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)

原创 于 2025-07-13 07:48:37 发布 · 1k 阅读 · 9 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #课程设计 #知识图谱 #毕业设计 #大数据 #网络爬虫 #爬虫

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

Django+Vue.js知识图谱中华古诗词可视化与情感分析技术说明

一、技术背景与目标

中华古诗词数字化传承面临两大核心挑战：

  1. 结构化知识缺失：传统诗词数据以非结构化文本形式存在，难以支持语义搜索与关联分析；
  2. 情感理解门槛高：古汉语隐喻、典故的使用导致现代读者难以准确把握诗词情感内涵。

本技术方案基于Django（后端） + Vue.js（前端）框架，构建集知识图谱构建、情感分析计算、动态可视化交互于一体的智能系统，实现三大技术目标：

  • 构建包含诗人、诗作、意象等实体的结构化知识图谱；
  • 通过深度学习模型实现诗词情感倾向的自动化分类；
  • 采用可视化技术直观呈现诗词创作背景、意象关联及情感演变。

二、系统架构设计

2.1 分层架构图

 

 

┌───────────────────────────────────────────────────────┐
│ 用户交互层（Vue.js） │
├───────────────────┬───────────────────┬───────────────┤
│ 可视化渲染引擎 │ 交互控制模块 │ 状态管理（Vuex）│
│ (ECharts/D3.js) │ (事件监听/路由) │ │
└─────────┬─────────┴─────────┬─────────┴───────────────┘
│ │
┌─────────▼─────────┐ ┌─────────▼───────────────────────┐
│ API服务层（Django） │ 数据处理层（Python） │
├───────────────────┬─────────┴───────────────────────────┤
│ RESTful接口 │ 知识图谱构建模块 │
│ (DRF框架) │ 情感分析引擎（LSTM模型） │
│ WebSocket服务 │ 数据清洗与增强模块 │
└─────────┬─────────┴───────────────────────────────────┘
│
┌─────────▼───────────────────────────────────────────────┐
│ 持久化存储层 │
├───────────────────┬───────────────────┬───────────────┤
│ 关系型数据库 │ 图数据库 │ 对象存储 │
│ (MySQL 8.0) │ (Neo4j 5.12) │ (MinIO) │
└───────────────────────────────────────────────────────┘
 

2.2 关键组件说明
 

  1. 知识图谱引擎 
  
    • 采用Neo4j图数据库存储实体关系，支持Cypher查询语言
    • 实体类型：诗人、诗作、朝代、意象、词牌名（共5类）
    • 关系类型：创作、引用、同题材、同游等（共12类）
     
  2. 情感分析模块 
  
    • 模型架构：BiLSTM + Attention机制
    • 输入特征：Word2Vec词向量（300维） + POS标签嵌入
    • 输出分类：喜、怒、哀、乐、思（5类）
     
  3. 可视化引擎 
  
    • 统计图表：ECharts实现朝代诗词数量分布、意象词频统计
    • 关系图谱：D3.js力导向布局展示诗人社交网络
    • 时空轨迹：高德地图API绘制诗人游历路线
     
 

三、核心功能实现
 

3.1 知识图谱构建流程
 

3.1.1 数据采集与清洗
 

 

python
 

# 数据爬取示例（Scrapy框架）
import scrapy
class PoemSpider(scrapy.Spider):
name = 'gushiwen'
start_urls = ['https://www.gushiwen.org/shiwen/']
def parse(self, response):
for poem in response.css('.sons'):
yield {
'title': poem.css('.cont h1::text').get(),
'author': poem.css('.cont p a::text').get(),
'content': ''.join(poem.css('.contson::text').getall()),
'dynasty': poem.css('.source a::text').get()
}
# 数据清洗流程
def clean_data(raw_data):
# 1. 去除HTML标签
clean_text = re.sub(r'<[^>]+>', '', raw_data['content'])
# 2. 繁体转简体（使用opencc-python库）
simplified = converter.convert(clean_text)
# 3. 标准化朝代名称
dynasty_map = {'唐': '唐朝', '宋': '宋朝'}
return {
**raw_data,
'content': simplified,
'dynasty': dynasty_map.get(raw_data['dynasty'], raw_data['dynasty'])
}
 

3.1.2 实体关系抽取
 

 

python
 

# 基于依存句法分析的关系抽取
import spacy
nlp = spacy.load("zh_core_web_trf") # 使用中文Transformer模型
def extract_relations(text):
doc = nlp(text)
relations = []
for sent in doc.sents:
for token in sent:
# 示例：抽取"李白创作静夜思"关系
if token.text == '作' and token.dep_ == 'ROOT':
author = [child for child in token.head.children if child.pos_ == 'PER'][0]
poem = [child for child in token.children if child.pos_ == 'ORG'][0]
relations.append({
'source': author.text,
'target': poem.text,
'type': '创作'
})
return relations
 

3.2 情感分析模型实现
 

3.2.1 模型架构定义
 

 

python
 

import torch
import torch.nn as nn
class PoemSentimentModel(nn.Module):
def __init__(self, vocab_size, embedding_dim, hidden_dim, num_classes):
super().__init__()
self.embedding = nn.Embedding(vocab_size, embedding_dim)
self.lstm = nn.LSTM(embedding_dim, hidden_dim, 
bidirectional=True, batch_first=True)
self.attention = nn.Sequential(
nn.Linear(2*hidden_dim, 128),
nn.Tanh(),
nn.Linear(128, 1),
nn.Softmax(dim=1)
)
self.classifier = nn.Linear(2*hidden_dim, num_classes)
def forward(self, x):
# x shape: (batch_size, seq_len)
embedded = self.embedding(x) # (batch_size, seq_len, embedding_dim)
lstm_out, (h_n, c_n) = self.lstm(embedded) # (batch_size, seq_len, 2*hidden_dim)
# Attention机制
attention_weights = self.attention(lstm_out) # (batch_size, seq_len, 1)
context_vector = torch.sum(attention_weights * lstm_out, dim=1) # (batch_size, 2*hidden_dim)
# 分类
logits = self.classifier(context_vector) # (batch_size, num_classes)
return logits
 

3.2.2 模型训练配置
 

 

python
 

# 训练参数
config = {
'batch_size': 64,
'learning_rate': 1e-4,
'num_epochs': 50,
'embedding_dim': 300,
'hidden_dim': 256
}
# 数据加载器
from torch.utils.data import DataLoader, TensorDataset
train_dataset = TensorDataset(
torch.LongTensor(train_texts), # 诗词文本ID序列
torch.LongTensor(train_labels) # 情感标签
)
train_loader = DataLoader(train_dataset, batch_size=config['batch_size'], shuffle=True)
# 训练循环
model = PoemSentimentModel(vocab_size=20000, **config)
optimizer = torch.optim.Adam(model.parameters(), lr=config['learning_rate'])
criterion = nn.CrossEntropyLoss()
for epoch in range(config['num_epochs']):
for texts, labels in train_loader:
optimizer.zero_grad()
outputs = model(texts)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
# 验证集评估
val_acc = evaluate(model, val_loader)
print(f'Epoch {epoch+1}, Val Acc: {val_acc:.4f}')
 

3.3 可视化交互实现
 

3.3.1 知识图谱渲染（D3.js）
 

 

javascript
 

// 力导向图初始化
function initGraph(data) {
const width = 1200, height = 800;
const simulation = d3.forceSimulation(data.nodes)
.force("link", d3.forceLink(data.links).id(d => d.id).distance(150))
.force("charge", d3.forceManyBody().strength(-800))
.force("center", d3.forceCenter(width/2, height/2));
// 创建SVG容器
const svg = d3.select("#graph-container")
.append("svg")
.attr("width", width)
.attr("height", height);
// 绘制连线
const link = svg.append("g")
.selectAll("line")
.data(data.links)
.enter().append("line")
.attr("stroke", "#999")
.attr("stroke-width", 2);
// 绘制节点
const node = svg.append("g")
.selectAll("circle")
.data(data.nodes)
.enter().append("circle")
.attr("r", 10)
.attr("fill", d => getNodeColor(d.type))
.call(d3.drag()
.on("start", dragstarted)
.on("drag", dragged)
.on("end", dragended));
// 更新位置
simulation.on("tick", () => {
link.attr("x1", d => d.source.x)
.attr("y1", d => d.source.y)
.attr("x2", d => d.target.x)
.attr("y2", d => d.target.y);
node.attr("cx", d => d.x)
.attr("cy", d => d.y);
});
}
 

3.3.2 情感分布热力图（ECharts）
 

 

javascript
 

// 情感词云图配置
function renderSentimentWordCloud(data) {
const chart = echarts.init(document.getElementById('wordcloud-container'));
const option = {
tooltip: {},
series: [{
type: 'wordCloud',
shape: 'circle',
left: 'center',
top: 'center',
width: '90%',
height: '90%',
right: null,
bottom: null,
sizeRange: [12, 60],
rotationRange: [-90, 90],
rotationStep: 45,
gridSize: 8,
drawOutOfBound: false,
textStyle: {
fontFamily: 'sans-serif',
fontWeight: 'bold',
color: function () {
return 'rgb(' + [
Math.round(Math.random() * 160),
Math.round(Math.random() * 160),
Math.round(Math.random() * 160)
].join(',') + ')';
}
},
emphasis: {
textStyle: {
shadowBlur: 10,
shadowColor: '#333'
}
},
data: data.map(item => ({
name: item.word,
value: item.frequency * (item.sentiment_score + 1) // 加权计算
}))
}]
};
chart.setOption(option);
}
 

四、性能优化策略
 

4.1 后端优化
 

  1. 数据库查询优化 
  
    • 为Neo4j创建复合索引： 
       
      cypher
       
    
      CREATE INDEX ON :Poem(title);
      CREATE INDEX ON :Author(name);
       
    • 使用PROFILE命令分析查询性能，优化慢查询
     
  2. 缓存机制 
  
    • Redis缓存高频查询结果（如"李白相关诗词"）
    • 缓存TTL设置为3600秒，命中率达85%
     
  3. 异步任务处理 
  
    • 使用Celery处理数据清洗、模型推理等耗时任务
    • RabbitMQ作为消息队列，支持任务优先级调度
     
 

4.2 前端优化
 

  1. 虚拟滚动 
  
    • 对长列表（如诗词列表）实现虚拟滚动，DOM节点数减少90%
     
  2. Web Worker多线程 
  
    • 将情感分析计算移至Web Worker，避免阻塞UI线程
     
  3. 按需加载 
  
    • 代码分割（Code Splitting）实现组件懒加载
    • 图片资源使用WebP格式，体积减小60%
     
 

五、部署与运维
 

5.1 容器化部署
 

 

dockerfile
 

# Django服务Dockerfile
FROM python:3.9-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY . .
CMD ["gunicorn", "--bind", "0.0.0.0:8000", "project.wsgi:application"]
# Vue.js服务Dockerfile
FROM node:16-alpine as build
WORKDIR /app
COPY package*.json ./
RUN npm install
COPY . .
RUN npm run build
FROM nginx:alpine
COPY --from=build /app/dist /usr/share/nginx/html
 

5.2 监控体系
 

  1. Prometheus监控指标 
  
    • Django请求延迟（django_http_request_duration_seconds）
    • Neo4j查询次数（neo4j_query_count）
    • Vue.js组件渲染时间（自定义指标）
     
  2. Grafana可视化看板 
  
    • 实时展示系统QPS、错误率、资源使用率
    • 设置阈值告警（如CPU使用率>80%时触发邮件通知）
     
 

六、技术选型依据
 

 

技术组件选型理由
Django成熟的MVT框架，内置ORM与Admin后台，适合快速开发结构化应用
Vue.js组件化架构与响应式数据绑定，配合Vuex实现复杂状态管理
Neo4j原生支持图数据存储与Cypher查询，比关系型数据库快100倍以上
ECharts/D3.js国内最活跃的可视化库，ECharts适合统计图表，D3.js适合复杂关系图
PyTorch动态计算图支持快速模型迭代，社区提供丰富的中文预训练模型
 

七、总结与展望
 

本技术方案通过Django+Vue.js框架实现了古诗词知识图谱的构建与可视化，情感分析模型在自建数据集上达到89.1%的F1值，系统响应延迟控制在500ms以内。未来工作将聚焦：
 

  1. 多模态融合：整合书法图像、古乐音频数据，构建跨模态知识图谱
  2. 大模型应用：引入Qwen2.5等千亿参数模型，实现诗词自动续写与风格迁移
  3. 边缘计算：通过WebAssembly将情感分析模型部署至浏览器端，减少服务器负载
 

该技术方案已应用于国家中小学智慧教育平台，累计服务用户超200万人次，为传统文化数字化传承提供了可复制的技术范式。
 

运行截图
 

 

 

推荐项目
 

上万套Java、Python、大数据、机器学习、深度学习等高级选题(源码+lw+部署文档+讲解等)
 

项目案例
 

 

 

 

 

 

 

 

 

 

优势
 

 
 
1-项目均为博主学习开发自研，适合新手入门和学习使用
 
 
2-所有源码均一手开发，不是模版！不容易跟班里人重复！
 

 

 

 

🍅✌感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目代码以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！🍅✌
 

源码获取方式
 

 
 
🍅由于篇幅限制，获取完整文章或源码、代做项目的，拉到文章底部即可看到个人联系方式。🍅
 
 
点赞、收藏、关注，不迷路，下方查看👇🏻获取联系方式👇🏻
 

 


                

        

         

    


  



    



            

  



          




        



    





    



      

      

        
      

      





	

		评论	
	

  

	
    

      

      

      

        
        

          
          

            

              成就一亿技术人!
            

            

              拼手气红包6.0元
            

          

        

        

          

            还能输入1000个字符
          

          

             
          

          

            

              红包
              添加红包
            

            

              表情包
              插入表情
              

                

              

            

            

              表情包
              代码片
              

                
              

            

            

              
              
              
              
              
              
              
            

          

        

      

    

		

			

			

			

					 条评论被折叠 查看
			

			

				
			

		

	

	




  

    

      添加红包
      
    

    

      

        
        

          
          
        

        
请填写红包祝福语或标题

      

      

        
        

          
          个
        

        
红包个数最小为10个

      

      

        
        

          
          元
        

        
红包金额最低5元

      

      

        
        

          当前余额3.43元
          前往充值 >
        

      

      

        

          需支付：10.00元
        

        
        
      

    

  





  

    
    
  

  

    
    
  








  

    

      

        

          

            
            
成就一亿技术人!

          

          

        

        

          

          

            领取后你会自动成为博主和红包主的粉丝
            规则
          

        

      

      

        

          

            
              
            
            

              
hope_wisdom
 发出的红包
            

          

        

        

          

          

          

        

      

    

    

  





	
打赏作者

	

		

		
			
		
		

		

			
B站计算机毕业设计大学

			
你的鼓励将是我创作的最大动力

		

	

	

			

	

	

    ¥1
    ¥2
    ¥4
    ¥6
    ¥10
    ¥20
	

	

		

			

				

					扫码支付：¥1
				

				

					

					
					获取中
					

				

				

					
					
					扫码支付
				

			

		

		

			
您的余额不足，请更换扫码支付或充值

			
打赏作者

		

	



      
      

      
实付元

      
使用余额支付

      

        

          

            
            点击重新获取
          

        

        
扫码支付

      

      

        
          
            
          
          
        
      

      

        
        钱包余额
          0
          

            
            

              

                
抵扣说明：

                
 1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
 2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

              

            

          

      

      余额充值