，正确率提升很明显。

从拆分这个项目之后，我养成了一个习惯：拿到任何别人的毕设源码，第一件事永远是先把说明文档和数据文件读一遍，再谈运行——尤其是.cypher文件和requirements.txt，这两个文件的坑直接决定你能不能在 20 分钟内把项目跑起来。这套心理咨询问答系统的底子不复杂，图谱建模和问答模板是主要工作量，把它拆透了，再缝进你自己的课程设计或毕设，改动成本很低。希望帮到你。

本文还有配套的精品资源，点击获取