1. 项目概述当古诗词遇上AI大模型这个毕业设计项目将传统古诗词文化与前沿AI技术相结合构建了一个基于Django框架和DeepSeek大模型的智能分析系统。核心功能包括通过知识图谱技术构建古诗词关系网络利用大模型进行情感倾向分析实现个性化推荐和可视化展示。整套系统采用B/S架构包含完整的前后端交互模块特别适合作为计算机相关专业的毕业设计选题。从技术栈来看项目融合了多个热门技术方向使用Django作为Web开发框架DeepSeek作为底层大模型支撑结合知识图谱构建与可视化技术实现了从数据处理到前端展示的全流程解决方案。系统不仅能分析单首诗词的情感倾向还能发现不同诗词之间的隐含关联为古诗词爱好者提供全新的阅读体验。提示这类融合传统文化与AI技术的项目在毕业设计选题中往往能获得较高评价既展示了技术能力又体现了人文关怀。2. 系统架构与技术选型2.1 整体架构设计系统采用典型的三层架构数据层包含原始诗词数据库、知识图谱存储(Neo4j)和模型参数文件服务层Django后端处理业务逻辑集成DeepSeek API进行情感分析展示层基于ECharts的可视化前端支持交互式探索技术选型考量Django框架成熟度高、文档丰富自带Admin后台适合快速开发DeepSeek模型相比通用大模型在中文文本处理上表现更优Neo4j图数据库天然适合存储和查询知识图谱关系数据ECharts可视化丰富的图表类型良好的社区支持2.2 关键技术实现路径数据采集与清洗从《全唐诗》等权威来源获取原始文本使用正则表达式清洗不规则字符和注释构建包含标题、作者、朝代、正文的结构化数据集知识图谱构建# 示例使用py2neo构建节点关系 from py2neo import Graph, Node graph Graph(bolt://localhost:7687, auth(neo4j, password)) poem Node(Poem, title静夜思, author李白, dynasty唐) graph.create(poem)大模型接口集成采用DeepSeek的文本分析API设计prompt模板确保情感分析准确性实现异步调用避免界面卡顿3. 核心功能实现细节3.1 情感分析模块情感分析是本项目的技术难点之一我们采用三级分析策略整体情感判断使用DeepSeek判断诗词基调整体是积极、消极还是中性关键词提取识别最能代表情感倾向的词汇如愁、欢等情感强度计算基于情感词汇出现频率和位置计算量化值# 情感分析API调用示例 import requests def analyze_sentiment(text): url https://api.deepseek.com/v1/sentiment headers {Authorization: Bearer YOUR_API_KEY} data { text: text, analysis_level: advanced } response requests.post(url, headersheaders, jsondata) return response.json()3.2 知识图谱构建知识图谱包含四种核心实体类型诗词作品标题、正文、创作年代作者姓名、生平、流派意象自然景物、情感载体体裁诗、词、曲等关系类型包括创作关系作者→作品引用关系作品→意象继承关系作品→体裁相似关系作品↔作品注意实体和关系的定义需要领域专家参与确认避免主观判断导致图谱偏差。3.3 推荐算法设计推荐系统采用混合策略基于内容的推荐分析用户浏览记录推荐情感倾向相似的诗词协同过滤发现具有相似偏好的用户群体推荐他们喜欢的作品知识图谱路径推荐通过图谱关系发现关联作品如相同作者、相同意象推荐权重计算公式score α*content_sim β*collab_filter γ*knowledge_path其中αβγ1可根据用户反馈动态调整。4. 可视化实现方案4.1 知识图谱可视化使用ECharts的关系图实现动态展示节点大小反映实体重要性边颜色区分不同关系类型支持点击展开次级关系// ECharts配置示例 option { series: [{ type: graph, layout: force, data: nodes, links: links, categories: categories, focusNodeAdjacency: true, roam: true, label: { show: true } }] };4.2 情感分析可视化采用多种图表组合展示雷达图展示多维情感特征热力图显示情感词汇分布时间轴展示作者情感变化趋势5. 系统部署与优化5.1 性能优化策略缓存机制使用Redis缓存高频访问的诗词数据对情感分析结果进行本地缓存实现LRU缓存淘汰策略异步处理耗时操作如知识图谱更新放入Celery任务队列前端采用WebSocket获取处理进度数据库优化为常用查询建立索引对Neo4j进行分片存储定期执行查询计划优化5.2 部署方案推荐两种部署方式传统服务器部署Nginx uWSGI Django单独服务器运行Neo4j使用Supervisor管理进程容器化部署# Docker Compose示例 version: 3 services: web: build: . ports: [8000:8000] depends_on: - redis - neo4j redis: image: redis:alpine neo4j: image: neo4j:4.4 ports: [7474:7474, 7687:7687]6. 常见问题与解决方案6.1 大模型API使用问题问题1API响应慢解决方案实现前端loading状态后端采用异步调用备选方案本地部署小规模模型处理简单请求问题2额度限制解决方案实现请求队列和限流机制优化建议缓存历史分析结果减少重复调用6.2 知识图谱构建难点问题关系定义模糊解决方案建立明确的标注规范示例将包含关系细化为提及、描写、借用等子类问题数据不一致解决方案实现数据清洗流水线工具推荐使用OpenRefine进行数据标准化6.3 前端性能优化问题大规模图谱渲染卡顿解决方案采用Web Worker进行离屏计算实现LOD(Level of Detail)分级展示使用canvas替代SVG提升渲染性能7. 项目扩展方向在实际开发中我发现这个系统还有多个有价值的扩展方向多模态分析引入绘画、书法等艺术形式构建跨媒介关联时空可视化在地图上展示诗词创作地点和传播路径风格迁移训练生成模型模仿特定诗人的创作风格教学应用开发针对语文教育的辅助分析工具一个特别实用的技巧是在知识图谱构建初期可以先使用Python的networkX库进行小规模原型验证确认关系设计合理后再迁移到Neo4j这样可以节省大量调试时间。我在处理李白与杜甫的诗歌关系时就采用了这种方法先人工标注50首代表作的关系验证算法有效性后再扩展到全量数据。