计算机毕业设计对标硕论Django+大模型中华古诗词知识图谱可视化古诗词智能问答系统古诗词数据分析古诗词情感分析模型自然语言处理NLP 机器学习深度学习

最新推荐文章于 2025-12-15 10:42:42 发布

原创最新推荐文章于 2025-12-15 10:42:42 发布 · 681 阅读

24 ·

CC 4.0 BY-SA版权

文章标签：

#课程设计 #知识图谱 #自然语言处理 #大数据 #机器学习 #深度学习 #人工智能

大数据毕业设计专栏收录该内容

6254 篇文章

订阅专栏

部署运行你感兴趣的模型镜像

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+大模型中华古诗词知识图谱可视化与古诗词智能问答系统文献综述

引言

中华古诗词作为中华文化的重要载体，承载着丰富的历史记忆与情感内涵。然而，传统纸质媒介的传播局限性与现代学习者对数字化内容的需求矛盾日益凸显。据统计，我国现存可考古诗词超过50万首，但仅12%的诗词通过数字化平台被公众接触。在此背景下，基于Django框架与大语言模型（如文心一言、DeepSeek-R1）构建古诗词知识图谱可视化系统，并集成智能问答功能，成为推动古诗词数字化传承的关键技术路径。本文综述了该领域在知识图谱构建、情感分析、可视化交互及智能问答技术方面的研究进展，为后续系统开发提供理论支持与实践参考。

一、知识图谱构建技术

1.1 实体识别与关系抽取

古诗词知识图谱的核心在于实体识别与关系抽取。早期研究多采用规则匹配方法，如通过定义“人名+创作+诗词名”等模式识别诗人与作品关系。例如，某研究利用jieba分词工具结合自定义词典，通过依存句法分析挖掘“诗人-作品”“作品-主题”等关系，在《唐诗三百首》数据集上实现了92%的实体识别准确率。随着深度学习技术的发展，BiLSTM-CRF序列标注模型被广泛应用于实体识别任务。某系统结合该模型与规则引擎，在《全唐诗》测试集上达到93.2%的准确率。关系抽取方面，基于依存句法分析的算法可挖掘“诗人-创作-诗作”“诗作-引用-意象”等12类核心关系。例如，通过分析“李白创作《静夜思》”的句法结构，可自动抽取“创作”关系并存储至Neo4j图数据库。

1.2 图数据库存储与优化

Neo4j图数据库因其高效的查询性能被广泛应用于古诗词知识图谱存储。某系统将“诗人-作品-朝代-意象”四层实体存储于Neo4j中，支持多维度关联查询。例如，用户可通过Cypher语句检索“李白作品中涉及‘月亮’意象的诗词”，查询响应时间低于200ms。为提升查询效率，研究者采用复合索引技术，使关系查询速度提升70%。此外，针对大规模图谱渲染性能问题，某研究提出分片策略，按朝代将数据分片存储至不同节点，平衡负载并降低单节点压力。

二、古诗词情感分析技术

2.1 传统方法与深度学习模型

情感分析技术经历了从词典匹配到深度学习的演进。早期研究基于SnowNLP、BosonNLP等通用情感词典，通过计算诗词中情感词占比判断倾向。例如，某系统针对古诗词构建专用情感词典，添加“孤”“愁”“悦”等特色词汇，将情感分类准确率提升至78%。然而，古汉语隐喻、典故的使用导致传统方法难以捕捉深层情感。深度学习模型如LSTM、BERT等通过捕捉上下文语义信息，在古诗词情感分析中表现优异。某研究利用BERT预训练模型微调，在自建数据集上实现91%的F1值，显著优于传统方法。此外，注意力机制被引入以增强模型可解释性，例如通过可视化权重展示“孤帆远影碧空尽”中“孤”字对情感判断的贡献度（0.32）。

2.2 细粒度分类与多模态分析

为满足复杂情感表达需求，某系统将情感划分为“喜、怒、哀、乐、思”五类，结合BiLSTM-CRF模型实现单句级情感标注，在《全唐诗》测试集上达到85%的准确率。近年来，研究者开始探索多模态分析技术以增强情感判断的准确性。例如，结合诗词意象（如“梅花”象征高洁）与韵律特征（平仄、押韵）进行综合判断。某系统通过分析《静夜思》的平仄结构与“明月”“故乡”等意象，准确识别出“思乡”情感倾向。

三、可视化与交互技术

3.1 知识图谱可视化

可视化技术的核心在于直观性与交互性。力导向布局算法（如D3.js）可使节点自动分布至最优位置，避免重叠。例如，某系统通过该算法展示诗人社交网络，用户可拖拽节点查看子图，或点击诗词节点展开创作背景、意象分析等详情。统计图表渲染方面，ECharts负责基础统计图表渲染，如朝代诗词数量柱状图、意象词频词云图及情感分布饼图。某系统通过ECharts绘制“唐诗重意境、宋词重情感”的演变规律时间轴，帮助用户发现文学史趋势。

3.2 时空轨迹与交互优化

结合高德地图API，某系统将诗人游历轨迹按时间顺序可视化，用户触摸地点可查看对应诗词与历史事件，增强了文化沉浸感。为提升用户体验，研究者在交互设计上进行了多项创新：三级缩放交互支持全局概览→朝代子图→单首诗词的三级缩放；路径追溯功能可动态展开诗人社交网络并标注关系类型；实时数据推送通过WebSocket技术实现前端与后端的实时同步，例如在用户浏览诗词时动态更新相关评论与赏析。

四、智能问答系统技术

4.1 问答推理与意图识别

智能问答系统需理解用户提出的古诗词相关问题，并从知识库中检索出相关信息生成答案。某系统基于FastText模型分类用户问题类型（如“诗人信息查询”“诗词情感分析”），准确率达92%。实体链接技术将问题中的“李白”“静夜思”等实体映射到知识图谱节点，例如用户问题“李白的代表作有哪些？”可识别实体“李白”并查询其创作关系。问答推理方面，单跳查询直接匹配知识图谱中的三元组关系，如检索李白的诗词；多跳推理通过子图遍历解决复杂问题，如“与李白同游的诗人有哪些？”需先查询李白的社交关系，再追溯关联诗人。

4.2 大模型集成与个性化推荐

随着大语言模型的发展，某系统集成文心一言等AI大模型，实现自动写诗与智能问答功能。例如，通过输入提示词“诗词主题：思乡；风格：五言绝句”，模型可生成符合中华古诗词风格的诗句。为提升用户粘性，研究者探索基于用户行为的个性化推荐技术。某系统通过分析用户浏览历史与收藏记录，利用协同过滤算法推荐相似诗词，并结合知识图谱路径推理生成个性化建议，如“根据您浏览的《静夜思》，推荐李白的《月下独酌》”。

五、研究挑战与未来方向

5.1 现有挑战

当前研究仍面临以下问题：数据质量问题（如古汉语词汇歧义导致实体识别误差）、模型泛化能力（跨朝代、跨诗人场景下性能下降）、大规模图谱渲染性能（十万级节点图谱的实时交互延迟需优化至<500ms）。

5.2 未来方向

未来研究可结合多模态技术（如融合诗词文本、书法图像、古乐音频等数据构建跨模态实体关联）、强化学习推荐（利用用户行为数据训练推荐模型并结合知识图谱路径推理生成个性化诗词列表）、低代码可视化平台（开发拖拽式可视化组件库降低非技术人员构建诗词图谱的门槛），推动古诗词数字化从“可视化展示”向“智能化服务”升级。