该系列文章主要讲解知识图谱或关系图谱的构建方法，前文介绍了Neo4j图数据库和Jieba、PyLTP的基本用法。本篇文章主要采用Python和Gephi构建中国知网某个领域的作者合作关系和主题词共现的知识图谱，重点阐述了一种可操作的关系图谱构建方法，可用于论文发表、课程或企业可视化展示等。其基本步骤如下：
1.在中国知网搜索“清水江”关键词，并导出论文Excel格式。
2.使用Python处理文本，获取作者合作的共现矩阵及三元组。
3.Gephi导入CSV节点及边文件，并构建关系图谱。
4.Gephi调整参数，优化关系图谱。
这是一篇非常基础的文章，而且不需要撰写网络爬虫，最终生成的效果还不错，可广泛应用于知识图谱、引文分析、企业合作等领域。希望大家喜欢，尤其是研究自然语言处理和知识图谱的同学。同时，从今天起，博客的代码尽量上传到Github和CSDN下载，脚踏实地，与君同在。
下载地址：https://download.csdn.net/download/eastmount/11650953
文章目录
- 一.最终效果图
- 二.中国知网导出数据
- 三.什么是共现关系
- 四.Python构建共现矩阵和三元组
- 五.Gephi构建知识图谱
- (一).数据准备
- (二).数据导入
- (三).知识图谱参数设置
- (四).可视化显示
- 六.总结
前文参考
Neo4j图数据库系列：
[知识图谱构建] 一.Neo4j图数据库安装初识及药材供应图谱实例
[知识图谱构建] 二.《Neo4j基础入门》基础学习之创建图数据库节点及关系
[知识图谱构建] 三.Neo4j创建高校教师关系图谱及查询语句入门详解
Python知识图谱构建系列：
[Python知识图谱] 一.哈工大pyltp安装及中文分句、中文分词、导入词典基本用法
[Python知识图谱] 二.哈工大pyltp词性标注、命名实体识别、依存句法分析和语义角色标注
[Python知识图谱] 三.Jieba工具中文分词、添加自定义词典及词性标注详解
关系图谱系列：
[关系图谱] 一.Gephi通过共现矩阵构建知网作者关系图谱
[关系图谱] 二.Gephi导入共线矩阵构建作者关系图谱
知识图谱实例系列：
[知识图谱实战篇] 一.数据抓取之Python3抓取JSON格式的电影实体
[知识图谱实战篇] 二.Json+Seaborn可视化展示电影实体
[知识图谱实战篇] 三.Python提取JSON数据、HTML+D3构建基本可视化布局
[知识图谱实战篇] 四.HTML+D3+CSS绘制关系图谱
[知识图谱实战篇] 五.HTML+D3添加鼠标响应事件显示相关节点及边
[知识图谱实战篇] 六.HTML+D3实现点击节点显示相关属性及属性值
[知识图谱实战篇] 七.HTML+D3实现关系图谱搜索功能
[知识图谱实战篇] 八.HTML+D3绘制时间轴线及显示实体
一.最终效果图
作者合作知识图谱
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第1张图片](https://img.it610.com/image/info8/432eecfa607d486d9d766d4b2ecb008c.jpg)
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第2张图片](https://img.it610.com/image/info8/d70088af726e4244ae08c72dcb4ef3bb.jpg)
下面是另一个主题“网络安全”以某作者为中心的区域，分别是武大和北邮。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第3张图片](https://img.it610.com/image/info8/0d005f780acb4d84b6cd3b74c9d06001.jpg)
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第4张图片](https://img.it610.com/image/info8/083969da2c6d439f8502f82db386042a.jpg)
关键词共现知识图谱
二.中国知网导出数据
第一步：在中国知网CNKI中搜索“清水江”关键词，返回期刊论文1007篇，作为目标分析数据。
注意，中国知网最多能导出5000篇文献，如果文章过多建议增加按年份统计，最后再汇总。同时，由于博士论文、会议论文、报纸作者关系较为单一，所以这里仅分析期刊论文。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第5张图片](https://img.it610.com/image/info8/3ecdbc6819444b61b7833deb5175b863.jpg)
第二步：点击左上角勾选文献。每次最多选择50篇论文，接着点击下一页，导出500篇文献。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第6张图片](https://img.it610.com/image/info8/8a6048c564204a1696fec53c405c9118.jpg)
选择下一页：
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第7张图片](https://img.it610.com/image/info8/036d55ea81ea4de4ae39185845499a7e.jpg)
选中500篇论文之后，接着点击“导出/参考文献”选项。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第8张图片](https://img.it610.com/image/info8/124a87c80fa44783bc9d5dddfab423d4.jpg)
第三步：在弹出的 界面中，选择“Reforks”格式，点击XLS导出。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第9张图片](https://img.it610.com/image/info8/f0befc218da2441b8ecee9cdd8eeba12.jpg)
到处的表格如下图所示，包括各种论文信息，可惜没有下载量和被引用量（网络爬虫实现），但我们的知识图谱分析也够了。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第10张图片](https://img.it610.com/image/info8/1ea20a0d35c7469685a77156034dc81e.jpg)
第四步：再下载剩余的所有文献，每次500篇的下载，并整理在一个Excel表格中，过滤掉英文和无作者的论文，剩下958篇，即为分析的数据集。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第11张图片](https://img.it610.com/image/info8/f33b49bd73484868824ef52b2fa2edc7.jpg)
三.什么是共现关系
引文分析常见的包括两类，一种是共现关系，另一种是引用和被引用关系。本文主要讲解共现关系，假设现在存在四篇文章，如下所示：
文章标题 作者
大数据发展现状分析 A，B，C，D
Python网络爬虫 A，B，C
贵州省大数据战略 B，A，D
大数据分析重要 D，A
第一步：写代码抓取该领域文章的所有作者，即：A、B、C、D。
第二步：接着获取对应的共现矩阵，比如文章“大数据发展现状分析”，则认为A、B、C、D共现，在他们之间建立一条边。共现矩阵如下所示，共13条边。
(1) [ − A B C D A 0 2 2 2 B 1 0 2 2 C 0 0 0 1 D 1 0 0 0 ] \left[ \begin{matrix} -& A & B & C & D \\ A & 0 & 2 & 2 & 2 \\ B & 1 & 0 & 2 & 2 \\ C & 0 & 0 & 0 & 1 \\ D & 1 & 0 & 0 & 0 \end{matrix} \right] \tag{1} ⎣ ⎢ ⎢ ⎢ ⎢ ⎡ − A B C D A 0 1 0 1 B 2 0 0 0 C 2 2 0 0 D 2 2 1 0 ⎦ ⎥ ⎥ ⎥ ⎥ ⎤ ( 1 )
第三步：由于最后的图谱是无向图，为了方便计算，我们将矩阵的下三角数据加至上三角，从而减少计算量。
(1) [ − A B C D A 0 3 2 3 B 0 0 2 2 C 0 0 0 1 D 0 0 0 0 ] \left[ \begin{matrix} -& A & B & C & D \\ A & 0 & 3 & 2 & 3 \\ B & 0 & 0 & 2 & 2 \\ C & 0 & 0 & 0 & 1 \\ D & 0 & 0 & 0 & 0 \end{matrix} \right] \tag{1} ⎣ ⎢ ⎢ ⎢ ⎢ ⎡ − A B C D A 0 0 0 0 B 3 0 0 0 C 2 2 0 0 D 3 2 1 0 ⎦ ⎥ ⎥ ⎥ ⎥ ⎤ ( 1 )
第四步：通过共现矩阵分别获取两两关系及权重，再写入CSV或Excel文件中，如下所示。知识图谱通常由三元组构成，包括 {实体，属性，属性值}、{实体、关系、实体}，这里的{Source、Weight、Weight}也可以称为一个三元组。
(2) [ S o u r c e T a r g e t W e i g h t A B 3 A C 2 A D 3 B C 2 B D 2 C D 1 ] \left[ \begin{matrix} Source & Target & Weight \\ A & B & 3 \\ A & C & 2 \\ A & D & 3 \\ B & C & 2 \\ B & D & 2 \\ C & D & 1 \end{matrix} \right] \tag{2} ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ S o u r c e A A A B B C T a r g e t B C D C D D W e i g h t 3 2 3 2 2 1 ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ ( 2 )
第五步：将该CSV文件导入Gephi中，并绘制相关的图形。因为该实例节点比较少，下面是Pyhton调用Networkx绘制的代码及图形。
# -*- coding: utf-8 -*-
import
networkx
as
nx
import
matplotlib
.
pyplot
as
plt
#定义有向图
DG
=
nx
.
Graph
(
)
#添加五个节点(列表)
DG
.
add_nodes_from
(
[
'A'
,
'B'
,
'C'
,
'D'
]
)
print
DG
.
nodes
(
)
#添加边(列表)
DG
.
add_edge
(
'A'
,
'B'
,
weight
=
3
)
DG
.
add_edge
(
'A'
,
'C'
,
weight
=
2
)
DG
.
add_edge
(
'A'
,
'D'
,
weight
=
3
)
DG
.
add_edge
(
'B'
,
'C'
,
weight
=
2
)
DG
.
add_edge
(
'B'
,
'D'
,
weight
=
2
)
DG
.
add_edge
(
'C'
,
'D'
,
weight
=
1
)
#DG.add_edges_from([('A', 'B'), ('A', 'C'), ('A', 'D'), ('B','C'),('B','D'),('C','D')])
print
DG
.
edges
(
)
#绘制图形 设置节点名显示\节点大小\节点颜色
colors
=
[
'red'
,
'green'
,
'blue'
,
'yellow'
]
nx
.
draw
(
DG
,
with_labels
=
True
,
node_size
=
900
,
node_color
=
colors
)
plt
.
show
(
)
绘制图形如下所示：
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第12张图片](https://img.it610.com/image/info8/a21b889e6c664a798f3b816ccd2d9b0d.jpg)
接下来我们将告诉大家如何撰写Python代码获取作者共现矩阵及三元组。
四.Python构建共现矩阵和三元组
第一步 ：将Excel中作者列单独提取至word.txt文件中，如下图所示。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第13张图片](https://img.it610.com/image/info8/0a144797acb9496c88ec79412d836ffc.jpg)
第二步：运行Python代码获取共现矩阵和{Source， Weight，Target}三元组。
- 按行读取TXT数据，并调用split(’;’)分割作者，将所有作者信息存储至word列表中（不含重复项）
- 建立 word_vector[作者数][作者数] 共现矩阵，依次获取每行的两个作者下标位置，记录在变量w1、w2、n1、n2中
- 词频矩阵赋值，这里通过判断计算上三角矩阵 word_vector[n1][n2] += 1 或 word_vector[n2][n1] += 1
- 两层循环获取共现矩阵 word_vector[i][j] 中不为0的数值，word[i]、word[j] 和权重 word_vector[i][j] 即为三元组
- 将最终结果输出至TXT和CSV文件
# -*- coding: utf-8 -*-
"""
@author: eastmount CSDN 杨秀璋 2019-09-02
"""
import
pandas
as
pd
import
numpy
as
np
import
codecs
import
networkx
as
nx
import
matplotlib
.
pyplot
as
plt
import
csv
#---------------------------第一步:读取数据-------------------------------
word
=
[
]
#记录关键词
f
=
open
(
"word.txt"
)
line
=
f
.
readline
(
)
while
line
:
#print line
line
=
line
.
replace
(
"\n"
,
""
)
#过滤换行
line
=
line
.
strip
(
'\n'
)
for
n
in
line
.
split
(
';'
)
:
#print n
if
n
not
in
word
:
word
.
append
(
n
)
line
=
f
.
readline
(
)
f
.
close
(
)
print
len
(
word
)
#作者总数
#--------------------------第二步 计算共现矩阵----------------------------
a
=
np
.
zeros
(
[
2
,
3
]
)
print
a
#共现矩阵
#word_vector = np.zeros([len(word),len(word)], dtype='float16')
#MemoryError：矩阵过大汇报内存错误
#https://jingyan.baidu.com/article/a65957f434970a24e67f9be6.html
#采用coo_matrix函数解决该问题
from
scipy
.
sparse
import
coo_matrix
print
len
(
word
)
#类型
word_vector
=
coo_matrix
(
(
len
(
word
)
,
len
(
word
)
)
,
dtype
=
np
.
int8
)
.
toarray
(
)
print
word_vector
.
shape
f
=
open
(
"word.txt"
)
line
=
f
.
readline
(
)
while
line
:
line
=
line
.
replace
(
"\n"
,
""
)
#过滤换行
line
=
line
.
strip
(
'\n'
)
#过滤换行
nums
=
line
.
split
(
';'
)
#循环遍历关键词所在位置 设置word_vector计数
i
=
0
j
=
0
while
i
<
len
(
nums
)
:
#ABCD共现 AB AC AD BC BD CD加1
j
=
i
+
1
w1
=
nums
[
i
]
#第一个单词
while
j
<
len
(
nums
)
:
w2
=
nums
[
j
]
#第二个单词
#从word数组中找到单词对应的下标
k
=
0
n1
=
0
while
k
<
len
(
word
)
:
if
w1
==
word
[
k
]
:
n1
=
k
break
k
=
k
+
1
#寻找第二个关键字位置
k
=
0
n2
=
0
while
k
<
len
(
word
)
:
if
w2
==
word
[
k
]
:
n2
=
k
break
k
=
k
+
1
#重点: 词频矩阵赋值 只计算上三角
if
n1
<=
n2
:
word_vector
[
n1
]
[
n2
]
=
word_vector
[
n1
]
[
n2
]
+
1
else
:
word_vector
[
n2
]
[
n1
]
=
word_vector
[
n2
]
[
n1
]
+
1
#print n1, n2, w1, w2
j
=
j
+
1
i
=
i
+
1
#读取新内容
line
=
f
.
readline
(
)
f
.
close
(
)
#--------------------------第三步 TXT文件写入--------------------------
res
=
open
(
"word_word_weight.txt"
,
"a+"
)
i
=
0
while
i
<
len
(
word
)
:
w1
=
word
[
i
]
j
=
0
while
j
<
len
(
word
)
:
w2
=
word
[
j
]
#判断两个词是否共现 共现&词频不为0的写入文件
if
word_vector
[
i
]
[
j
]
>
0
:
#print w1 +" " + w2 + " "+ str(int(word_vector[i][j]))
res
.
write
(
w1
+
" "
+
w2
+
" "
+
str
(
int
(
word_vector
[
i
]
[
j
]
)
)
+
"\r\n"
)
j
=
j
+
1
i
=
i
+
1
res
.
close
(
)
#共现矩阵写入文件 如果作者数量较多, 建议删除下面部分代码
res
=
open
(
"word_jz.txt"
,
"a+"
)
i
=
0
while
i
<
len
(
word
)
:
j
=
0
jz
=
""
while
j
<
len
(
word
)
:
jz
=
jz
+
str
(
int
(
word_vector
[
i
]
[
j
]
)
)
+
" "
j
=
j
+
1
res
.
write
(
jz
+
"\r\n"
)
i
=
i
+
1
res
.
close
(
)
#--------------------------第四步 CSV文件写入--------------------------
c
=
open
(
"word-word-weight.csv"
,
"wb"
)
#创建文件
#c.write(codecs.BOM_UTF8) #防止乱码
writer
=
csv
.
writer
(
c
)
#写入对象
writer
.
writerow
(
[
'Word1'
,
'Word2'
,
'Weight'
]
)
i
=
0
while
i
<
len
(
word
)
:
w1
=
word
[
i
]
j
=
0
while
j
<
len
(
word
)
:
w2
=
word
[
j
]
#判断两个词是否共现 共现词频不为0的写入文件
if
word_vector
[
i
]
[
j
]
>
0
:
#写入文件
templist
=
[
]
templist
.
append
(
w1
)
templist
.
append
(
w2
)
templist
.
append
(
str
(
int
(
word_vector
[
i
]
[
j
]
)
)
)
#print templist
writer
.
writerow
(
templist
)
j
=
j
+
1
i
=
i
+
1
c
.
close
(
)
如果输入数据为：
A
;
B
;
C
;
D
A
;
B
;
C
B
;
A
;
D
D
;
A
则输出结果如下图所示：
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第14张图片](https://img.it610.com/image/info8/4bf32c3691b344cd800fbe6a37b9d43e.jpg)
第三步：最终的“清水江”文献输出结果如下所示，主要是 word-word-weight.csv 文件。
由于split函数分割过程中，可能存在多余空格的现象，如下图所示，我们将含有空白的栏目删除。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第15张图片](https://img.it610.com/image/info8/13a0e7fa5ba04cc38c7e45601e5df74e.jpg)
完整的三元组共1255组，即构成了1255条边。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第16张图片](https://img.it610.com/image/info8/b5d61720614d4e899ad1ac2eab0210bb.jpg)
注意，如果作者数较多时，代码中尽量不要使用print输出中间结果，并且只做 word-word-weight.csv 文件写入操作即可。同时，建议先尝试运行小的数据集，如前面的ABCD，代码能正确运行之后再加载大的数据集。
五.Gephi构建知识图谱
众所周知，知识图谱都是有节点和边组成的，每一个作者或每一个关键词可以作为一个节点，而共现关系可以构造边。如果共现的次数越多，表示合作越紧密，则边越粗，反之越细。当使用度来表示节点大小时，如果某个节点越大，则表示该节点共现合作的数量越多。下面开始分享Gephi软件绘制关系图谱的流程。
(一).数据准备
edges.csv
包含边的文件就是前面的 word-word-weight.csv，但需要修改表头并增加一列类型Type，其值为Undirected（无向图）。
Source
,
Target
,
Type
,
Weight
赵艳
,
吴娟
,
Undirected
,
1
赵艳
,
杨兴
,
Undirected
,
1
赵艳
,
张诗莹
,
Undirected
,
1
傅慧平
,
张金成
,
Undirected
,
2
傅慧平
,
杨正宏
,
Undirected
,
1
周相卿
,
刘嘉宝
,
Undirected
,
1
曹端波
,
付前进
,
Undirected
,
1
李红香
,
马国君
,
Undirected
,
4
胡世然
,
杨兴
,
Undirected
,
3
胡世然
,
周承辉
,
Undirected
,
4
胡世然
,
李建光
,
Undirected
,
7
胡世然
,
朱玲
,
Undirected
,
3
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第17张图片](https://img.it610.com/image/info8/f461ad056d904c1a88562f34dc6fe3cd.png)
nodes.csv
接下来我们还要创建一个包含节点的信息。只需要将Source和Target两列数据复制到nodes.csv中，然后去除重复的即可。当然，如果数量很大，Python写个循环代码也能处理。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第18张图片](https://img.it610.com/image/info8/e9c35bc4ce1841e78a2ddf2233af21a1.jpg)
接着将第一列复制到第二列，需要注意id表示编号（名称）、label表示节点类标，这里中文显示。nodes.csv最终输出结果如下图所示：
id
,
label
赵艳
,
赵艳
傅慧平
,
傅慧平
周相卿
,
周相卿
曹端波
,
曹端波
李红香
,
李红香
王华
,
王华
韦建丽
,
韦建丽
徐杰舜
,
徐杰舜
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第19张图片](https://img.it610.com/image/info8/e031503b4bab47449148fb2c1806ae6a.png)
(二).数据导入
数据准备充分之后，开始我们的知识图谱构建之旅吧！
第一步：安装并打开Gephi软件。软件我已经上传到下载包中供大家使用了。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第20张图片](https://img.it610.com/image/info8/7fb77e5452ea4f06a29942bab13a0086.jpg)
第二步：新建工程，并选择“数据资料”，输入电子表格。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第21张图片](https://img.it610.com/image/info8/0745ddbe5a964b35aea17b8999caf714.jpg)
第三步：导入节点文件nodes.csv，注意CSV文件中表头切记定位为 id、label，导入一定选择“节点表格”和“GB2312”编码，点击“完成”即可。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第22张图片](https://img.it610.com/image/info8/a7fe2eb1b3a74d9887388d4859b66b49.jpg)
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第23张图片](https://img.it610.com/image/info8/b7e10b67e7fb4d139c6961e57becdb93.jpg)
第四步：导入边文件edges.csv，注意CSV文件中表头切记为Source（起始点）、Target（目标点）、Weight（权重）、Tpye（无向边 Undirected）。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第24张图片](https://img.it610.com/image/info8/f8e468a113e7427cbdd4294b6dfd2bc4.jpg)
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第25张图片](https://img.it610.com/image/info8/b36682d7e46049d3a584329961aabaec.jpg)
导入成功后如下图所示：
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第26张图片](https://img.it610.com/image/info8/b8c6fcf163ca44b7aa4e4c1272d7974c.jpg)
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第27张图片](https://img.it610.com/image/info8/d516aa031f6641a0a305b7efb75e0727.jpg)
导入成功后点击“概览”显示如下所示，接着就是调整参数。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第28张图片](https://img.it610.com/image/info8/1c3c0b2df4804661816a9f75f2492084.jpg)
(三).知识图谱参数设置
设置外观如下图所示，主要包括颜色、大小、标签颜色、标签尺寸。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第29张图片](https://img.it610.com/image/info8/dbdacaba1fbe4a3a9a398b7954e5750d.jpg)
1.设置节点大小和颜色。
选中颜色，点击“数值设定”，选择渲染方式为“度”。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第30张图片](https://img.it610.com/image/info8/8db2a3c6fb1a4642b126510bd7b4e81e.jpg)
显示结果如下所示：
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第31张图片](https://img.it610.com/image/info8/99fda31203c8455a9dbba188d962f4ba.jpg)
接着设置节点大小，数值设定为“度”，最小尺寸为20，最大尺寸为80。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第32张图片](https://img.it610.com/image/info8/e7eac70a81594ad7a3d3c78c82d9659c.jpg)
2.设置边大小和颜色。
设置边颜色的数值设定为“边的权重”，如下图所示。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第33张图片](https://img.it610.com/image/info8/2edb87602b3f471196c65b17e2efa0d9.jpg)
设置边的大小数值设定为“边的权重”。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第34张图片](https://img.it610.com/image/info8/98f5c738cb7a49dfab9ff79cb8ef4661.jpg)
3.在布局中选择“Fruchterman Reingold”。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第35张图片](https://img.it610.com/image/info8/31d3d212255f4699bbaf1c507ac5b5d8.jpg)
显示结果如下所示：
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第36张图片](https://img.it610.com/image/info8/5c9e351cae7540d4b86a8aeff77fc108.jpg)
4.设置模块化。在右边统计中点击“运行”，设置模块性。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第37张图片](https://img.it610.com/image/info8/bb41dd734ed34646921bdedd95a53d7d.jpg)
5.设置平均路径长度。在右边统计中点击“运行”，设置边概述。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第38张图片](https://img.it610.com/image/info8/5ec4f3e871eb4d2f93e0272f8e02b22a.jpg)
6.重新设置节点属性。
节点大小数值设定为“度”，最小值还是20，最大值还是80。
节点颜色数值设定为“Modularity Class”，表示模块化。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第39张图片](https://img.it610.com/image/info8/a46fdd69d6be4aaf8c73eb830bd1072b.jpg)
此时图形显示如下所示，非常好看，有关系的人物颜色也设置为了类似的颜色。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第40张图片](https://img.it610.com/image/info8/4f46d1c068b64a2e900d3c275f565e44.jpg)
(四).可视化显示
显示标签如下图所示：
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第41张图片](https://img.it610.com/image/info8/0b0416f8c17e45f68bdec962b5b01d82.jpg)
最终显示如下图所示。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第43张图片](https://img.it610.com/image/info8/eee59d9137344885ab86ba92dc99b55b.jpg)
讲到这里，整篇文章就结束了，同理可以生成关键词的共现图谱。
![[Python知识图谱] 四.Python和Gephi实现中国知网合作关系知识图谱_第44张图片](https://img.it610.com/image/info8/8879491dde8542cbb6932fdd80a4cd7f.jpg)
同时，如果读者对如何实现以某一个作者为中心的区域领域，后面作者可以再分享一篇文章。
六.总结
最后简单总结下，Neo4图数据库的j缺点是无法设置节点的权重大小，所有节点大小一致，并且运行时间较长。Gephi缺点是不支持语句查询，希望未来自己能搞一个开源的、灵活的关系图谱绘制框架。同时，真正的知识图谱是涉及语义、命名实体识别、关系抽取、实体对齐及消歧等，后面作者在有时间的情况下将继续为读者分享相关知识，前行路上与你同在。
珞珞如石，温而若珈；潇洒坦荡，一生澄澈。新学期，新生活，新里程。
一个多月的闭关，深深体会到数学和英语的重要性，短板抓紧补起来，长板却没有。开学八门课，《信息论》《现代密码学》《网络安全协议》《信息安全前沿》《信息安全与可信计算》《自然语言处理》等，就NLP熟悉点，得加油了，更要静下心来去“做”、“学”、“问”。Stay hungry，Stay foolish~
(By:Eastmount 2019-09-02 下午5点 http://blog.csdn.net/eastmount/ )
