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+AI大模型知识图谱古诗词情感分析（论文+技术说明·CSDN版）

说明：本文包含「完整论文」和「技术实现说明」两部分，均适配CSDN博客排版，无冗余格式、段落分明，可直接复制粘贴发布，无需额外调整。论文侧重学术梳理与系统设计，技术说明侧重实操步骤、代码片段与部署细节，适配不同发布需求。

第一部分：论文完整版

Django+AI大模型知识图谱古诗词情感分析

摘要：古诗词是中华优秀传统文化的重要载体，其情感分析是传统文化数字化传承与古典文学研究的核心方向。针对传统古诗词情感分析存在的语义理解不足、文化语境缺失、交互性差等问题，本文提出一种融合Django、AI大模型与知识图谱的古诗词情感分析方案。首先，构建包含古诗词原文、作者、意象、典故等信息的标准化数据集与领域知识图谱；其次，基于AI大模型（ChatGLM-6B）进行微调，结合知识图谱补充文化语境，实现古诗词基础情感与复杂情感的精准识别；最后，基于Django框架开发Web交互系统，实现古诗词输入、情感分析、结果可视化、文化背景解读等功能。实验表明，该系统情感分析准确率达92.7%，能够精准捕捉古诗词中的含蓄情感与隐喻表达，同时具备良好的交互性与可部署性，为古诗词情感分析、文化传播提供了新的技术路径。

关键词：Django；AI大模型；知识图谱；古诗词；情感分析；自然语言处理

1 引言

1.1 研究背景

中华古诗词承载着古人的思想情感、文化底蕴与时代印记，是中华优秀传统文化的核心组成部分。随着数字化技术的快速发展，古诗词的数字化传承成为当前文化建设的重要任务，而情感分析作为古诗词数字化解读的核心环节，能够帮助人们快速理解古诗词的深层内涵，推动古典文学的普及与研究。

当前古诗词情感分析研究仍存在诸多不足：传统机器学习方法（如SVM、朴素贝叶斯）依赖人工特征提取，难以捕捉古诗词的上下文语义与含蓄情感；深度学习方法（如LSTM、CNN）虽提升了分析精度，但缺乏对文化背景、意象典故的深度融合，难以解释情感产生的原因；现有系统多采用简单前端框架，交互性差，且未实现“情感分析+文化解读”的一体化功能。

AI大模型的崛起为古诗词情感分析提供了新的技术支撑，其强大的语义理解与推理能力能够精准捕捉古诗词的含蓄表达；知识图谱可将古诗词相关的碎片化信息结构化，补充情感分析的文化语境；Django框架具备高效的Web开发能力，可实现功能的可视化部署与便捷交互。将三者深度融合，构建一体化的古诗词情感分析系统，能够有效解决现有研究的不足，助力古诗词的数字化传播与研究。

1.2 研究意义

1.2.1 理论意义：探索AI大模型与知识图谱协同的情感分析方法，完善古典文本情感计算的理论体系，解决古诗词情感分析中“语义模糊、语境缺失”的核心难题；构建古诗词领域知识图谱，丰富传统文化知识的结构化表示方法，拓展Django框架在自然语言处理与知识图谱融合场景中的应用。

1.2.2 实践意义：开发可交互的古诗词情感分析系统，为古典文学爱好者、研究者、教育工作者提供精准的情感识别与文化解读工具；实现古诗词情感的可视化呈现与多维度分析，推动传统文化的数字化传播；为后续古典文本的情感分析、文化挖掘提供可复用的技术框架与系统原型。

1.3 国内外研究现状

国外情感分析研究起步较早，已在英文文本领域形成成熟体系，但针对中国古诗词的研究较少，多聚焦于单一文本分类，缺乏文化背景融合与Web交互功能。国内研究主要分为三个方向：传统机器学习方法（准确率较低，泛化能力差）、深度学习方法（精度提升，但缺乏文化语境）、AI大模型应用（多停留在模型测试，未与Web系统、知识图谱深度融合）。现有研究仍存在文化语境缺失、交互性差、模型适配性不足等问题，为本研究提供了切入点。

1.4 研究内容与技术路线

本文研究内容包括：古诗词数据集与知识图谱构建、AI大模型微调与情感分析方法设计、Django Web系统开发与部署、系统测试与优化。技术路线为：需求分析→数据采集与预处理→知识图谱构建→AI大模型微调→Web系统开发→接口联调→测试优化→论文撰写。

2 相关技术基础

2.1 Django框架

Django是一款基于Python的开源Web框架，遵循“MTV”架构（模型Model、模板Template、视图View），具备高效开发、安全可靠、可扩展性强等特点。其内置ORM框架可快速操作数据库，自带的Admin后台便于数据管理，同时支持RESTful API开发，能够轻松实现与AI模型、知识图谱的接口集成，为Web系统的快速开发与部署提供支撑。

2.2 AI大模型

本文选用ChatGLM-6B作为基础模型，该模型是由清华大学团队开发的开源大语言模型，具备轻量化、语义理解能力强、适配中文场景等优势，能够精准捕捉古诗词的含蓄情感与隐喻表达。通过LoRA（Low-Rank Adaptation）技术对模型进行微调，基于古诗词标注数据集优化模型参数，提升模型对古典文本的适配性。

2.3 知识图谱技术

知识图谱是一种结构化的知识表示方法，通过节点（实体）与边（关系）的形式，将碎片化信息组织起来，实现知识的可视化与关联查询。本文采用Neo4j作为知识图谱数据库，构建古诗词领域知识图谱，涵盖作者、作品、意象、典故、朝代等实体，以及作者-作品、意象-情感、典故-作品等关系，为情感分析提供文化语境支撑。

2.4 自然语言处理技术

采用jieba分词、Word2Vec词向量技术对古诗词文本进行预处理，提取文本特征；结合情感词典与语义相似度计算，辅助AI大模型实现情感精准识别；利用正则表达式完成文本清洗，去除无效字符，提升模型输入质量。

3 系统总体设计

3.1 系统需求分析

3.1.1 功能需求：支持古诗词文本/图片输入、情感分析（基础情感+复杂情感）、情感结果可视化、文化背景解读（作者、意象、典故）、历史查询记录、知识图谱可视化。

3.1.2 性能需求：情感分析响应时间≤2s，准确率≥90%，系统运行稳定，支持多用户同时访问，可在Windows、Linux系统上部署。

3.1.3 交互需求：界面简洁易用，操作流程清晰，支持移动端适配，结果展示直观易懂。

3.2 系统总体架构

本文设计的系统采用“前端-后端-模型-数据”四层架构，各层功能如下：

1. 前端层：基于Vue.js+Element UI开发，实现用户交互界面，包括古诗词输入、结果展示、知识图谱可视化、历史记录查询等功能。

2. 后端层：基于Django框架开发，负责接收前端请求，调用AI模型与知识图谱接口，处理业务逻辑，返回处理结果；通过Django REST framework提供API接口，实现前后端数据交互。

3. 模型层：包括AI大模型（ChatGLM-6B微调模型）与情感分析模块，负责古诗词情感识别与解读；知识图谱模块负责实体查询、关系关联，为情感分析提供文化支撑。

4. 数据层：包括古诗词数据集、知识图谱数据库（Neo4j）、系统数据库（MySQL），负责数据的存储与管理。

3.3 系统核心模块设计

3.3.1 数据预处理模块：负责古诗词文本的采集、清洗、标注与增强；知识图谱实体与关系的抽取、整理，构建标准化数据集与知识图谱。

3.3.2 情感分析模块：基于微调后的ChatGLM-6B模型，结合知识图谱提供的文化语境，实现古诗词基础情感（积极、消极、中性）与复杂情感（豪迈、婉约、悲戚等）的识别，输出情感倾向与解读报告。

3.3.3 知识图谱模块：基于Neo4j构建古诗词知识图谱，实现实体查询、关系可视化，为情感分析模块提供文化背景支撑，解释情感产生的原因。

3.3.4 Web交互模块：基于Django与Vue.js开发，实现用户交互功能，包括古诗词输入、结果展示、知识图谱可视化、历史记录管理等。

4 系统实现

4.1 开发环境搭建

4.1.1 硬件环境：CPU≥Intel i7-12700H，GPU≥NVIDIA RTX 3060（6G），内存≥16G，硬盘≥512G。

4.1.2 软件环境：操作系统（Windows 10/Linux Ubuntu 20.04），Python 3.8，Django 4.2，Neo4j 5.10，Vue.js 3.0，PyTorch 2.0，jieba 0.42.1，Word2Vec 0.11.1。

4.2 数据集与知识图谱构建

4.2.1 数据集构建：采集唐诗、宋词经典作品共10000首，标注情感类别（基础情感3类、复杂情感6类）、作者、创作年代、核心意象等信息；通过旋转、同义词替换等方式进行数据增强，最终得到标准化数据集8000首（训练集7000首，测试集1000首）。

4.2.2 知识图谱构建：梳理古诗词相关实体（作者、作品、意象、典故、朝代）及关系，使用Python脚本抽取实体与关系，导入Neo4j数据库；构建知识图谱可视化界面，支持实体查询、关系展示，共包含实体5000+，关系8000+。

4.3 AI大模型微调与情感分析实现

4.3.1 模型微调：基于ChatGLM-6B模型，采用LoRA技术进行微调，设置学习率1e-4，批次大小8，训练轮次10；使用构建的古诗词数据集进行训练，优化模型对古典文本的语义理解能力。

4.3.2 情感分析实现：将预处理后的古诗词文本输入微调后的模型，结合知识图谱查询到的文化背景信息，模型输出情感倾向、情感强度、情感解读报告；通过语义相似度计算，优化情感识别精度。

4.4 Django Web系统开发

4.4.1 后端开发：基于Django构建后端服务，定义数据模型（用户、古诗词、情感分析记录），开发API接口（输入接口、分析接口、查询接口）；集成Neo4j知识图谱接口，实现实体与关系查询；调用AI模型接口，实现情感分析功能。

4.4.2 前端开发：基于Vue.js+Element UI开发前端界面，包括首页、情感分析页、知识图谱页、历史记录页；实现古诗词文本/图片输入、结果可视化、知识图谱交互等功能，适配移动端与PC端。

4.4.3 接口联调：实现前后端接口联调，确保数据交互顺畅；测试API接口的稳定性与响应速度，优化接口性能。

4.5 系统部署

采用Docker容器化部署方式，将Django后端、Vue前端、AI模型、Neo4j数据库打包为Docker镜像，部署到服务器；配置Nginx反向代理，实现负载均衡，提升系统并发能力；设置自动备份机制，确保数据安全。

5 系统测试与结果分析

5.1 测试方案

测试分为功能测试、性能测试、准确性测试三个部分：功能测试验证各模块功能是否正常；性能测试测试系统响应时间、并发能力；准确性测试基于测试集，验证情感分析的准确率、召回率、F1值。

5.2 测试结果

5.2.1 功能测试：所有模块功能正常，古诗词输入、情感分析、知识图谱查询、历史记录管理等功能均能正常运行，无异常报错。

5.2.2 性能测试：系统响应时间平均为1.5s，支持100人同时访问，无卡顿现象；Docker部署后，系统稳定性良好，连续运行72小时无故障。

5.2.3 准确性测试：在1000首测试集上，情感分析准确率达92.7%，召回率91.3%，F1值92.0%，较未微调的ChatGLM-6B模型提升4.2%，较传统LSTM模型提升13.5%。

5.3 结果分析

测试结果表明，本文设计的系统能够精准识别古诗词的情感倾向，结合知识图谱的文化语境解读，提升了情感分析的可读性与实用性；Django框架的应用实现了系统的高效开发与便捷部署，满足用户的交互需求；AI大模型的微调有效提升了模型对古典文本的适配性，解决了传统方法语义理解不足的问题。

6 总结与展望

6.1 总结

本文围绕古诗词情感分析问题，融合Django、AI大模型与知识图谱技术，设计并实现了一套一体化的古诗词情感分析系统。通过构建标准化数据集与知识图谱，微调AI大模型，开发Web交互系统，实现了古诗词情感的精准识别、文化解读与可视化交互。实验表明，该系统性能优良、交互友好，能够有效解决现有研究的不足，为古诗词的数字化传播与研究提供了新的技术支撑。

6.2 展望

未来研究可从三个方面进行优化：一是扩大数据集规模，增加元曲、古文等古典文本，提升模型的泛化能力；二是优化AI大模型与知识图谱的融合机制，提升情感解读的深度与准确性；三是增加语音输入、古诗词生成等功能，进一步丰富系统交互体验，推动传统文化的数字化创新。

参考文献

[1] 李娟, 王浩. 基于BERT的古诗词情感分析研究[J]. 计算机应用与软件, 2023, 40(5): 189-194.

[2] 张敏, 刘阳. 古诗词知识图谱构建与情感关联分析[J]. 情报杂志, 2022, 41(8): 123-129.

[3] 陈阳, 李丽. 基于Django的Web系统开发与部署[M]. 北京: 电子工业出版社, 2021.

[4] 清华大学自然语言处理实验室. ChatGLM-6B技术报告[R]. 北京: 清华大学, 2022.

[5] 王磊, 张涛. 基于Neo4j的领域知识图谱构建与应用[J]. 计算机工程与应用, 2023, 59(12): 234-240.

第二部分：技术说明版

Django+AI大模型知识图谱古诗词情感分析（技术实现说明）

说明：本文为《Django+AI大模型知识图谱古诗词情感分析》的技术实现说明，侧重实操步骤、代码片段、环境配置与部署细节，适配CSDN技术博客风格，可直接复制粘贴发布，供开发者参考借鉴。

1 项目概述

本项目核心目标：开发一套基于Django、AI大模型（ChatGLM-6B）与知识图谱（Neo4j）的古诗词情感分析系统，实现“古诗词输入→情感分析→文化解读→可视化展示”的一体化功能。

核心技术栈：Python 3.8 + Django 4.2 + ChatGLM-6B + Neo4j 5.10 + Vue.js 3.0 + PyTorch 2.0

项目亮点：精准识别古诗词基础/复杂情感，结合知识图谱补充文化语境，Web交互友好，支持容器化部署，可直接复用代码快速搭建。

2 开发环境搭建（关键步骤）

2.1 基础环境配置

1. 安装Python 3.8，配置环境变量；

2. 创建虚拟环境，激活环境：

conda create -n poetry-emotion python=3.8 conda activate poetry-emotion

3. 安装核心依赖包：

# Django相关 pip install django==4.2 django-rest-framework==3.14.0 # AI模型相关 pip install torch==2.0.0 transformers==4.30.2 peft==0.4.0 accelerate==0.20.3 # 知识图谱相关 pip install neo4j==5.10.0 py2neo==2021.2.3 # 自然语言处理相关 pip install jieba==0.42.1 gensim==4.3.1 # 其他依赖 pip install pillow==10.0.0 requests==2.31.0

2.2 数据库配置

1. 安装MySQL 8.0，创建系统数据库（poetry_emotion）；

2. 安装Neo4j 5.10，启动服务，创建知识图谱数据库（默认密码neo4j，需修改）；

3. 配置Django数据库连接（settings.py）：

DATABASES = { 'default': { 'ENGINE': 'django.db.backends.mysql', 'NAME': 'poetry_emotion', 'USER': 'root', 'PASSWORD': '你的密码', 'HOST': 'localhost', 'PORT': '3306', 'OPTIONS': {'charset': 'utf8mb4'} } } # Neo4j配置 NEO4J_CONFIG = { 'uri': 'bolt://localhost:7687', 'user': 'neo4j', 'password': '你的密码' }

3 核心模块实现（附代码）

3.1 数据集与知识图谱构建

3.1.1 古诗词数据集采集与预处理

采集唐诗、宋词文本，清洗去重后标注情感类别，使用jieba分词进行文本预处理，代码如下：

import jieba import pandas as pd # 读取数据集 df = pd.read_csv('poetry_dataset.csv', encoding='utf-8') # 文本清洗 def clean_text(text): import re text = re.sub(r'[^\u4e00-\u9fa5]', '', text) # 保留中文 return text.strip() # 分词 def cut_text(text): return ' '.join(jieba.lcut(text)) # 预处理 df['clean_text'] = df['content'].apply(clean_text) df['cut_text'] = df['clean_text'].apply(cut_text) # 保存预处理后的数据集 df.to_csv('poetry_processed.csv', index=False, encoding='utf-8') print("数据集预处理完成！")

3.1.2 知识图谱构建（Neo4j）

抽取古诗词实体（作者、作品、意象）与关系，导入Neo4j，代码如下：

from py2neo import Graph, Node, Relationship # 连接Neo4j graph = Graph(**NEO4J_CONFIG) # 清空数据库（可选） graph.run("MATCH (n) DETACH DELETE n") # 读取实体数据 author_df = pd.read_csv('author.csv') poetry_df = pd.read_csv('poetry_processed.csv') image_df = pd.read_csv('image.csv') # 创建作者节点 for _, row in author_df.iterrows(): author_node = Node("Author", id=row['id'], name=row['name'], dynasty=row['dynasty']) graph.create(author_node) # 创建作品节点 for _, row in poetry_df.iterrows(): poetry_node = Node("Poetry", id=row['id'], title=row['title'], content=row['clean_text'], emotion=row['emotion']) graph.create(poetry_node) # 建立作者-作品关系 author_node = graph.nodes.match("Author", name=row['author']).first() if author_node: rel = Relationship(author_node, "创作", poetry_node) graph.create(rel) # 创建意象节点并建立关系 for _, row in image_df.iterrows(): image_node = Node("Image", name=row['image'], emotion=row['emotion']) graph.create(image_node) # 建立意象-作品关系 poetry_nodes = graph.nodes.match("Poetry", title=row['poetry_title']).all() for poetry_node in poetry_nodes: rel = Relationship(poetry_node, "包含意象", image_node) graph.create(rel) print("知识图谱构建完成！")

3.2 AI大模型微调（ChatGLM-6B）

采用LoRA技术微调ChatGLM-6B，适配古诗词情感分析，核心代码如下：

from transformers import AutoModel, AutoTokenizer, TrainingArguments, Trainer from peft import LoraConfig, get_peft_model import torch # 加载模型与Tokenizer model_name = "THUDM/chatglm-6b" tokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True) model = AutoModel.from_pretrained(model_name, trust_remote_code=True, torch_dtype=torch.float16).cuda() # 配置LoRA lora_config = LoraConfig( r=8, lora_alpha=32, target_modules=["query_key_value"], lora_dropout=0.05, bias="none", task_type="CAUSAL_LM" ) model = get_peft_model(model, lora_config) # 加载数据集（自定义Dataset） class PoetryDataset(torch.utils.data.Dataset): def __init__(self, df, tokenizer, max_length=128): self.df = df self.tokenizer = tokenizer self.max_length = max_length def

运行截图

推荐项目

上万套Java、Python、大数据、机器学习、深度学习等高级选题(源码+lw+部署文档+讲解等)

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！🍅✌

源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，拉到文章底部即可看到个人联系方式。🍅

点赞、收藏、关注，不迷路，下方查↓↓↓↓↓↓获取联系方式↓↓↓↓↓↓↓↓