# 数据结构知识图谱

**Repository Path**: dipper_room/data-structure-knowledge-graph

## Basic Information

- **Project Name**: 数据结构知识图谱
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-04-20
- **Last Updated**: 2026-06-08

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 《数据结构》课程智慧学习平台

面向《数据结构》课程的智慧学习平台，采用前后端分离架构，围绕知识图谱组织学习路径，并扩展练习、统计与 AI 辅助能力。

## 技术栈

- 前端：Vue 3 + Vite + Element Plus + Pinia + Vue Router
- 后端：FastAPI + Pydantic + Neo4j Driver
- 数据库：Neo4j 5（Docker 部署）
- 代码运行：Piston（Docker 部署）

## 目录结构

```text
data-structure-knowledge-graph/
├─ frontend/                 # 前端工程（Vite）
├─ backend/                  # 后端工程（FastAPI）
│  ├─ content/               # 模块讲义/习题/代码
│  ├─ app/                    # API/服务/模型
│  └─ scripts/                # 知识图谱初始化与导入脚本
├─ docs/                     # 项目文档
└─ docker-compose.yml        # Neo4j + Piston 本地编排
```

## 本地开发快速开始

### 1) 准备环境变量

仓库根目录复制 `.env` 模板：

```powershell
Copy-Item .env.template .env
```

```bash
cp .env.template .env
```

按需修改 `.env`（至少保证 `NEO4J_PASSWORD` 与容器一致，前端端口默认 `5175`）。

### 2) 启动基础依赖（Neo4j / Piston）

在仓库根目录执行：

```bash
docker compose up -d neo4j piston
```

- Neo4j Browser: `http://localhost:7474`
- Bolt: `bolt://localhost:7687`
- 默认账号：`neo4j / your_password`
- Piston API: `http://localhost:2000`

### 3) 启动后端

```bash
cd backend
pip install -r requirements.txt
uvicorn app.main:app --reload
```

- API 根地址：`http://localhost:8000`
- 接口文档：`http://localhost:8000/docs`

### 4) 初始化与导入知识图谱数据

先初始化模块与索引：

```bash
cd backend
python scripts/init_kg_data.py
```

导入各模块知识点（可按需选择）：

```bash
# LIST / SET
python scripts/import_list_set_kg.py

# TREE / GRAPH
python scripts/import_tree_graph_kg.py

# SEARCH / SORT
python scripts/import_search_sort_kg.py
```

如需重置对应模块数据后再导入：

```bash
python scripts/import_list_set_kg.py --reset-list-set
python scripts/import_tree_graph_kg.py --reset-tree-graph
python scripts/import_search_sort_kg.py --reset-search-sort
```

#### 5) AI 向量检索（可选）

在 `.env` 中配置独立的嵌入模型。

完成 KG 数据导入后，运行一次向量化脚本：
```bash
python scripts/embed_kg_nodes.py
```

#### 6) 启动前端

```bash
cd frontend
npm install
npm run dev
```

访问：`http://localhost:5175`

## 常见问题

### 1) 学习中心数据没有更新？

- 确认已执行相应导入脚本（见上方第 4 步）。
- 确认 `.env` 中的 `NEO4J_PASSWORD` 与 `docker-compose.yml` 一致。
- 若仍旧是旧数据，尝试使用 `--reset-*` 重新导入。

### 2) 前端端口不一致？

- 修改 `.env` 中的 `VITE_FRONTEND_PORT`，并重新启动前端。

## 关键文档

- 功能设计：`docs/01_功能设计文档.md`
- 数据库设计：`docs/02_数据库设计文档.md`
- 知识图谱规范：`docs/database/kg/知识图谱数据规范.md`
- 协作规范：`docs/project/项目协作与分支规范.md`