基于 Neo4j 的《最优化理论与方法》课程知识图谱

本项目将《最优化理论与方法》课程中的章节、核心概念、优化方法、定理、问题类型和人工智能应用场景整理成知识三元组，使用 Neo4j 存储，并通过 Streamlit 提供中文交互式可视化界面。

项目功能

• 从 CSV 文件重复初始化 Neo4j 图谱数据
• 展示课程知识图谱总览并按类型区分节点颜色
• 查询“梯度下降法”“KKT 条件”“ADMM”等知识点的一跳邻居
• 查询从基础概念到目标知识点的前置学习路径
• 查询“神经网络训练”“图像重建”等应用场景关联的优化知识
• 展示可直接用于 Neo4j Browser 演示的 Cypher 查询
• 在 Neo4j 未启动或配置有误时显示中文错误提示

技术栈

• 图数据库：Neo4j
• 后端与数据导入：Python、Neo4j 官方 Python Driver
• 前端：Streamlit
• 图谱可视化：PyVis
• 数据组织：CSV、python-dotenv

图谱设计

节点类型包括：

类型	含义	示例
Course	课程	最优化理论与方法
Chapter	章节	凸集与凸函数
Concept	核心概念	梯度、拉格朗日函数
Method	优化方法	梯度下降法、ADMM
Theorem	定理或条件	强对偶、KKT 条件
Problem	优化问题类型	凸优化问题、稀疏优化问题
Application	应用场景	神经网络训练、图像重建

关系类型包括：

类型	含义	示例
CONTAINS	包含	课程包含章节
BELONGS_TO	属于	知识点属于章节
PREREQUISITE_OF	前置知识	增广拉格朗日函数是 ADMM 的前置知识
USED_FOR	用于	梯度下降法用于神经网络训练
SOLVES	求解	近端梯度法求解稀疏优化问题
RELATED_TO	相关	强对偶与 KKT 条件相关
BASED_ON	基于	牛顿法基于 Hessian 矩阵
DERIVES	推出	拉格朗日函数推出对偶问题

项目结构

optimization-knowledge-graph/
├── README.md
├── LICENSE
├── requirements.txt
├── .env.example
├── .gitignore
├── app.py
├── scripts/
│   └── init_graph.py
├── src/
│   ├── __init__.py
│   ├── neo4j_client.py
│   ├── graph_queries.py
│   └── visualization.py
└── data/
    ├── nodes.csv
    └── relationships.csv

运行步骤

1. 安装并启动 Neo4j

方式一：使用 Neo4j Desktop。

1. 安装 Neo4j Desktop。
2. 新建本地数据库，设置密码并启动数据库。
3. 默认 Bolt 地址通常是 bolt://localhost:7687。

方式二：使用 Docker。

docker run --name optimization-neo4j \
  -p 7474:7474 -p 7687:7687 \
  -e NEO4J_AUTH=neo4j/your_password \
  -d neo4j:5

Neo4j Browser 地址为 http://localhost:7474。

2. 创建 Python 环境并安装依赖

建议使用 Python 3.10 或更高版本。

cd optimization-knowledge-graph
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Windows PowerShell 激活虚拟环境的命令为：

.venv\Scripts\Activate.ps1

3. 配置 Neo4j 连接

复制示例配置：

cp .env.example .env

编辑 .env，填入自己的 Neo4j 密码：

NEO4J_URI=bolt://localhost:7687
NEO4J_USER=neo4j
NEO4J_PASSWORD=your_password

如果使用 Neo4j Aura，请使用实例下载文件中的连接信息：

NEO4J_URI=neo4j+s://your-instance-id.databases.neo4j.io
NEO4J_USER=your_username
NEO4J_PASSWORD=your_password
NEO4J_DATABASE=your_database
# 本机代理无法转发 Bolt 协议时添加：
# NEO4J_FORCE_HTTPS=true

项目默认使用 Neo4j 官方 Python Driver。如果本机代理无法转发 Bolt 协议，程序会自动回退到 Aura HTTPS Query API。也可以配置 NEO4J_FORCE_HTTPS=true 跳过 Bolt 连接探测。

4. 初始化图谱数据

python scripts/init_graph.py

脚本会先清空当前数据库中的旧数据，再读取 data/nodes.csv 和 data/relationships.csv 导入预置图谱。脚本可以重复运行。

注意：初始化脚本会执行 MATCH (n) DETACH DELETE n。请使用专门为本课程项目创建的数据库，不要对存有其他数据的 Neo4j 数据库运行此脚本。

5. 启动前端

streamlit run app.py

浏览器通常会自动打开 http://localhost:8501。

CSV 数据格式

data/nodes.csv 保存节点：

id,name,label,description
method_admm,ADMM,Method,交替方向乘子法，适合求解具有可分结构的凸优化问题。

data/relationships.csv 保存关系：

source,target,type,description
concept_aug_lagrangian,method_admm,PREREQUISITE_OF,增广拉格朗日函数是 ADMM 的前置知识

增加课程内容时，只需要补充 CSV 文件并重新运行初始化脚本。

示例 Cypher 查询

查询部分图谱：

MATCH (n)-[r]->(m) RETURN n, r, m LIMIT 100

查询某个知识点的一跳关系：

MATCH (n {name: "梯度下降法"})-[r]-(m) RETURN n, r, m

查询 ADMM 的前置知识路径：

MATCH path=(pre)-[:PREREQUISITE_OF*1..4]->(target {name: "ADMM"})
RETURN path

查询用于神经网络训练的优化方法：

MATCH (m)-[:USED_FOR]->(a {name: "神经网络训练"})
RETURN m, a

查询凸优化问题的理论基础：

MATCH (p {name: "凸优化问题"})-[:BASED_ON]->(basis)
RETURN p, basis

常见问题

页面提示无法连接 Neo4j

确认 Neo4j 已经启动，并检查 .env 中的地址、用户名和密码。修改 .env 后请重新启动 Streamlit。

页面连接成功但图谱为空

运行：

python scripts/init_graph.py

然后刷新浏览器页面。

开源许可

本项目使用 MIT License 开源，详见 LICENSE。