证券知识检索系统的实现(全栈)

大概实现思路如下：

1. 通过Tushare等第三方渠道或Scrapy爬取所需要的股票信息，存在数据库中。
2. 通过kafka-canal监控mysql的log，实时更新neo4j内的数据。
3. 使用Django rest Framework生成微服务，提供api。
4. 使用Vue搭建简单的前端，调取api以获得信息。

下面来看下具体的实现细节：

1.数据初次采集

通过Tushare等第三方渠道获取信息
(部分代码)

from py2neo import Node, Relationship, Graph
import tushare as ts
from sqlalchemy import create_engine
import pymysql
pymysql.install_as_MySQLdb()
from pandas import DataFrame

# TODO:获取上市公式的行业、概念、地域信息

# 行业
industry = ts.get_industry_classified()  
# 概念
concept = ts.get_concept_classified()
# 地域
area = ts.get_area_classified()

插入neo4j

# 创建Company所属行业

industry_set = set()
for row in industry.itertuples():
    code = row[1]
    name = row[2]
    c_name = row[3]
    # 创建Company节点
    company_node = Node('Company',code=code, name=name)
    graph.create(company_node)
    # 创建Industry节点
    if c_name not in industry_set:
        industry_set.add(c_name)
        industry_node = Node('Industry',c_name=c_name)
        graph.create(industry_node)
    # 创建INDUSTRY_OF关系
    crate_industry_rls_cql = 'match (c:Company{code:"'+code+'"}),(i:Industry{c_name:"'+c_name+'"}) create (c)-[:INDUSTRY_OF]->(i)'
    graph.run(crate_industry_rls_cql)

存储如下：

通过同花顺等平台爬取股票的基础数据,例如这个。
将需要做关系抽取等操作的数据存入Neo4j,将只需要做简单查询的数据存入mysql。

2.数据的持续更新

之前博客分享过kafka相关的配置方法，有兴趣的同学可以查看这里。
使用kafka-canal监控mysql的log文件，数据有更新时，使用neo4j-java-driver更新neo4j内的信息。

3.数据清洗

类似于股价这样的信息，我们可以直接保存。但是像新闻文章类似的数据，因为是非结构化文本，我们要将文章与股票进行关联的操作之前，要做一些数据清洗的步骤。对文本预处理感兴趣的同学，可以看这里。
不进行清洗的文本可能是长成这样:

清洗完会变成这样：

当然，要进行向量化处理的时候，我们需要去除停用词，标点符号以及更多无意义的内容。
本项目主要使用了jieba、pyltp等库对文章进行分词、命名实体识别等操作。

4.问题及规则建立

我们可以建立如下的问题模板

以及一些答案模板

5.Django生成微服务

我们将上一步骤所有的问题，进行分词，然后使用tf-idf转成向量矩阵。

def vecMatrix(data):
    """
    :param data: data Matrix(DataFrame)
    :return:
    vectorizer: vector model
    X: vector matrix
    """
    new_data = []
    for q in data:
        q = word_segmentation(q)
        new_data.append(q)
    vectorizer = TfidfVectorizer()
    X = vectorizer.fit_transform(new_data)
    return vectorizer, X


sql = 'select ques,rule_id from question_lib'
data = read_mysql(sql)
ques_list = data['ques']
ruleId_list = data['rule_id']
vectorizer, X = vecMatrix(ques_list)

当拿到一个新的问题时，由vectorizer去计算句子的向量，遍历矩阵寻找最高相似度，然后拿到对应问题的index，通过index去查询对应的答案模板ruleId。

question_new = word_segmentation(question)
answer_vec = vectorizer.transform([question_new])
idx = cosine_similarity(answer_vec, X)[0]
top_idxs = np.argsort(idx)
ruleId = ruleId_list[top_idxs[-1]]

通过ruleId拿到答案模板，然后使用封装好的方法，将变量替换为真实值。
例如:“贵州茅台属于什么行业?”或“600519属于什么行业”
会找到问题模板:"__COM属于什么行业"或"__CODE属于什么行业"
然后得到答案模板:"__COM属于__INDUSTRY"
通过关键信息去neo4j里进行查询

cypher = "match (c:Company)-[:INDUSTRY_OF]->(i:Industry) where c.name = '" + com_name + "' return i.c_name"
industry = graph.run(cypher).data()

拿到结果，然后替换字符变成:“贵州茅台属于酿酒行业”

以上是提问的api的处理方式，换成查看新闻之类的api，一个简单的news_id查询结果即可。

6. 前端搭建

最后，使用Vue搭建一个简单的前端页面，使用axios调用对应的api，就实现啦~

项目的难点在于数据的梳理，和后端代码的实现结构，我也只是做了简单的实现，整个项目还有很多地方可以优化，例如：

1. 数据更精确的实时获取
2. 更好的存储方式，例如矩阵放在Redis中，或结构化信息放在MongoDB中等
3. 问题的规则和类型完善
4. 实现多轮对话
5. UI的优化

有问题的同学可以在博客下方留言，谢谢~