1. 项目概述当古诗词遇上AI知识图谱这个毕业设计项目将传统古诗词文化与现代AI技术进行了巧妙融合。核心思路是通过Django框架搭建Web应用利用DeepSeek大模型处理古诗词文本构建知识图谱实现多维分析最终形成集情感分析、智能推荐和可视化展示于一体的综合系统。不同于简单的诗词检索网站该系统通过NLP技术深度挖掘诗词背后的情感脉络和知识关联。我在实际开发中发现这种技术组合特别适合处理具有丰富隐喻和意象的古诗文。大模型能理解杨柳依依代表的离别之情知识图谱则可建立明月-思乡-李白这样的语义网络。系统主要面向三类用户中文系学生可进行诗词研究普通文学爱好者能发现诗词关联而技术爱好者则能学习AI与传统文化的结合应用。2. 技术架构设计解析2.1 整体技术栈选型系统采用经典的三层架构前端HTML5ECharts实现响应式可视化后端Django 4.2Python 3.10AI层DeepSeek-v4-Pro API Neo4j图数据库选择Django而非Flask的主要考虑是其自带的Admin后台对非技术用户更友好且ORM能简化与Neo4j的交互。实测中Django-neomodel扩展比原生Py2neo节省约30%的图数据库操作代码量。2.2 关键技术组件交互[图表已移除]实际开发时数据流是这样的用户查询边塞诗 →Django路由到views.py →调用custom_nlp.py中的DeepSeek处理模块 →结果存入MySQL和Neo4j →前端通过AJAX获取JSON数据 →ECharts渲染知识图谱重要提示DeepSeek API当前仅支持deepseek-v4-pro模型调用时需显式指定否则会返回400错误。3. 知识图谱构建实战3.1 古诗词实体关系建模我们设计了六类核心实体诗词标题、朝代、作者人物诗人、历史人物地点地理名词意象自然景物、器物情感喜怒哀乐愁题材边塞、田园等关系建模示例class Poem(models.Model): title models.CharField(max_length100) author models.ForeignKey(Poet, on_deletemodels.CASCADE) # 其他字段... class MetaphorRelationship(StructuredRel): strength models.FloatField() # 关联强度3.2 DeepSeek信息抽取技巧通过prompt工程优化实体识别效果def extract_entities(text): prompt f请从以下古诗中提取实体 {text} 按JSON格式返回包含人物、地点、意象、情感四类。 情感需标注强度(0-1) response deepseek.chat(prompt, modeldeepseek-v4-pro) return parse_response(response)实测发现在prompt中提供示例能提升30%的准确率。例如先给出一首《静夜思》的标注示范再让模型处理新诗词。4. 情感分析模块实现4.1 多层次情感分析架构系统采用三级情感分析整体情感整首诗的基调分句情感诗句间的情绪变化意象情感特定意象的情感倾向# 情感强度计算示例 def calculate_sentiment(text): positive_words load_lexicon(positive.txt) negative_words load_lexicon(negative.txt) # 结合DeepSeek输出和情感词典 ...4.2 情感可视化设计使用ECharts的热力图展示情感变化option { series: [{ type: heatmap, data: [ [0, 0, 0.2], // x,y,情感值 [0, 1, 0.5], ... ] }] }5. 推荐系统核心算法5.1 混合推荐策略结合三种推荐方式基于内容TF-IDF计算诗词相似度基于图谱Neo4j的图遍历算法基于用户收集点击行为数据def hybrid_recommend(poem_id, user_id): content_sim calculate_tfidf_sim(poem_id) graph_rec neo4j_query( fMATCH (p:Poem)-[r]-(n) WHERE id(p){poem_id} RETURN n LIMIT 5) user_pref UserPreference.objects.get(useruser_id) return merge_results(content_sim, graph_rec, user_pref)5.2 冷启动解决方案对于新用户采用时空相近策略同朝代诗词推荐同地理区域诗词推荐热门Top100诗词6. 系统部署实战6.1 宝塔面板部署要点安装Python项目管理器创建MySQL和Neo4j数据库配置uWSGI关键参数[uwsgi] socket :8000 chdir /www/wwwroot/poem_system module poem_system.wsgi processes 4 threads 26.2 性能优化技巧使用Django缓存框架缓存高频查询Neo4j索引优化CREATE INDEX ON :Poem(title) CREATE INDEX ON :Poet(name)前端懒加载可视化组件7. 开发踩坑实录DeepSeek API限流免费版每分钟3次请求需实现请求队列from ratelimit import limits, sleep_and_retry sleep_and_retry limits(calls3, period60) def call_deepseek(prompt): ...Neo4j时区问题Django时区设置需与Neo4j完全一致ECharts内存泄漏单页展示超过50个节点需启用渐进渲染跨域问题开发时需配置Django-CORS-headers8. 项目扩展方向多模态分析加入绘画、书法等关联艺术作品对对联功能基于DeepSeek的续写能力用户创作社区UGC内容的知识图谱融合移动端适配uniapp跨平台开发这个项目让我深刻体会到处理传统文化数据时prompt工程的质量直接影响分析效果。比如让模型理解青衫湿代表悲伤需要提供足够的上下文示例。另一个心得是知识图谱的边关系设计比节点更重要良好的关系建模能让推荐效果提升数倍。
