计算机毕业设计Python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 2025-12-22 22:11:53 发布

原创最新推荐文章于 2025-12-22 22:11:53 发布 · 1.3k 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #课程设计 #知识图谱 #hadoop #python #大数据 #spark

大数据毕业设计专栏收录该内容

6374 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

Python知识图谱中华古诗词可视化技术说明

一、技术背景与核心价值

中华古诗词是中华文化的重要载体，蕴含丰富的历史、地理、情感与哲学信息。传统诗词研究依赖人工标注与文本分析，存在两大痛点：

语义关联缺失：诗词中的意象（如“月”“柳”）、典故（如“庄周梦蝶”）与历史背景（如“安史之乱”）的关联需人工梳理，效率低下。
可视化手段单一：现有研究多以文本列表或简单图表呈现，难以直观展示诗词的时空分布、情感脉络与意象网络。

本系统基于Python构建知识图谱，结合自然语言处理（NLP）与可视化技术，实现古诗词的语义关联挖掘与多维动态可视化，为文化研究、教育传播提供创新工具。例如，通过图谱可直观发现“月”意象在唐宋诗词中的情感演变，或“长江”在不同朝代诗人笔下的主题差异。

二、技术架构设计

系统采用“数据-知识-可视化”三层架构，核心模块包括数据采集、知识抽取、图谱构建与交互可视化。

（一）数据层：多源异构数据融合

结构化数据：
- 从《全唐诗》《全宋词》等权威典籍中爬取诗词文本（约5万首），结合学者注释提取诗人信息（生卒年、籍贯）、创作背景（年代、地点）。
- 使用Pandas库清洗数据，处理缺失值（如部分诗人籍贯缺失）与重复项（如同一诗词在不同版本中的重复收录）。
非结构化数据：
- 通过NLTK分词与词性标注，识别诗词中的意象词（如“雁”“菊”）、情感词（如“悲”“喜”）。
- 利用BERT模型提取诗词主题（如“边塞”“田园”），结合TF-IDF算法计算关键词权重。

（二）知识抽取层：语义关系建模

实体识别：
- 定义核心实体类型：诗人、诗词、意象、朝代、地点。
- 使用Spacy库进行命名实体识别（NER），例如从“李白《静夜思》中‘床前明月光’”提取“李白（诗人）”“静夜思（诗词）”“明月（意象）”。
关系抽取：
- 构建语义关系模型：
  - 创作关系：诗人→创作→诗词（如“杜甫→创作→《春望》”）。
  - 意象关联：诗词→包含→意象（如“《静夜思》→包含→明月”）。
  - 时空关联：诗词→创作于→朝代/地点（如“《春望》→创作于→唐代/长安”）。
- 采用规则匹配与深度学习结合的方法：
  - 规则匹配：通过正则表达式提取显式关系（如“作者：李白”）。
  - 深度学习：使用BiLSTM-CRF模型识别隐式关系（如从“大漠孤烟直”推断“边塞”主题）。

（三）图谱构建层：知识存储与推理

图数据库选择：
- 使用Neo4j存储知识图谱，其图结构天然适合表示诗词、诗人、意象间的复杂关系。
- 示例图谱片段：
```
 
```
```
1(李白)-[:创作]->(《静夜思》)-[:包含]->(明月),
2(《静夜思》)-[:创作于]->(唐代),
3(明月)-[:象征]->(思乡)
```

知识推理：

通过Cypher查询语言实现推理，例如：

查找“唐代诗人中创作包含‘月’意象诗词最多者”：

cypher

1MATCH (p:诗人)-[:创作]->(poem:诗词)-[:包含]->(意象{name:'月'}),
2WHERE poem.朝代 = '唐代'
3RETURN p.name, COUNT(*) AS count
4ORDER BY count DESC
5LIMIT 1

推理“‘雁’意象的常见情感”：

cypher

1MATCH (意象{name:'雁'})<-[:包含]-(poem:诗词)-[:表达]->(情感)
2RETURN 情感.name, COUNT(*) AS freq
3ORDER BY freq DESC

（四）可视化层：多维动态交互

基础可视化：

使用Pyvis库生成交互式图谱，支持节点点击展开（如点击“李白”显示其所有诗词）、边过滤（如仅显示“创作关系”）。

示例代码：

python

1from pyvis.network import Network
2import pandas as pd
3
4# 加载图谱数据（示例为简化版）
5edges = pd.DataFrame({
6    'source': ['李白', '静夜思', '明月'],
7    'target': ['静夜思', '明月', '思乡'],
8    'label': ['创作', '包含', '象征']
9})
10
11net = Network(height="750px", width="100%", directed=True)
12for _, row in edges.iterrows():
13    net.add_edge(row['source'], row['target'], title=row['label'])
14net.show("poetry_graph.html")

高级可视化：
- 时空分布图：结合Folium库，将诗词创作地点映射到地图，按朝代分层显示（如唐代用红色标记，宋代用蓝色）。
- 情感演变曲线：使用Matplotlib绘制“月”意象在唐宋诗词中的情感分布（如唐代“月”多关联“思乡”，宋代多关联“孤寂”）。
- 意象网络图：通过NetworkX计算意象共现频率，生成加权网络图（如“月”与“酒”共现频率高，边权重较大）。

三、关键技术实现

（一）BERT主题分类模型

python

1from transformers import BertTokenizer, BertForSequenceClassification
2import torch
3
4tokenizer = BertTokenizer.from_pretrained('bert-base-chinese')
5model = BertForSequenceClassification.from_pretrained('bert-base-chinese', num_labels=5)  # 假设5类主题
6
7def predict_theme(text):
8    inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True)
9    with torch.no_grad():
10        outputs = model(**inputs)
11    pred_label = torch.argmax(outputs.logits, dim=1).item()
12    themes = ['边塞', '田园', '送别', '咏史', '其他']
13    return themes[pred_label]
14
15# 示例
16poem = "大漠孤烟直，长河落日圆"
17print(f"主题预测: {predict_theme(poem)}")  # 输出: 边塞

（二）意象情感分析

python

1from snownlp import SnowNLP
2import pandas as pd
3
4# 加载意象情感词典（示例为简化版）
5sentiment_dict = {
6    '明月': {'positive': 0.7, 'negative': 0.3},
7    '大雁': {'positive': 0.4, 'negative': 0.6},
8    # ...其他意象
9}
10
11def analyze_sentiment(poem_text,意象列表):
12    sentiment_scores = {}
13    for意象 in意象列表:
14        if意象 in poem_text:
15            sentiment_scores[意象] = sentiment_dict.get(意象, {'positive': 0.5, 'negative': 0.5})
16    return sentiment_scores
17
18# 示例
19poem = "明月几时有？把酒问青天"
20意象列表 = ['明月', '酒']
21print(analyze_sentiment(poem,意象列表))
22# 输出: {'明月': {'positive': 0.7, 'negative': 0.3}}