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

原创于 2025-12-13 00:36:44 发布 · 445 阅读

14 ·

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 #hive

大数据毕业设计专栏收录该内容

6176 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技术说明

一、项目背景与目标

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。本项目旨在通过Django框架与DeepSeek大模型的结合，构建中华古诗词知识图谱可视化系统，实现古诗词知识的结构化存储、语义理解与动态可视化展示，为古诗词研究与教育提供智能化工具。

二、技术架构设计

1. 整体架构

系统采用前后端分离的微服务架构，分为数据层、服务层与交互层：

数据层：Neo4j图数据库存储知识图谱（诗人、作品、意象、情感等实体关系），MySQL存储用户行为日志与系统配置，Redis缓存热门查询结果。
服务层：Django框架提供RESTful API，集成DeepSeek大模型进行语义解析与推理，结合知识图谱实现复杂查询（如“李白与杜甫的社交关系”）。
交互层：Vue.js框架结合ECharts、D3.js实现动态可视化，通过WebSocket实现实时通信，支持用户交互式探索（如点击意象节点展开关联诗词网络）。

2. 关键技术组件

DeepSeek大模型：基于混合专家架构（MoE）与多头潜在注意力（MLA）机制，支持高效处理长文本与复杂语义。通过微调（LoRA技术）适配古诗词场景，训练数据包含20万条问答对（如“《静夜思》表达了什么情感？”→“思乡之情”），在自建数据集上实现91.2%的情感分类准确率。
Neo4j图数据库：存储10万+节点（诗人、作品、意象）与30万+关系（创作、引用、主题），支持Cypher查询语言实现多跳推理（如“查询李白引用《诗经》的诗句”）。
Django框架：提供用户认证、ORM映射、异步任务处理（Celery）等功能，确保系统高并发下的稳定性。

三、核心功能实现

1. 知识图谱构建

数据采集：从《全唐诗》《全宋词》、古诗文网等6个渠道爬取结构化数据，日均处理量2万首。使用TF-IDF算法检测重复诗词（相似度阈值0.85），并通过jieba分词结合自定义词典进行繁简转换与标准化处理（如“唐”统一为“唐朝”）。
实体关系抽取：
- 实体识别：基于BiLSTM-CRF模型识别诗人、作品、意象等5类实体，示例输入输出如下：
  python
```
1# 输入文本: "李白创作了《静夜思》，表达思乡之情"
2# 输出实体: [
3    {"entity": "李白", "type": "诗人"},
4    {"entity": "《静夜思》", "type": "作品"},
5    {"entity": "思乡", "type": "情感"}
6  ]
```
- 关系抽取：通过依存句法分析挖掘“创作”“引用”“主题”等12类关系，例如识别“杜甫《春望》引用《诗经》‘忧心烈烈’”中的“引用”关系。
图谱存储：将实体与关系导入Neo4j，构建包含“诗人-作品-意象-情感”四层关联的图谱，支持复杂查询（如“查询所有表达思乡情感的李白诗词”）。

2. DeepSeek大模型集成

语义理解：通过微调后的DeepSeek模型解析用户问题（如“李白的代表作有哪些？”），识别实体（“李白”）与意图（“查询代表作”），并映射到知识图谱节点。
多跳推理：结合知识图谱实现复杂推理，例如用户询问“与李白同游的诗人有哪些？”，系统需先查询李白的社交关系，再追溯关联诗人。
情感增强问答：对于情感类问题（如“《静夜思》表达了什么情感？”），系统结合LSTM模型输出情感标签（“哀”）与关键词权重（“思乡”权重0.42），生成自然语言回答：“《静夜思》通过‘明月’意象与‘思乡’主题的关联，表达游子孤寂之情。”

3. 可视化交互设计

力导向图：基于D3.js展示诗人社交网络，节点颜色区分实体类型（诗人-蓝色、意象-绿色），边粗细表示关系强度，支持缩放、拖拽与点击展开节点详情（如诗人生平、代表作品）。
时空热力图：集成ECharts生成“词牌流行朝代热力图”（如《浣溪沙》在宋代使用频率最高）与“诗人行迹地图”（如李白一生到访36个州府），通过高德地图API标注创作地点，用户触摸地点可查看对应诗词与历史事件。
对比分析：提供“诗人对比”“作品对比”模板，自动生成雷达图（如比较李白与杜甫在“豪放”“沉郁”等维度的得分）。

四、系统优化与部署

1. 性能优化

查询优化：为高频查询字段创建复合索引（如CREATE INDEX ON :Poem(title)），加速关系遍历；使用Redis缓存热门查询结果（TTL=1小时）。
模型压缩：通过低秩联合压缩（Low-Rank Joint Compression）减少DeepSeek模型内存占用，推理速度提升30%。
异步处理：使用Celery处理数据清洗、模型推理等耗时任务，避免阻塞API响应。

2. 部署方案

容器化部署：为Django、Vue.js、Neo4j分别构建Docker镜像，通过Kubernetes编排实现自动扩缩容（如根据访问量动态调整Pod副本数）。
云服务配置：部署至阿里云ECS，配置Nginx反向代理与Gunicorn WSGI服务器，支持1000+并发用户访问。

五、应用价值与展望

本系统通过“知识图谱+大模型+可视化”三位一体架构，实现了古诗词知识的结构化存储、语义理解与动态交互，显著提升了古诗词检索效率与用户体验。实验表明，系统在复杂语义问答任务中准确率达89.7%，较传统TF-IDF方法提升42%，知识图谱可视化支持6层深度遍历，响应时间<1.2秒。未来可结合多模态技术（如融合诗词文本、书法图像、古乐音频）构建跨模态实体关联，或引入强化学习实现个性化诗词推荐，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！🍅✌