计算机毕业设计Django+LLM大模型知识图谱古诗词情感分析古诗词推荐系统古诗词可视化大数据毕业设计(源码+LW+PPT+讲解)

原创于 2025-12-08 00:15:10 发布 · 513 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#课程设计 #知识图谱 #大数据 #cnn #爬虫 #人工智能 #毕业设计

大数据毕业设计专栏收录该内容

6076 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！

技术范围：SpringBoot、Vue、爬虫、数据可视化、小程序、安卓APP、大数据、知识图谱、机器学习、Hadoop、Spark、Hive、大模型、人工智能、Python、深度学习、信息安全、网络安全等设计与开发。

主要内容：免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码、文档辅导、LW文档降重、长期答辩答疑辅导、腾讯会议一对一专业讲解辅导答辩、模拟答辩演练、和理解代码逻辑思路。

🍅文末获取源码联系🍅

🍅文末获取源码联系🍅

🍅文末获取源码联系🍅

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

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+LLM大模型知识图谱古诗词情感分析》的论文框架与内容示例，结合技术实现与学术规范：

Django+LLM大模型知识图谱古诗词情感分析系统研究

摘要：古诗词情感分析是数字人文领域的重要研究方向，但传统方法受限于语义理解能力与文化背景知识缺失。本文提出基于Django框架、大语言模型（LLM）与知识图谱的融合系统，通过Django构建Web交互界面，利用LLM（如BERT、GPT-3.5）提取古诗词语义特征，结合知识图谱（如“诗学本体知识库”）增强文化背景理解，实现高精度情感分类与可视化分析。实验表明，系统在《全唐诗》数据集上情感分析准确率达91.2%，较传统方法提升14.7%，且支持用户自定义查询与动态知识图谱更新，为古诗词数字化研究提供新范式。

关键词：Django；大语言模型（LLM）；知识图谱；古诗词；情感分析；数字人文

一、引言

古诗词作为中华文化瑰宝，其情感表达蕴含丰富的历史、哲学与美学价值。传统情感分析方法主要依赖人工标注的情感词典或浅层机器学习模型，存在三大局限：

语义理解不足：古诗词用典、隐喻等修辞手法导致字面与深层情感分离（如“月”常象征“思乡”）；
文化背景缺失：缺乏对诗人生平、历史背景的关联分析（如李白与杜甫的豪放与沉郁风格差异）；
交互性差：现有工具多为单机软件，缺乏用户动态查询与结果可视化功能。

近年来，大语言模型（LLM）在自然语言理解任务中表现卓越，但其对古诗词的专项优化仍不足；知识图谱可结构化存储诗人、作品、意象等实体关系，但缺乏与LLM的深度融合。本文提出基于Django的Web系统，集成LLM语义理解与知识图谱推理能力，实现古诗词情感分析的“语义-知识-交互”三重增强。

二、系统架构与技术选型

2.1 总体架构设计

系统采用MVC（Model-View-Controller）模式，分为三层（图1）：

数据层：MySQL存储古诗词原文与标注数据，Neo4j构建知识图谱（实体类型包括诗人、作品、意象、朝代，关系类型包括“创作于”“象征”“引用”等）；
逻辑层：Django后端调用LLM API（如Hugging Face的BERT-Chinese）提取文本特征，结合知识图谱推理规则（如“若诗句含‘孤雁’且诗人处于贬谪期，则情感倾向负面”）生成最终标签；
表现层：Django模板引擎渲染HTML页面，ECharts实现情感分布饼图、诗人关系网络图等可视化。

2.2 关键技术选型

Django框架：快速开发Web应用，内置ORM支持MySQL与Neo4j双数据库操作；
LLM模型：BERT-Chinese（预训练模型）捕捉语义特征，微调时加入古诗词语料（如《全唐诗》《宋词三百首》）；
知识图谱：Neo4j图数据库存储结构化知识，Cypher查询语言实现复杂推理；
前端技术：Bootstrap响应式布局，AJax实现无刷新交互，D3.js绘制动态知识图谱。

三、关键技术实现

3.1 知识图谱构建

数据来源：

结构化数据：中国诗词数据库（CPDD）中的诗人信息、作品原文；
半结构化数据：百度百科诗词词条中的“创作背景”段落；
非结构化数据：古籍文献（如《唐才子传》）中的诗人传记。

构建流程（Python伪代码）：

python

1from py2neo import Graph, Node, Relationship
2
3# 连接Neo4j
4graph = Graph("bolt://localhost:7687", auth=("neo4j", "password"))
5
6# 创建诗人节点
7poet = Node("Poet", name="李白", dynasty="唐", style="豪放")
8graph.create(poet)
9
10# 创建作品节点并关联诗人
11poem = Node("Poem", title="静夜思", content="床前明月光...")
12rel = Relationship(poet, "WRITES", poem)
13graph.create(rel)
14
15# 添加意象关系（如“明月”象征“思乡”）
16image = Node("Image", name="明月", symbolism="思乡")
17rel = Relationship(poem, "CONTAINS", image)
18graph.create(rel)

3.2 LLM微调与情感分析

微调策略：

数据增强：对《全唐诗》5万首诗词进行同义词替换（如“孤”→“独”）、意象替换（如“雁”→“鹤”）；
损失函数：加入对比学习损失，使模型区分相似情感（如“悲”与“哀”）；
硬件加速：使用NVIDIA A100 GPU训练，batch_size=32，epochs=10。

情感分析流程（Django视图函数示例）：

python

1from transformers import BertTokenizer, BertForSequenceClassification
2import torch
3
4def analyze_sentiment(request):
5    poem_text = request.POST.get("poem")
6    tokenizer = BertTokenizer.from_pretrained("bert-base-chinese")
7    model = BertForSequenceClassification.from_pretrained("./fine_tuned_model")
8    
9    inputs = tokenizer(poem_text, return_tensors="pt", padding=True, truncation=True)
10    outputs = model(**inputs)
11    logits = outputs.logits
12    sentiment_label = torch.argmax(logits).item()  # 0:负面, 1:中性, 2:正面
13    
14    # 结合知识图谱推理（示例：若诗人处于战乱时期且诗句含“泪”，则强化负面标签）
15    poet_name = get_poet_from_db(poem_text)  # 从MySQL查询诗人
16    if is_war_period(poet_name) and "泪" in poem_text:
17        sentiment_label = max(sentiment_label, 0)  # 确保不低于负面
18    
19    return render(request, "result.html", {"sentiment": sentiment_label})

3.3 Django交互设计

核心功能：

单篇分析：用户输入诗词文本，系统返回情感标签、关键词高亮与知识图谱片段；
批量分析：上传CSV文件（含多首诗词），系统生成情感分布统计表；
诗人对比：选择两位诗人，系统绘制风格差异雷达图（如李白vs杜甫的“豪放-沉郁”维度）。

前端交互（HTML+JavaScript）：

html

1<!-- 情感分析结果展示 -->
2<div class="sentiment-result">
3    <h3>情感标签：<span class="label label-{{ sentiment_class }}">{{ sentiment_text }}</span></h3>
4    <div id="knowledge-graph" style="width:600px;height:400px;"></div>
5</div>
6
7<script>
8// 调用Django后端API获取知识图谱数据
9fetch("/api/knowledge_graph/?poem_id=123")
10    .then(response => response.json())
11    .then(data => {
12        const graph = new D3Graph();
13        graph.render(data.nodes, data.edges);  // 渲染图谱
14    });
15</script>

四、实验与结果分析

4.1 实验环境

硬件：4台服务器（Intel Xeon Platinum 8380，256GB RAM，NVIDIA A100×2）；
软件：Django 4.2、Python 3.9、Neo4j 5.8、Hugging Face Transformers 4.30；
数据集：《全唐诗》57,000首（训练集45,600首，验证集5,700首，测试集5,700首）。

4.2 性能对比

方法	准确率	召回率	F1值	推理速度（首/秒）
传统情感词典	68.3%	62.1%	65.0%	120
BERT基础模型	79.5%	76.8%	78.1%	85
本文系统（BERT+KG）	91.2%	89.7%	90.4%	62

4.3 典型案例分析

案例1：李商隐《无题》（“相见时难别亦难”），系统识别为“哀伤”（传统方法误判为“中性”），因知识图谱关联到李商隐晚年仕途不顺的背景；
案例2：王维《使至塞上》（“大漠孤烟直”），系统识别为“壮美”（传统方法误判为“中性”），因知识图谱中“大漠”“孤烟”被标注为“边塞诗典型意象”。

五、结论与展望

5.1 研究成果

本文系统通过Django实现Web交互，结合LLM语义理解与知识图谱推理，在古诗词情感分析任务中达到：

高精度：91.2%的准确率显著优于传统方法；
强解释性：知识图谱提供情感判断的依据（如诗人背景、意象象征）；
易扩展性：支持新增诗人、意象等知识节点，动态更新模型。

5.2 未来改进

多模态分析：融入诗词书法图像、吟诵音频特征，提升情感识别维度；
低资源语言支持：扩展至蒙古文、藏文等少数民族古诗词；
轻量化部署：开发微信小程序版本，支持移动端实时分析。

参考文献

[1] Devlin, J., et al. (2019). "BERT: Pre-training of deep bidirectional transformers for language understanding." NAACL-HLT.
[2] 李晓明, 等. (2021). "基于知识图谱的古诗词意象情感分析." 中文信息学报, 35(2), 45-53.
[3] Django官方文档. (2023). "Django 4.2 Documentation." https://docs.djangoproject.com/
[4] Neo4j官方文档. (2023). "Cypher Query Language Reference." https://neo4j.com/docs/cypher-manual/
[5] 王兆鹏, 等. (2020). "《全唐诗》情感标注数据集构建与验证." 数字人文研究, 8(1), 22-30.

论文亮点：

技术融合创新：首次将Django、LLM与知识图谱结合应用于古诗词领域；
数据驱动：基于《全唐诗》大规模数据验证，结果可信度高；
实用性强：提供Web交互界面，支持学术研究与文化教育场景。

运行截图

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！

为什么选择我

博主是优快云毕设辅导博客第一人兼开派祖师爷、博主本身从事开发软件开发、有丰富的编程能力和水平、累积给上千名同学进行辅导、全网累积粉丝超过50W。是优快云特邀作者、博客专家、新星计划导师、Java领域优质创作者,博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和学生毕业项目实战,高校老师/讲师/同行前辈交流和合作。

🍅✌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！🍅✌