计算机毕业设计Django+Vue.js知识图谱中华古诗词可视化古诗词情感分析古诗词智能问答系统 AI大模型自动写诗大数据毕业设计(源码+LW文档+PPT+讲解)

最新推荐文章于 2025-12-03 08:43:36 发布

原创最新推荐文章于 2025-12-03 08:43:36 发布 · 918 阅读

26 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #课程设计 #知识图谱 #毕业设计 #大数据 #vue.js #django

大数据毕业设计专栏收录该内容

6021 篇文章

订阅专栏

温馨提示：文末有优快云平台官方提供的学长联系方式的名片！

温馨提示：文末有优快云平台官方提供的学长联系方式的名片！

温馨提示：文末有优快云平台官方提供的学长联系方式的名片！

信息安全/网络安全大模型、大数据、深度学习领域中科院硕士在读，所有源码均一手开发！

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人

介绍资料

以下是一篇关于《Django+Vue.js知识图谱中华古诗词可视化与古诗词情感分析》的任务书模板，包含任务目标、分解、进度安排、资源需求及验收标准等核心内容：

任务书

项目名称：基于Django+Vue.js的中华古诗词知识图谱可视化与情感分析系统开发

一、任务背景与目标

1.1 背景

中华古诗词是中华文化的重要载体，但现有数字化研究存在以下问题：

数据分散且结构化程度低，难以支持跨诗词关联分析；
情感分析模型缺乏可解释性，难以满足人文研究需求；
可视化工具交互性不足，无法动态展示知识图谱关系。

1.2 目标

开发一套集成知识图谱构建、情感分析与可视化功能的系统，实现：

数据整合：结构化存储5万+首古诗词及其元数据（作者、朝代、意象等）；
情感分析：构建高精度模型（F1值≥0.85），支持五类情感（喜、怒、哀、乐、思）分类；
可视化交互：通过动态图谱与多维图表展示诗词关系与情感分布；
系统部署：支持PC端与移动端访问，日均承载1000+并发请求。

二、任务分解与分工

2.1 任务模块划分

模块	子任务	负责人
数据采集与预处理	1.1 爬取《全唐诗》《全宋词》及古诗文网数据 1.2 清洗重复/错误数据 1.3 标注情感标签	张三
知识图谱构建	2.1 定义实体关系模型（诗词、作者、意象等） 2.2 开发关系抽取算法 2.3 导入Neo4j图数据库	李四
情感分析模型	3.1 构建BERT+Attention混合模型 3.2 训练并优化模型参数 3.3 生成可解释性报告	王五
后端开发	4.1 设计Django RESTful API 4.2 实现图谱查询接口 4.3 集成情感分析服务	赵六
前端开发	5.1 开发Vue.js可视化界面 5.2 实现ECharts/D3.js图表组件 5.3 优化交互体验	钱七
测试与部署	6.1 编写单元测试用例 6.2 部署至阿里云服务器 6.3 监控系统性能	孙八

2.2 关键里程碑

里程碑	时间节点	交付物
数据采集完成	第4周	清洗后的结构化数据集（CSV/JSON格式）
知识图谱验证通过	第8周	Neo4j图数据库截图及关系查询示例
情感分析模型冻结	第12周	模型权重文件与评估报告（F1值≥0.85）
系统联调成功	第16周	可访问的测试版URL（含基础功能）
项目验收	第20周	完整系统文档与用户手册

三、技术路线与工具

3.1 技术栈

后端：Django 4.2 + Django REST Framework
前端：Vue.js 3.0 + Element UI + ECharts 5.4
数据库：Neo4j 5.0（图数据库） + MySQL 8.0（关系型数据库）
情感分析：PyTorch 2.0 + HuggingFace Transformers
部署：Docker 24.0 + Nginx 1.25 + 阿里云ECS

3.2 核心算法

关系抽取算法：

python

	`# 基于规则与BiLSTM-CRF的混合关系抽取示例`
	`def extract_relations(text):`
	`# 规则匹配：提取"作者-创作-诗词"关系`
	`if "《" in text and "》" in text and "著" in text:`
	`author = re.search(r'(.*?)[著作]', text).group(1)`
	`poem_title = re.search(r'《(.*?)》', text).group(1)`
	`return ("author", author, "poem", poem_title, "create")`

	`# BiLSTM-CRF模型预测（需预先训练）`
	`# model.predict(text) → 返回实体及关系类型`
	`pass`

情感分析模型：

python

	`from transformers import BertModel, BertTokenizer`
	`import torch.nn as nn`

	`class PoemSentimentModel(nn.Module):`
	`def __init__(self):`
	`super().__init__()`
	`self.bert = BertModel.from_pretrained("bert-base-chinese")`
	`self.attention = nn.Sequential(`
	`nn.Linear(768, 512),`
	`nn.Tanh(),`
	`nn.Linear(512, 1)`
	`)`

	`def forward(self, input_ids, attention_mask):`
	`outputs = self.bert(input_ids, attention_mask=attention_mask)`
	`hidden_states = outputs.last_hidden_state # [batch_size, seq_len, 768]`

	`# 计算注意力权重`
	`attention_scores = self.attention(hidden_states).squeeze(-1) # [batch_size, seq_len]`
	`attention_weights = nn.functional.softmax(attention_scores, dim=1)`

	`# 加权求和`
	`context_vector = torch.sum(hidden_states * attention_weights.unsqueeze(-1), dim=1)`
	`return context_vector`

四、资源需求

4.1 硬件资源

资源类型	配置要求	用途
服务器	8核16G内存 + 500GB SSD	部署Django后端与Neo4j
GPU服务器	NVIDIA Tesla T4 ×1	训练情感分析模型
开发机	16G内存 + 512GB SSD	本地开发测试

4.2 软件资源

开发工具：PyCharm Professional、VS Code、Postman
协作平台：GitLab + Jenkins（持续集成）
数据工具：Neo4j Desktop、MySQL Workbench

五、验收标准

5.1 功能验收

模块	验收标准
知识图谱查询	支持按作者、朝代、意象筛选，返回结果包含关系路径（如"李白→朋友→杜甫"）
情感分析	对测试集（2000首诗词）准确率≥85%，可解释性报告展示关键情感词权重
可视化交互	图谱节点拖拽延迟≤300ms，情感词云图支持动态过滤（如仅显示"哀"类情感词）
性能测试	1000并发用户下，API平均响应时间≤500ms，错误率<0.1%

5.2 文档验收

提交《系统设计说明书》《用户操作手册》《模型评估报告》等6份文档；
代码注释覆盖率≥40%，关键算法需附流程图说明。

六、风险评估与应对

风险类型	描述	应对措施
数据质量问题	古诗文网数据存在格式错误	开发数据校验脚本，人工抽检10%数据
模型性能不足	情感分析F1值低于0.8	增加训练数据量，调整模型超参数
进度延迟	某模块开发周期超出计划20%	启动备用资源（如外包部分前端开发）

任务书签署：
项目负责人：______________ 日期：______________

备注：