计算机毕业设计Django+DeepSeek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 深度学习

最新推荐文章于 2025-12-15 15:31:09 发布

原创最新推荐文章于 2025-12-15 15:31:09 发布 · 945 阅读

19 ·

CC 4.0 BY-SA版权

文章标签：

#课程设计 #知识图谱 #数据分析 #大数据 #hadoop #django #自然语言处理

大数据毕业设计专栏收录该内容

6234 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

Django+DeepSeek大模型中华古诗词知识图谱可视化研究

摘要：本文聚焦于利用Django框架与DeepSeek大模型构建中华古诗词知识图谱可视化系统。通过整合多源古诗词数据，构建包含诗人、作品、意象等实体的知识图谱，结合DeepSeek大模型的语义理解能力，实现古诗词的深度解析与动态可视化展示。实验表明，系统在知识图谱构建、语义理解准确性和可视化交互性方面表现优异，为古诗词研究与文化传播提供了智能化工具。

关键词：Django框架；DeepSeek大模型；中华古诗词；知识图谱；可视化

一、引言

中华古诗词作为中华文化的瑰宝，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，利用先进技术构建古诗词知识图谱可视化系统，成为推动古诗词数字化传承的关键路径。

Django作为一款高效、灵活的Python Web框架，具有强大的数据库访问功能、丰富的模板系统以及优雅的URL设计等特点，为构建Web应用提供了坚实基础。DeepSeek大模型作为国产人工智能领域的杰出代表，凭借其卓越的语义理解能力和多模态处理能力，在自然语言处理、图像识别等领域取得了显著成果。将Django与DeepSeek大模型相结合，构建中华古诗词知识图谱可视化系统，不仅能够实现古诗词的深度解析，还能提供直观、便捷的可视化交互体验，助力古诗词研究与文化传播。

二、相关工作

2.1 古诗词知识图谱研究现状

近年来，古诗词知识图谱的研究逐渐兴起。早期研究多采用规则匹配方法进行实体识别与关系抽取，如通过定义“人名+创作+诗词名”等模式识别诗人与作品关系。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，结合依存句法分析的算法可挖掘多种核心关系。例如，某系统结合BiLSTM-CRF模型与规则引擎，在《全唐诗》测试集上达到较高的实体识别准确率。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，支持多维度关联查询。

2.2 大模型在古诗词领域的应用

大模型在古诗词领域的应用逐渐成为研究热点。基于BERT等预训练模型的微调方法在古诗词情感分析、语义理解等任务中取得了一定成果。例如，利用BERT预训练模型微调，在自建数据集上实现较高的情感分析F1值。然而，这些方法仍存在对“借景抒情”“托物言志”等修辞手法理解不足的问题。DeepSeek大模型通过海量语料预训练，具备强大的语义理解与上下文关联能力，能够准确识别诗词中的隐喻、典故等复杂表达，为古诗词的深度解析提供了有力支持。

2.3 可视化技术在古诗词领域的应用

可视化技术在古诗词领域的应用为用户提供了直观、便捷的交互体验。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，展示诗人社交网络等复杂关系。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等。结合高德地图API，可将诗人游历轨迹按时间顺序可视化，增强文化沉浸感。

三、系统架构设计

3.1 总体架构

本系统采用前后端分离的微服务架构，分为数据层、服务层和交互层三个层次。数据层负责数据的存储和管理，包括结构化数据、非结构化数据和知识图谱数据；服务层提供系统的核心功能，包括数据采集与预处理、知识图谱构建、语义理解模型训练与推理等；交互层则负责与用户进行交互，提供可视化的界面和操作方式。

3.2 数据层

Neo4j图数据库：存储知识图谱数据，包括诗人、作品、意象等实体及其关系。通过创建复合索引，加速关系遍历，提高查询效率。例如，为高频查询字段创建复合索引，使关系查询速度提升显著。
MySQL数据库：存储用户历史问答记录与系统日志等结构化数据，保证数据的一致性和完整性。
Redis数据库：缓存热门查询结果，如“李白相关诗词”，TTL设置为1小时，进一步优化查询效率，减少数据库的访问压力。

3.3 服务层

数据采集与预处理模块：通过对接主流数据源，如《全唐诗》《全宋词》文本及注释、历代诗话评注、现代研究论文等结构化数据，以及古诗文网用户评论、知乎问答及B站视频字幕等非结构化数据，获取古诗词相关信息。利用数据清洗技术去除无效数据，如重复诗词（通过TF-IDF算法检测相似度，阈值设为0.85）、无意义字符评论等，并对文本数据进行分词、去停用词、特征提取等预处理操作，将非结构化文本转化为机器学习模型可识别的结构化数据。
知识图谱构建模块：包括实体识别、关系抽取和图谱存储三个子模块。实体识别采用BiLSTM-CRF模型，结合自定义词典与依存句法分析，在《全唐诗》测试集上达到较高的准确率，能够识别诗人、作品、意象、典故等实体。关系抽取基于RoBERTa-Large模型，判断“创作”“引用”“批判”等12类核心关系。图谱存储将抽取的实体和关系导入Neo4j图数据库，构建包含大量节点和关系的图谱，支持Cypher查询语言实现复杂推理。
语义理解模块：利用DeepSeek大模型进行古诗词的语义理解，包括情感分析、意象提取等任务。通过在自建数据集上微调DeepSeek-R1模型，结合知识增强生成（RAG）技术，优先检索相关实体后再生成回答，提升语义理解的准确性和可解释性。例如，用户询问“《静夜思》表达了什么情感？”，系统先检索“李白-意象-月亮”关系，再生成回答：“通过‘明月’意象与‘思乡’主题的关联，表达游子孤寂之情。”

3.4 交互层

采用Vue.js框架结合ECharts、D3.js实现动态可视化，为用户提供直观、便捷的操作和查看界面。通过D3.js力导向图展示诗人社交网络，节点为实体（如诗人、意象），边为关系（如“创作于”“象征”），节点颜色区分实体类型，边粗细表示关系强度，支持缩放、拖拽、点击展开节点详情（如诗人生平、代表作品）。ECharts用于生成各种统计图表，如朝代诗词数量柱状图、意象词频词云图及情感分布饼图等。结合高德地图API，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，增强文化沉浸感。

四、系统实现

4.1 数据采集与预处理实现

使用Scrapy框架爬取古诗文网、中华诗词库等网站的数据，获取古诗词文本、作者、朝代等元数据，存储至MySQL数据库。利用jieba分词工具结合自定义词典对文本数据进行分词处理，去除停用词，提取关键词等特征。通过TF-IDF算法检测重复诗词，设置相似度阈值为0.85，去除重复数据，保证数据质量。

4.2 知识图谱构建实现

实体识别：使用BiLSTM-CRF模型进行实体识别，结合自定义词典与依存句法分析，提高识别准确率。通过训练模型在《全唐诗》测试集上进行验证，达到较高的准确率。
关系抽取：基于RoBERTa-Large模型进行关系抽取，通过分析句子结构判断实体之间的关系。例如，分析“杜甫《春望》引用《诗经》‘忧心烈烈’”的句法结构，自动抽取“引用”关系。
图谱存储：使用py2neo库将抽取的实体和关系导入Neo4j图数据库，构建知识图谱。通过创建复合索引，优化查询性能，支持复杂的Cypher查询语句实现多维度关联查询。

4.3 语义理解实现

利用DeepSeek-R1模型进行古诗词的语义理解，包括情感分析和意象提取等任务。在自建数据集上对模型进行微调，数据集包含大量标注好的古诗词样本，标注情感标签和关键意象。结合知识增强生成（RAG）技术，在生成回答时优先检索知识图谱中的相关实体信息，提高回答的准确性和可解释性。

4.4 可视化实现

使用Vue.js框架搭建前端界面，结合ECharts和D3.js实现动态可视化。通过D3.js力导向图展示诗人社交网络，设置节点的属性和交互事件，实现缩放、拖拽、点击展开等功能。使用ECharts生成各种统计图表，如柱状图、词云图、饼图等，直观展示古诗词的分布情况和特征。结合高德地图API，将诗人游历轨迹可视化，通过JavaScript代码实现地图的加载、路线绘制和事件交互。

五、实验与结果分析

5.1 实验环境

实验环境为Python 3.9，Django框架版本为4.0，Neo4j图数据库版本为4.4，MySQL数据库版本为8.0，Redis数据库版本为6.2。使用NVIDIA Tesla V100 GPU进行模型训练和推理，CUDA版本为11.1。

5.2 实验数据

实验数据包括从多个数据源采集的古诗词数据，涵盖唐诗、宋词、元曲等多个朝代和体裁的诗词，共计超过30万首。对数据进行标注，构建情感分析数据集和意象提取数据集，用于模型训练和评估。

5.3 实验结果

知识图谱构建结果：构建的知识图谱包含大量节点和关系，能够准确表示诗人、作品、意象等实体及其之间的关系。通过Cypher查询语句进行复杂推理，如查询“与李白同游的诗人有哪些？”，能够快速准确地返回结果，验证了知识图谱的有效性和实用性。
语义理解结果：在情感分析任务中，系统在自建测试集上达到较高的准确率和F1值，较传统方法有显著提升。在意象提取任务中，能够准确提取诗词中的关键意象，并给出合理的解释，提高了古诗词的理解深度。
可视化结果：通过力导向图、统计图表和地图可视化等方式，直观展示了古诗词的分布情况、诗人社交网络和游历轨迹等信息。用户可以通过交互操作，如缩放、拖拽、点击等，深入了解古诗词的背景知识和文化内涵，增强了用户体验。

六、结论与展望

本文利用Django框架与DeepSeek大模型构建了中华古诗词知识图谱可视化系统，实现了古诗词的深度解析与动态可视化展示。实验结果表明，系统在知识图谱构建、语义理解准确性和可视化交互性方面表现优异，为古诗词研究与文化传播提供了智能化工具。

未来研究可进一步拓展系统的功能和应用场景。例如，结合多模态技术，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，提供更加丰富的古诗词体验。利用强化学习推荐技术，根据用户行为数据训练推荐模型，结合知识图谱路径推理生成个性化诗词列表，提高用户粘性。开发低代码可视化平台，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。

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！🍅✌