将计算机毕业设计, 做成知识图谱(Neo4j), 再加上大语言模型LLM，以及图检索增强技术, 用于考研院校推荐、分数线预测, 还有智能问答系统, 并且包含源码、文档、PPT以及讲解的内容。

项目简介

有一套名为“研途智析”的研招信息分析与个性化推荐系统, 它是面向考研用户的, 也是面向数据管理员及研究人员的。该系统把 Neo4j 知识图谱、检索增强生成、用户行为建模、可解释推荐以及时间序列预测结合到一起, 以 MySQL 当中的结构化研招数据与官方招生文档作为事实基础, 从而为用户给予从信息查询一直到择校决策的一体化服务。

系统整体运用研招信息门户样式的网页设计, 并非传统后台工作台那种风格。普通用户能够筛选院校与专业, 能查看院校具体详情, 能生成“冲刺—稳妥—保底”这种推荐方案, 能预测未来发展趋向, 可探索知识图谱, 还能借助连续对话获取带有可追溯证据的回应。管理员能够维护核心业务数据, 能管理用户权限, 能审核招生事实以及专业映射, 能查看采集和模型调用记录。

建设背景

考研信息常常分散于教育主管部门方面, 以及研招网那里, 还有各招生单位网站之中, 有着数据格式并非统一的状况, 存在更新时间不一样的情形, 有着历史信息难以关联起来的问题, 存在普通关键词检索语义不够充足的情况。传统择校工具很容易只是给出结果, 缺少数据方面的依据, 缺少风险说明, 缺少信息来源。

本项目重点解决以下问题：

把院校、专业、地区、分数线、招生政策以及文档证据进行统一组织, 在一个业务数据库里维护可信事实, 从而降低因多数据库并行维 护而造成的数据冲突, 借助图结构来表达院校、专业、地区、文档与招生事实之间的复杂关系, 结合个人成绩、 偏好以及历史行为生成具有可解释性的个性化推荐, 运用带回测和区间的预测结果去表达趋势与不确定性, 使大语言模型严格依照检索证据来回答, 并且支持连续问答以及证据追溯, 这就是建设目标。

项目创新点1 单一事实源与可重建知识图谱

系统并未将 MySQL 以及 Neo4j 设计成彼此进行竞争的两套业务数据库, MySQL 用以保存权威事实, Neo4j 作为能够重建关系投影, 这般的方案既留存了图数据库的关联检索能力, 又减小了多源数据不一致还有跨设备迁移的难度。

2 结构化数据、文档与图谱的混合

普通RAG主要依靠文档相似度, 本项目会同时检索结构化事实, 还会检索官方文档切片以及图谱邻域, 对于“某院校某专业近年分数、地区关系、政策依据”这种组合问题, 系统能够从不同数据形态补充上下文。

3 回答与知识图谱共用证据链

不仅AI回答的证据弹窗会展示原文片段, 还会展示跟回答实体相关的图谱子图。用户能够从自然语言结论开始回溯到文档, 回溯到字段, 回溯到院校, 回溯到专业及其关系, 以此来提高结果透明度。

4 行为感知且可解释的个性化推荐

系统于稳定规则模型之上, 融合带有时间衰减特性的用户行为, 且保留冷启动回退机制。推荐结果对成绩分差、偏好命中、历史趋势、风险以及数据质量予以同步解释, 并非将复杂度隐匿于单一得分之内。

5 带滚动回测的多模型预测

并非固定运用一条直线去外推进行预测, 而是于每个目标之上, 运用滚动回测去比较多种轻量趋势算法, 接着挑选误差较低的模型。结果会同时给出预测区间、历史样本量以及模型说明, 以免仅仅展示看似精确的单点数字。

6 人机协同的数据治理

招生事实、专业映射, 经规则或者大模型抽取后, 先进入候选区, 要由管理员审核了, 才可以服务于推荐, 以及图谱。这种准入门禁适于政策性强、时效性强, 并且错误成本较高的研招场景。

7 面向论文研究的实验闭环

系统内部设置了, 四模式测评推、荐历史回溯测试以及特征消融, 把逐题或者逐样本的结果保存下来, 并且防止时间出现泄漏状况。此项目不但能够对业务界面进行展示, 还能够为论文实验的章节准备完全可以重现的数据基准了标点。

运行截图