计算机毕业设计Django+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 机器学习深度学习

haochengxu2022

23人浏览 · 2026-03-17 10:26:57

haochengxu2022 · 2026-03-17 10:26:57 发布

温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：文末有 CSDN 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+大模型中华古诗词知识图谱可视化文献综述

摘要

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。随着深度学习与知识图谱技术的突破，基于Django框架与大语言模型（LLM）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。本文系统梳理了该领域在知识图谱构建、大模型应用、可视化交互及系统集成等方面的研究进展，分析了现存挑战，并展望了未来发展方向。

关键词

Django框架；大语言模型；中华古诗词；知识图谱；可视化

1. 引言

中华古诗词现存可考古诗词超过50万首，但仅12%通过数字化平台被公众接触。传统情感分析方法多依赖人工标注或浅层语义模型，难以捕捉诗词中隐晦的意象与复杂情感。例如，李白的《静夜思》中“举头望明月，低头思故乡”通过“月亮”意象传递思乡之情，传统方法难以自动识别这种隐含的语义关联。在此背景下，基于Django框架与大语言模型构建古诗词知识图谱可视化系统，结合深度语义解析与结构化知识推理，为古诗词数字化研究提供了新的技术范式。

2. 知识图谱构建技术

2.1 实体识别与关系抽取

知识图谱的核心在于实体识别与关系抽取。早期研究多采用规则匹配方法，例如通过定义“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。例如，结合jieba分词工具与BiLSTM-CRF模型，在《全唐诗》测试集上实现93.2%的实体识别准确率，可有效处理古汉语词汇歧义（如“东风”既可指春风，也可隐喻离愁）。关系抽取方面，基于依存句法分析的算法可挖掘“诗人-创作-诗作”“诗作-引用-意象”等12类核心关系。例如，通过分析“杜甫《春望》引用《诗经》‘忧心烈烈’”的句法结构，自动抽取“引用”关系并存储至Neo4j图数据库。

2.2 图谱存储与优化

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。例如，将“诗人-作品-朝代-意象”四层实体存储于Neo4j中，支持多维度关联查询。为提升查询效率，研究者采用复合索引技术，使关系查询速度提升70%。针对大规模图谱渲染性能问题，研究提出分片策略，按朝代将数据分片存储至不同节点，平衡负载并降低单节点压力。例如，某系统按朝代将32万首诗词、180万条实体数据分片存储至Neo4j集群，结合复合索引技术使关系查询速度提升70%。

3. 大语言模型在古诗词领域的应用

3.1 语义理解与情感分析

大语言模型（如BERT、GPT、DeepSeek等）通过海量语料预训练，具备强大的语义理解能力。在古诗词情感分析中，研究者通过微调大模型适配古诗场景，结合知识图谱增强文化背景理解。例如，利用DeepSeek-V3模型通过LoRA技术微调，在《全唐诗》数据集上实现情感分类准确率88.7%，结合知识图谱修正后提升至92.3%，较传统TF-IDF方法（76.2%）提升16.1个百分点。此外，注意力机制的引入进一步增强了模型可解释性，例如通过可视化权重展示“孤帆远影碧空尽”中“孤”字对情感判断的贡献度（0.32）。

3.2 多模态融合分析

为突破单一文本分析局限，研究者探索多模态融合技术以增强情感判断的准确性。例如，结合诗词意象（如“梅花”象征高洁）与韵律特征（平仄、押韵）进行综合判断。通过分析《静夜思》的平仄结构与“明月”“故乡”等意象，准确识别出“思乡”情感倾向。此外，跨模态对齐技术利用CLIP模型实现文本与图像的语义对齐，为王维的《山居秋暝》匹配关联图像，展示诗中的山水景色，辅助情感理解。

4. 可视化交互技术

4.1 动态可视化与交互设计

可视化技术的核心在于直观性与交互性。国内研究多采用D3.js与ECharts结合的方式：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；D3.js实现复杂关系图谱动态布局，其力导向算法可使节点自动分布至最优位置，避免重叠。在交互设计上，系统支持三级缩放（全局概览→朝代子图→单首诗词）、节点悬停详情展示及路径追溯功能。例如，用户点击“李白”节点后，系统可动态展开其与杜甫、孟浩然等诗人的社交网络，并标注“赠别”“同游”等关系类型。

4.2 时空轨迹与沉浸式体验

结合高德地图API，研究者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。例如，点击李白“蜀道”节点，系统动态展示《蜀道难》创作背景，并推送同时期其他诗人的相关作品。在教育场景中，系统通过“图谱溯源+问答深化”模式提升学习效率。例如，学生提交《静夜思》文本后，系统自动识别“明月”“霜”意象，结合知识图谱推断其象征“思念”“孤寂”，并通过大模型解释“举头望明月”的动作描写如何强化情感表达。

5. 系统集成与性能优化

5.1 分层架构与微服务

现有研究普遍采用分层架构，以Django作为后端服务框架，结合Neo4j图数据库、MongoDB非结构化数据存储及MySQL用户行为日志，形成“数据层-算法层-服务层-表现层”的完整链路。例如，某系统通过Django REST Framework提供诗词检索、情感分析等API，服务层集成DeepSeek大模型与知识图谱推理引擎，支持每秒处理1200次请求；表现层采用Vue.js框架结合ECharts、D3.js实现动态可视化，支持用户自定义查询与图谱遍历，日均访问量超2万次。

5.2 异步任务与缓存机制

为提升系统实时性，研究者采用Celery异步任务处理知识图谱更新、模型推理等任务，避免阻塞主线程。例如，某系统通过Celery定时任务每日从古诗文网爬取5000条新诗词数据，更新图谱并触发DeepSeek模型重新推理。同时，采用Redis缓存高频查询结果（如“李白相关诗词”），查询响应时间从820ms降至110ms，显著提升系统性能。

6. 现存挑战与未来方向

6.1 技术瓶颈与优化路径

当前研究仍面临以下问题：

数据质量：古汉语词汇歧义导致实体识别误差率仍达6%-8%，需开发更精准的上下文消歧算法。
模型泛化：跨朝代、跨诗人场景下性能下降12%-15%，需构建更大规模的预训练语料库。
大规模图谱渲染性能：十万级节点图谱的实时交互延迟需优化至<500ms。

6.2 未来研究方向

多模态知识融合：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。
强化学习推荐：利用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。
低代码可视化平台：开发拖拽式可视化组件库，降低非技术人员构建诗词图谱的门槛。
动态更新机制：接入学术新发现（如新出土古籍中的诗词），自动更新知识图谱与问答模型。

7. 结论

Django与大语言模型的结合为古诗词知识图谱可视化提供了高效的技术实现路径。国内研究在数据融合、模型优化及交互设计方面取得显著进展，但仍需解决数据质量、模型泛化等挑战。未来需结合多模态技术、强化学习与低代码开发，推动古诗词数字化从“可视化展示”向“智能化服务”升级，为文化传承与教育创新提供更强支撑。

参考文献

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CSDN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CSDN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！🍅✌