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-优快云博客

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

开题报告：Django + DeepSeek大模型中华古诗词知识图谱可视化

一、研究背景与意义

1.1 研究背景

中华古诗词是中华文化的瑰宝，承载着历史、哲学、美学等多重价值。然而，传统古诗词的传播与学习方式存在两大痛点：

数据碎片化：古诗词数据分散于古籍、网络平台，缺乏结构化整合，难以系统化挖掘文化内涵；
语义理解局限：传统方法依赖人工标注或规则匹配，难以处理隐喻、典故等复杂语义，尤其在跨朝代、跨题材的关联分析中表现不足。

近年来，深度学习与知识图谱技术的突破为古诗词数字化研究提供了新范式：

知识图谱：通过实体-关系建模，可系统化梳理诗人、朝代、意象等关联，构建文化语义网络；
大语言模型（LLM）：如DeepSeek等模型具备强大的语义理解能力，可结合知识图谱增强对隐喻、典故的解析，提升文化适配性；
可视化技术：通过D3.js、ECharts等工具，可将抽象知识图谱转化为直观交互界面，辅助教育传承与文化创意开发。

1.2 研究意义

理论意义：探索LLM与知识图谱在古诗词领域的协同机制，填补非结构化文本与结构化知识融合的研究空白；
实践意义：构建智能化古诗词分析系统，辅助文学研究、教育传承（如个性化学习路径规划）及文化创意产业（如诗词生成、文旅资源开发）。

二、国内外研究现状

2.1 古诗词知识图谱研究现状

国内研究：
- 部分研究构建了诗人关系图谱、诗词意象图谱，但多聚焦单一维度（如诗人社交网络），缺乏跨朝代、跨题材的关联分析；
- 已有研究尝试将知识图谱用于诗词推荐，但未与LLM深度结合，语义理解能力有限。
国外研究：
- 自然语言处理领域在文本分类、情感分析等方面技术成熟，但因语言文化差异，针对中华古诗词的研究较少；
- 知识图谱可视化工具（如Neo4j、D3.js）在社交网络、生物信息学等领域应用广泛，为古诗词可视化提供技术参考。

2.2 DeepSeek大模型应用现状

DeepSeek大模型基于Transformer架构，通过混合专家系统（MoE）与多头潜在注意力（MLA）机制，在中文语义理解、长文本处理等方面表现优异。其特点包括：

文化适配性：预训练阶段融入中文语料库与知识图谱，深化实体理解；
高效推理：支持动态计算图与混合精度训练，降低计算成本；
多模态融合：支持文本与图像、视频的跨模态理解，为诗词意象可视化提供可能。

2.3 现有研究的不足

缺乏针对古诗词的LLM与知识图谱融合方法；
未形成完整的系统化工具支持古诗词语义分析、推荐与可视化；
可视化界面多聚焦静态展示，缺乏交互式探索功能（如诗人轨迹动态模拟、诗词情感动态分析）。

三、研究内容与创新点

3.1 研究内容

数据采集与预处理
- 爬取《全唐诗》《全宋词》等古籍数据，结合百科知识库补充诗人、朝代、意象等元数据；
- 使用jieba分词工具进行分词、去停用词，构建结构化数据集。
知识图谱构建
- 实体识别：提取诗人、朝代、诗词、意象等核心实体；
- 关系抽取：定义“创作于”“属于”“好友”等关系，构建实体关联网络；
- 图谱存储：使用Neo4j图数据库存储知识图谱，支持高效查询与推理。
DeepSeek大模型微调
- 任务定义：针对古诗词特点，设计情感分析（如喜、怒、哀、乐）、主题分类（如边塞诗、田园诗）等任务；
- 模型微调：基于Hugging Face框架加载DeepSeek预训练模型，加入知识图谱嵌入层，增强对隐喻、典故的语义理解；
- 多模态扩展：结合诗词意象与图像数据，训练跨模态检索模型（如“以图搜诗”）。
可视化系统开发
- 后端框架：基于Django构建Web系统，处理HTTP请求、调用情感分析API、管理用户数据；
- 前端交互：使用ECharts实现诗词情感分布柱状图、诗人社交网络力导向图，支持动态筛选与导出；
- 创新功能：
  - 诗人轨迹模拟：结合古今地名转换，通过高德地图API展示诗人游历路线；
  - 诗词生成与推荐：用户输入关键词（如“秋天”“思乡”），系统生成符合要求的诗词并推荐相似作品。

3.2 创新点

方法创新：首次将DeepSeek大模型与古诗词知识图谱结合，解决隐喻语义理解难题；
系统创新：集成语义分析、推荐与可视化功能，提供从数据到应用的全流程解决方案；
交互创新：支持动态轨迹模拟、跨模态检索等交互功能，提升用户体验与文化探索深度。

四、研究方法与技术路线

4.1 研究方法

文献调研法：分析古诗词数字化、知识图谱构建及LLM应用的现有成果；
实验研究法：通过对比实验验证知识图谱对DeepSeek情感分析的增益效果；
系统开发法：基于Django框架实现系统原型，进行功能测试与优化。

4.2 技术路线

数据层：
- 爬虫采集数据 → 清洗 → 存储至MySQL数据库；
- 实体关系抽取 → 导入Neo4j图数据库。
模型层：
- DeepSeek微调 → 情感分析/主题分类API封装；
- 跨模态模型训练 → 支持“以图搜诗”。
应用层：
- Django后端处理请求 → 调用模型API → 返回结果；
- ECharts前端展示可视化图表 → 支持用户交互。

五、预期成果

完成古诗词知识图谱构建，覆盖5000+诗词实体与关系；
实现情感分析准确率≥85%（基于人工标注测试集）；
开发Django Web系统，支持实时分析与可视化展示；
发表核心期刊论文1篇，申请软件著作权1项。

六、进度安排

阶段	时间	任务
文献调研	第1-2周	确定技术路线与数据来源
数据采集	第3-4周	完成数据清洗与知识图谱构建
模型训练	第5-8周	DeepSeek微调与跨模态模型训练
系统开发	第9-10周	前端界面开发与功能集成
测试优化	第11-12周	性能评估与论文撰写

七、参考文献

[1] Devlin J, et al. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. NAACL 2019.
[2] 李明等. 基于知识图谱的古诗词意象分析研究. 中文信息学报, 2022.
[3] DeepSeek Documentation. https://www.deepseek.com/docs.
[4] Django Documentation. https://docs.djangoproject.com.
[5] 清风紫雪. 中华古诗词知识图谱之实体关系构建. 51CTO博客, 2024.

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！🍅✌