电影知识图谱和基于模板的问答系统构建

图谱和基于模板的问答系统构建"/>

电影知识图谱和基于模板的问答系统构建

目录

前言

一.知识图谱的构建

二.问答系统的构建

1.数据准备

1.1数据获取

1.2数据处理

1.3数据读入

1.4代码

2.问答系统设计

2.1整体流程

2.2实体识别和问题分类

2.3.问题结果查询

2.4问答模板的匹配

三.优化方向

---

前言

        参考目前网络上开源的医疗问答系统等项目，对基于neo4j的知识图谱构建及基于人为指定模板的问答系统构建进行了整理，笔者对代码进行了较为详尽的注释，供读者参考。

        项目获取：项目代码

---

一.知识图谱的构建

        该知识图谱依托当前主流的图数据库neo4j进行构造。

        可参考基于neo4j的知识图谱构建及Py2neo的使用总结

        打开“建立图谱.py”，运行该文件后，会生成知识图谱，后续的查询操作将会依赖该知识图谱进行。因此应当首先运行该文件，否则所有问题的查询都将失败。

        "person.txt","movie.txt","genre.txt"三个txt文件是通过"建立关键词词表.py"建立的，这里是项目中直接给出，读者也可以尝试自己生成。"person_to_movie.csv"文件则是存放了建立关系时，各实体之间的联系。

#导入CSV进行文件操作，导入py2neo利用python对neo4j进行操作
import csv
from py2neo import Graph,Node,Relationship,NodeMatcher,NodeMatcher
import py2neo#建立本地与neo4j服务器的连接，这里的password输入自己修改的密码，默认是neo4j
g=Graph('http://localhost:7474', user='neo4j', password='neo4j')#修改为自己的文件路径
with open('C:\\Users\\知识图谱的问答系统\\data\\genre.csv','r',encoding='utf-8') as f:#数据集中除了第一行代表属性外，第一列为实体1，第二列为实体2，第三列是两者英文关系，第四列为两者中文关系#reader函数按行读取文件内容，若数据不是按行存储则采用其它方法提取reader=csv.reader(f)for item in reader:#第一行的标签不是实际内容，line_num表示文件的第几行if reader.line_num==1:continue#可以打印当前内容，查看是否正常运行#print("当前行数：",reader.line_num,"当前内容",item)#节点的建立test_node_1=Node("Genre",id=item[0],name=item[1])g.merge(test_node_1, "Genre", "id")#以下都是重复内容
with open('C:\\Users\\知识图谱的问答系统\\data\\movie.csv','r',encoding='utf-8') as f:reader=csv.reader(f)for item in reader:#第一行的标签不是需要的内容，line_num表示文件的第几行if reader.line_num==1:continueprint("当前行数：",reader.line_num,"当前内容",item)test_node_1=Node("Movie",id=item[0],title=item[1],introduction=item[2],rating=item[3],releasedate=item[4])g.merge(test_node_1, "Movie", "id")with open('C:\\Users\\知识图谱的问答系统\\data\\person.csv','r',encoding='utf-8') as f:#数据集除了第一行代表属性外，第一列为实体1，第二列为实体2，第三列是两者英文关系，第四列为两者中文关系reader=csv.reader(f)for item in reader:#第一行的标签不是需要的内容，line_num表示文件的第几行if reader.line_num==1:continueprint("当前行数：",reader.line_num,"当前内容",item)test_node_1=Node("Person",id=item[0],birth=item[1],death=item[2],name=item[3]
,biography=item[4])g.merge(test_node_1, "Person", "id")#关系的构建：
matcher = NodeMatcher(g)
findnode = matcher.match('Person', id='9550').first()
print(findnode)
with open('C:\\Users\\知识图谱的问答系统\\data\\person_to_movie.csv','r',encoding='utf-8') as f:#数据集除了第一行代表属性外，第一列为实体1，第二列为实体2，第三列是两者英文关系，第四列为两者中文关系reader=csv.reader(f)for item in reader:#第一行的标签不是需要的内容，line_num表示文件的第几行if reader.line_num==1:continue#print("当前行数：",reader.line_num,"当前内容",item)#调用first（）返回的才是节点，否则返回的是对应的类对象，不能进行关系的建立#根据各自的id查找到对应的节点，从而构建关系findnode = matcher.match('Person', id=item[0]).first()endnode = matcher.match('Movie', id=item[1]).first()#这里的语句‘饰演’是依据查询的文件而定义的relationships = Relationship(findnode, '饰演', endnode)g.merge(relationships, "", "id")with open('C:\\Users\\知识图谱的问答系统\\data\\movie_to_genre.csv', 'r', encoding='utf-8') as f:#数据集除了第一行代表属性外，第一列为实体1，第二列为实体2，第三列是两者英文关系，第四列为两者中文关系reader=csv.reader(f)for item in reader:#第一行的标签不是咱们需要的内容，line_num表示文件的第几行if reader.line_num==1:continueprint("当前行数：",reader.line_num,"当前内容",item)findnode = matcher.match('Movie', id=item[0]).first()endnode = matcher.match('Genre', id=item[1]).first()relationships = Relationship(findnode, '是', endnode)g.merge(relationships, "", "id")

生成效果如下：

二.问答系统的构建

1.数据准备

1.1数据获取

本项目需要的数据已经以csv文件的形式存放在data中，如果读者有其它数据的需求，可访问

知识图谱数据获取。

1.2数据处理

本现目提供的已经是结构化数据，不需要进行二次处理。

1.3数据读入

通过"建立关键词词表.py"，首先读取项目子目录“data”中的“movie.csv","person.csv","genre.csv"三个数据文件。再分别读出电影名，演员名，电影种类，建立txt文件存入本地，作为该问答系统的词典。项目中已经完成了该步骤，创建了三个txt文件，读者不需要再自己运行该文件。

1.4代码

import csv
with open('/genre.csv', 'r', encoding='utf-8') as f:#数据集除了第一行代表属性外，第一列为实体1，第二列为实体2，第三列是两者英文关系，第四列为两者中文关系l_genre=[]reader=csv.reader(f)for item in reader:#第一行的标签不是咱们需要的内容，line_num表示文件的第几行if reader.line_num==1:continue#print("当前行数：",reader.line_num,"当前内容",item)#只要类别print("当前行数：", reader.line_num, "当前内容", item[1])if item[1] not in l_genre:l_genre.append(item[1])
with open('/movie.csv', 'r', encoding='utf-8') as f:l_movie = []reader=csv.reader(f)for item in reader:#第一行的标签不是咱们需要的内容，line_num表示文件的第几行if reader.line_num==1:continue#print("当前行数：",reader.line_num,"当前内容",item)#只要电影名字print("当前行数：", reader.line_num, "当前内容", item[1])if item[1] not in l_movie:l_movie.append(item[1])
with open('/person.csv', 'r', encoding='utf-8') as f:l_person=[]#数据集除了第一行代表属性外，第一列为实体1，第二列为实体2，第三列是两者英文关系，第四列为两者中文关系reader=csv.reader(f)for item in reader:#第一行的标签不是咱们需要的内容，line_num表示文件的第几行if reader.line_num==1:continue#print("当前行数：",reader.line_num,"当前内容",item)#只要演员print("当前行数：", reader.line_num, "当前内容", item[3])if item[3] not in l_person:l_person.append(item[3])f_genre = open('genre.txt', 'w+',encoding='utf-8')
#write方法不会对写入的内容增加换行符，因此采用列表大量输入时，使用join方法在每一行后添加换行符
f_genre.write('\n'.join(list(l_genre)))
f_genre.close()f_movie = open('movie.txt', 'w+',encoding='utf-8')
f_movie.write('\n'.join(list(l_movie)))
f_movie.close()f_person= open('person.txt', 'w+',encoding='utf-8')
f_person.write('\n'.join(list(l_person)))
f_person.close()

2.问答系统设计

基于模板的方法是通过提取文本信息中的实体，通过一些算法和匹配方式获取问句中的实体信息，通过得到相关实体就获得了查询答案的部分信息。再使用分类器对问题的特征向量进行分类，将问题归为某类问题，再按照这类问题的回答模板寻找到匹配的答案。由于基于模板的方法有反应时间短、精准率高、可以回答少见问题或者复合型问题的优点，本项目采用基于模板的方法实现图书知识图谱问答系统。

2.1整体流程

传入问题后，首先是利用AC自动机对问题中的实体进行识别，再对问题进行文本分类处理，判断问题的类型。如果问题存在属于词典的实体并且该问题的类型有效，就利用知识图谱进行结果的查询。最后将实体，查询结果传入该问题类型对应的问答模板，生成回答语句，最后输出该语句就完成了问答。

这一系列流程将由主程序"chatbot_graph.py"实现。

代码如下：

#引入后文提到三个功能所需要的方法
from question_classifier import *
from question_parser import *
from answer_search import *'''问答类'''
class ChatBotGraph:def __init__(self):#实体识别和问题分类，该部分完成数据的提取和导入self.classifier = QuestionClassifier()#针对特定问题的查询self.parser = QuestionPaser()#回答语句的构建self.searcher = AnswerSearcher()def chat_main(self, sent):answer = '抱歉，或许是数据库还未收纳您想要查询的信息，请尝试重新输入'#返回的是实体及其类别，以及问题类型res_classify = self.classifier.classify(sent)if  res_classify=='':print(answer)#print('类别：',res_classify)#返回的是问题类型和对应的查询结果res_sql = self.parser.parser_main(res_classify)#print('sql语句',res_sql)final_answers = self.searcher.search_main(res_sql)if final_answers=='':print(answer)#return '\n'.join(final_answers)if __name__ == '__main__':handler = ChatBotGraph()#测试，读者可以自定义问题或者删去此部分problems=["卧虎藏龙和花样年华的评分","饮食男女的上映时间","霸王别姬这部电影的风格"]for id,problem in enumerate(problems):print("第{0}个问题是{1}：".format(id+1,problem))handler.chat_main(problem)print("\n")print("测试结束")#交互式提问while 1:question = input('咨询:')handler.chat_main(question)

2.2实体识别和问题分类

该部分由"question_classifier.py"实现。首先是利用第三方库ahocorasick完成利用AC自动机进行实体识别的任务。读者如果只是想要完成项目，可以不需要过多了解AC自动机原理，通过第三方库能利用较为固定的代码实现字典树的构建和识别过程，从而完成实体识别。

问题分类是基于文本分类实现的，但项目中并没能通过构建神经网络实现文本分类，只是利用了传统的字符串匹配，简化了入门者的上手难度。因此读者可以尝试对文本分类部分进行优化，采用Bi-LSTM、TextCNN、FastText三种神经网络模型来进行文本分类操作，来识别用户的意图。选择实验结果最优的模型进行问答系统的文本分类操作。

代码如下：

#实体识别和问题分类
import os
import ahocorasick     #AC自动机模块class QuestionClassifier:def __init__(self):cur_dir = '/'.join(os.path.abspath(__file__).split('/')[:-1])#join().split取当前文件路径，并以最后一个/分段，取后面部分，再加上前面join的'/'，就是当前文件夹的相对路径#　以下是特征词的路径：self.person_path = os.path.join(cur_dir, 'person.txt')self.movie_path = os.path.join(cur_dir, 'movie.txt')self.genre_path = os.path.join(cur_dir, 'genre.txt')# 加载特征词self.person_wds= [i.strip() for i in open(self.person_path,encoding="utf-8") if i.strip()]#encoding="utf-8"self.movie_wds= [i.strip() for i in open(self.movie_path,encoding="utf-8") if i.strip()]self.genre_wds= [i.strip() for i in open(self.genre_path,encoding="utf-8") if i.strip()]#构造字典树从而后面进行实体识别#对应的字典树的内容：self.region_words = set(self.person_wds + self.movie_wds + self.genre_wds)# 构造字典树，build_actree是字典树构建的通用函数，构造内容一般不变self.region_tree = self.build_actree(list(self.region_words))# 构建词典，确定实体的类别self.wdtype_dict = self.build_wdtype_dict()# 人为确定的问句疑问词#剧情和演员简介容易冲突# 评分self.q1_qwds = ['分数', '评分', '现象', '表现']#评分#上映self.q2_qwds = ['上映','首映', '上映时间', '首映时间', '首播', '观看', '上线', '影院', '放映', '时间']#风格self.q3_qwds = ['风格', '格调', '类型']#剧情self.q4_qwds = ['剧情', '内容', '故事', '简介', '情节', '梗概']#出演self.q5_qwds = ['演员', '演的', '出演', '演过', '哪些人']#演员简介self.q6_qwds = ['是谁', '介绍', '简介', '谁是', '详细信息','信息' ]#AB合作self.q7_qwds = ['合作', '一起']#A一共演过多时self.q8_qwds = ['一共', '总共', '多少部', '多少', '参演']#A的生日self.q9_qwds = ['出生日期', '生日', '出生', '生于']print('model init finished ......')return'''分类主函数'''def classify(self, question):# data存储数据，包含两部分，一个是识别出的实体及其类别，一个是问题的类别data = {}#进行实体识别，返回问题中的实体和对应的类别，识别失败时直接返回medical_dict = self.check_medical(question)if not medical_dict:return {}data['args'] = medical_dict#收集问句当中所涉及到的实体类型types = []for type_ in medical_dict.values():types += type_#问题分类question_type = 'others'question_types = []#人为制订的问题模板，要求存在实体，并且问题收纳在模板中，才会对问题进行分类# 评分if self.check_words(self.q1_qwds, question) and ('movie' in types):question_type = 'pingfen'question_types.append(question_type)#考虑到提问时可能有多个问题#上映if self.check_words(self.q2_qwds, question) and ('movie' in types):question_type = 'shangying'question_types.append(question_type)# 风格if self.check_words(self.q3_qwds, question) and ('movie' in types):question_type = 'fengge'question_types.append(question_type)# 剧情if self.check_words(self.q4_qwds, question) and ('movie' in types):question_type = 'jvqing'question_types.append(question_type)# 出演if self.check_words(self.q5_qwds, question) and ('movie' in types):question_type = 'chuyan'question_types.append(question_type)# 演员简介if self.check_words(self.q6_qwds, question) and ('person' in types):question_type = 'yanyuanjianjie'question_types.append(question_type)# 合作出演if self.check_words(self.q7_qwds, question) and ('person' in types):question_type = 'hezuochuyan'question_types.append(question_type)# 总共if self.check_words(self.q8_qwds, question) and ('person' in types):question_type = 'zonggong'question_types.append(question_type)# 生日if self.check_words(self.q9_qwds, question) and ('person' in types):question_type = 'shengri'question_types.append(question_type)# 将多个分类结果进行合并处理，组装成一个字典data['question_types'] = question_types#data包含两部分，一个是识别出的实体及其类别，一个是问题的类别return data'''构造实体对应的类型'''def build_wdtype_dict(self):wd_dict = dict()for wd in self.region_words:wd_dict[wd] = []if wd in self.person_wds:wd_dict[wd].append('person')if wd in self.movie_wds:wd_dict[wd].append('movie')if wd in self.genre_wds:wd_dict[wd].append('gener')return wd_dict'''构建字典树，利用AC自动机实现实体识别'''def build_actree(self, wordlist):actree = ahocorasick.Automaton()for index, word in enumerate(wordlist):actree.add_word(word, (index, word))actree.make_automaton()return actree'''利用AC自动机实现问题中的实体识别'''def check_medical(self, question):region_wds = []for i in self.region_tree.iter(question):wd = i[1][1]region_wds.append(wd)stop_wds = []for wd1 in region_wds:for wd2 in region_wds:if wd1 in wd2 and wd1 != wd2:stop_wds.append(wd1)final_wds = [i for i in region_wds if i not in stop_wds]final_dict = {i:self.wdtype_dict.get(i) for i in final_wds}return final_dict'''基于特征词对问题进行分类，也就是确认问题的有效性'''def check_words(self, wds, sent):for wd in wds:if wd in sent:return Truereturn Falseif __name__ == '__main__':handler = QuestionClassifier()while 1:question = input('input an question:')data = handler.classify(question)print(data)

2.3.问题结果查询

主程序在经过"question_classifier.py"后，返回的是问题中识别出的实体及其类型，和这个问题的问题类别。在"question_parser.py"部分中将会对这个返回结果进行结果查询。结果的查询是基于之前在"建立图谱.py"中的neo4j知识图谱实现。该部分最后返还的是实体及其类型，问题类别以及查询到的实体的属性。

代码如下：

class QuestionPaser:'''构建实体节点'''def build_entitydict(self, args):entity_dict = {}for arg, types in args.items():for type in types:if type not in entity_dict:entity_dict[type] = [arg]else:entity_dict[type].append(arg)return entity_dict'''解析主函数'''def parser_main(self, res_classify):#提取出实体args = res_classify['args']entity_dict = self.build_entitydict(args)#提取出查询的问题类型question_types = res_classify['question_types']sqls = []for question_type in question_types:#存放问题类型和相应的返回结果，而不仅是提取出的问题类型sql_ = {}#存放问题类型sql_['question_type'] = question_typesql = []#存放查询结果if question_type == 'pingfen':sql = self.sql_transfer(question_type, entity_dict.get('movie'))elif question_type == 'shangying':sql = self.sql_transfer(question_type, entity_dict.get('movie'))elif question_type == 'fengge':sql = self.sql_transfer(question_type, entity_dict.get('movie'))elif question_type == 'jvqing':sql = self.sql_transfer(question_type, entity_dict.get('movie'))elif question_type == 'chuyan':sql = self.sql_transfer(question_type, entity_dict.get('movie'))elif question_type == 'yanyuanjianjie':sql = self.sql_transfer(question_type, entity_dict.get('person'))elif question_type == 'hezuochuyan':sql = self.sql_transfer(question_type, entity_dict.get('person'))elif question_type == 'zonggong':sql = self.sql_transfer(question_type, entity_dict.get('person'))elif question_type == 'shengri':sql = self.sql_transfer(question_type, entity_dict.get('person'))if sql:sql_['sql'] = sqlsqls.append(sql_)# 存放问题类型以及查询到的相应结果return sqls'''针对不同的问题，有不同的返回结果'''def sql_transfer(self, question_type, entities):if not entities:return []# 查询语句sql = []# 查询评分if question_type == 'pingfen':#match函数是neo4j提供的查询方法#限定问题中只有同类别单个实体时：#sql=["match (m:Movie)-[]->() where m.title='{0}' return m.rating,m.title".format(entities[0])]#后面的for循环时为了解决多个同类别实体查询的情况sql = ["match (m:Movie)-[]->() where m.title='{0}' return m.rating,m.title".format(i) for i in entities]# 查询上映elif question_type == 'shangying':#sql = ["MATCH (m:Disease) where m.name = '{0}' return m.name, m.prevent".format(i) for i in entities]sql=["match(m:Movie)-[]->() where m.title='{0}' return m.releasedate,m.title".format(i) for i in entities]# 风格elif question_type == 'fengge':sql = ["match(m:Movie)-[r:`是`]->(b) where m.title=\"{0}\" return b.name,m.title".format(i) for i in entities]# 剧情elif question_type == 'jvqing':sql = ["match(m:Movie)-[]->() where m.title='{0}' return m.title,m.introduction".format(i) for i in entities]# 出演elif question_type == 'chuyan':sql = ["match(n:Person)-[r:`饰演`]->(m:Movie) where m.title=\"{0}\" return m.title,n.name".format(i) for i in entities]# 演员介绍elif question_type == 'yanyuanjianjie':sql = ["match(n:Person)-[]->() where n.name=\"{0}\" return n.name,n.biography".format(i) for i in entities]# 合作出演elif question_type == 'hezuochuyan':sql = ["match(n:Person)-[r:`饰演`]->(m:Movie) where n.name=\"{0}\" return m.title,n.name".format(i) for i in entities]# 总共elif question_type == 'zonggong':sql = ["match(n:Person)-[r:`饰演`]->(m:Movie) where n.name=\"{0}\" return m.title,n.name".format(i) for i in entities]# 生日elif question_type == 'shengri':sql = ["match(n:Person)-[]->() where n.name='{0}' return n.birth,n.name".format(i) for i in entities]return sqlif __name__ == '__main__':handler = QuestionPaser()

2.4问答模板的匹配

本项目是采用了基于模板构建问答系统的方法，因此首先根据问题类别匹配对应的问答模板，再将实体和属性传入，完成回答的生成。注意对于不同问题类别的回答应该是不同的。

代码如下：

from py2neo import Graphclass AnswerSearcher:def __init__(self):self.g = Graph("http://localhost:7474", user="neo4j", password="neo4j")self.num_limit = 20'''执行cypher查询，并返回相应结果'''def search_main(self, sqls):final_answers = []for sql_ in sqls:question_type = sql_['question_type']queries = sql_['sql']answers = []for query in queries:ress = self.g.run(query).data()answers += ressfinal_answer = self.answer_prettify(question_type, answers)if final_answer:final_answers.append(final_answer)return final_answers'''根据对应的qustion_type，调用相应的回复模板'''def answer_prettify(self, question_type, answers):final_answer = []#某些数据可能缺失if not answers:return ''#十面埋伏和功夫的评分（测试完成，单个和多个）#可以完成多个电影查询评分，取第一个评分，不知道为啥返回好多评分。。。if question_type == 'pingfen':#防止重复l_=[]for i in answers:if i['m.title'] not in l_:l_.append(i['m.title'])final_answer = '{0}的评分是：{1}'.format(i['m.title'], i['m.rating'])print(final_answer)#十面埋伏和功夫的上映时间（测试完成，单个和多个）elif question_type == 'shangying':l_ = []for i in answers:if i['m.title'] not in l_:l_.append(i['m.title'])final_answer = '{0}的上映时间是：{1}'.format(i['m.title'], i['m.releasedate'])print(final_answer)#十面埋伏和功夫的风格（测试完成，单个和多个）elif question_type == 'fengge':dict_ = {}#print(answers)for i in answers:if i['m.title'] not in dict_:dict_[i['m.title']]=i['b.name']else:dict_[i['m.title']] += ("、"+i['b.name'])#print(dict_)for i in dict_:print("{0}的类型是：{1}".format(i,dict_[i]))#十面埋伏和功夫的简介（测试完成，单个和多个）elif question_type == 'jvqing':l_ = []for i in answers:if i['m.title'] not in l_:l_.append(i['m.title'])final_answer = '{0}的剧情是：{1}'.format(i['m.title'], i['m.introduction'])print(final_answer)#十面埋伏和功夫的演员（测试完成，单个和多个）elif question_type == 'chuyan':dict_ = {}#print(answers)for i in answers:if i['m.title'] not in dict_:dict_[i['m.title']] = i['n.name']else:dict_[i['m.title']] += ("、" + i['n.name'])#print(dict_)for i in dict_:print("{0}的演员名单是：{1}".format(i, dict_[i]))#李连杰和成龙的简介（测试完成，单个和多个）elif question_type == 'yanyuanjianjie':l_ = []#print(answers)for i in answers:if i['n.name'] not in l_:l_.append(i['n.name'])#添加找不到的处理if i['n.biography']!='':final_answer = '{0}的介绍是：{1}'.format(i['n.name'], i['n.biography'])print(final_answer)else:print("找不到{0}的介绍".format(i['n.name']))#成龙和李连杰和周星驰合作的电影（多人测试完成）elif question_type == 'hezuochuyan':dict_ = {}# 构建一个总集合l_ = []#print(answers)for i in answers:if i['m.title'] not in l_ :l_.append(i['m.title'])if i['n.name'] not in dict_:dict_[i['n.name']] = []dict_[i['n.name']].append(i['m.title'])else:dict_[i['n.name']].append(i['m.title'])#print(dict_)#输出这些人各自的电影# for i in dict_:#     print("{0}演过的电影有：{1}".format(i, dict_[i]))#取交集name=''for i in dict_:name+=(i+"、")l_ = list(set(l_).intersection(set(dict_[i])))#list转strs=''for i in l_:s+=(i+'、')if s=='':print("{0}没有共同出演的电影有：{1}".format(name[:-1]))else:# -1过滤最后一个顿号print("{0}共同出演的电影有：{1}".format(name[:-1],s[:-1]))#成龙和李连杰和周星驰总共的电影elif question_type == 'zonggong':#不展示具体有哪些了哈dict_ = {}#print(answers)for i in answers:if i['n.name'] not in dict_:dict_[i['n.name']] = []dict_[i['n.name']].append(i['m.title'])else:dict_[i['n.name']].append(i['m.title'])for i in dict_:print("{0}总共演过的电影有：{1}部".format(i, len(dict_[i])))#周星驰和李连杰的生日？elif question_type == 'shengri':l_ = []for i in answers:if i['n.name'] not in l_:l_.append(i['n.name'])final_answer = '{0}的生日是：{1}'.format(i['n.name'], i['n.birth'])print(final_answer)return final_answerif __name__ == '__main__':searcher = AnswerSearcher()

三.优化方向

        本项目在文本分类这一部分，并没有采用神经网络实现，而是采用了传统的字符串匹配方式，使得本项目和深度学习并没有太多联系处，考虑Bi-LSTM、TextCNN、FastText三种神经网络模型来进行文本分类操作。