知识图谱与AI在古诗词分析中的应用实践

1. 项目概述：当古诗词遇上知识图谱与AI

去年帮学弟调试这个毕业设计时，我意识到这可能是近两年最实用的文科+计算机交叉课题。这个项目用知识图谱技术将分散的古诗词数据编织成结构化网络，再结合情感分析和生成式AI，实现了从诗词检索、情感解读到自动创作的完整链条。不同于简单的管理系统开发，它涉及NLP处理、图数据库应用和大模型调优等前沿技术栈，特别适合想展示综合能力的计算机专业同学。

项目最亮眼的是四大核心模块：基于Neo4j构建的诗词知识图谱实现人物-朝代-意象的关联查询；采用LSTM+Attention的情感分析模型能识别"明月"在不同语境下的情感倾向；基于RAG架构的智能问答系统可回答"李白写过哪些边塞诗"这类复杂问题；最后用LoRA微调过的ChatGLM3生成符合格律的七言绝句。整套系统用PyQt5封装成桌面应用，源码包含完整的模型训练和部署脚本。

2. 核心模块技术解析

2.1 知识图谱构建实战

数据采集阶段我推荐混合使用爬虫和公开数据集：

• 爬取古诗文网时注意设置headers和delay=3s规避反爬
• 使用CCF推荐的PoetryDataset作为基准数据
• 关键字段包括：标题、作者、朝代、正文、注释、译文

python复制# 实体关系抽取示例（使用LTP工具包）
from ltp import LTP
ltp = LTP()
seg, hidden = ltp.seg(["孤帆远影碧空尽"])
ner = ltp.ner(hidden)
# 输出：['孤帆/n', '远影/n', '碧空/n'] → 提取为意象实体

图谱设计采用四层结构：

1. 实体层：诗人/朝代/地点/意象
2. 关系层：创作于/属于/描写/引用
3. 属性层：创作年代/情感倾向/格律类型
4. 语义层：用TransE算法生成向量表示

踩坑提示：Neo4j的APOC插件一定要装，批量导入数据时比原生Cypher快20倍

2.2 情感分析模型优化

传统情感词典方法在古诗词场景准确率仅61%，我们改进的方案：

1. 构建领域词典：合并《汉语情感词表》和手工标注的800+诗词情感词
2. 设计双通道LSTM：
   • 字符级编码捕捉格律特征
   • 词级编码理解语义
3. 加入Attention层聚焦关键意象：

python复制class PoetryAttention(nn.Module):
    def forward(self, lstm_out):
        weights = torch.softmax(self.W(lstm_out), dim=1)
        return torch.sum(weights * lstm_out, dim=1)

在测试集上达到89.2%的准确率，特别擅长识别"柳"(离别)、"雁"(思乡)等意象的隐含情感。

2.3 智能问答系统实现

采用检索增强生成(RAG)架构：

1. 检索模块：基于Elasticsearch构建的混合搜索
   • BM25算法处理字面匹配
   • 知识图谱嵌入处理语义搜索
2. 生成模块：使用ChatGLM3-6B的LoRA微调方案
   • 训练数据：10万条(问题,SPARQL查询)对
   • 添加特殊token识别诗词格律

bash复制# 模型微调命令示例
python finetune.py \
  --model_name THUDM/chatglm3-6b \
  --lora_rank 8 \
  --per_device_train_batch_size 4

问答流程示例：
用户问："杜甫在安史之乱期间写的忧国忧民的诗"
→ 生成SPARQL查询：

sparql复制SELECT ?poem WHERE {
  ?poem :author 杜甫.
  ?poem :era "唐代".
  ?poem :event "安史之乱".
  ?poem :sentiment "忧国忧民"
}

→ 返回《春望》等作品并生成解读

3. 自动写诗模块深度优化

3.1 数据预处理技巧

发现三个关键处理点：

1. 格律规范化：使用平水韵库标注每个字的平仄
   • 例："国破山河在" → "仄仄平平仄"
2. 意象聚类：用BERT-wwm提取诗句表征后做K-means
   • 识别出"边塞"、"田园"等20个主题簇
3. 对仗增强：在loss函数中加入对仗惩罚项

   python复制def antithesis_loss(output, target):
       # 计算颔联/颈联的字词对齐程度
       return 1 - cosine_similarity(联1_emb, 联2_emb)
   

3.2 模型架构创新

在base模型基础上做了三点改进：

1. 前缀控制：在输入前添加[五言][边塞][豪放]等tag
2. 记忆模块：外接唐诗三百首的FAISS向量库
3. 平仄校验：在beam search阶段过滤不合格律的候选

生成效果对比：

code复制基础模型：
红日照高林，青山映碧潭
（平仄错误：应为"平平仄仄平"）

改进后：
落日满秋山，长河渐落晖
（符合五言仄起格式）

4. 系统集成与部署要点

4.1 技术栈选型

4.2 性能优化记录

遇到的主要瓶颈及解决方案：

1. 知识图谱查询延迟高 → 创建如下索引：

   cypher复制CREATE INDEX FOR (p:Poet) ON (p.dynasty, p.name)
   

2. 生成诗句重复率高 → 引入n-gram惩罚：

   python复制generation_config = GenerationConfig(
       no_repeat_ngram_size=3,
       repetition_penalty=1.5
   )
   

3. 界面卡顿 → 将ES查询改为异步：

   python复制@asyncSlot()
   def on_search(self):
       future = self.thread_pool.submit(es_search, query)
       future.add_done_callback(self.update_results)
   

5. 毕业设计答辩技巧

5.1 PPT制作建议

1. 技术亮点页采用对比布局：
   • 左栏传统方法局限
   • 右栏本项目创新
2. 演示视频提前录制三个场景：
   • 常规检索（展示完整性）
   • 复杂问答（展示智能性）
   • 写诗失败案例（展示改进空间）
3. 务必包含技术对比表：

   指标	本系统	文献[1]	文献[2]
   情感分析准确率	89.2%	76.5%	82.1%

5.2 代码整理规范

建议按以下结构组织源码：

code复制project/
├── data/                # 原始数据集
│   ├── raw_poems.json
│   └── emotion_lexicon.txt
├── kg_builder/          # 知识图谱构建
│   ├── spider.py
│   └── neo4j_loader.py
├── ml_models/           # 机器学习模型
│   ├── sentiment/
│   └── poem_generation/
└── app/                 # 应用端
    ├── main_window.py
    └── search_engine.py

特别提醒：在requirements.txt中固定关键库版本：

code复制torch==2.2.0
transformers==4.38.1
neo4j==5.12.0

6. 项目扩展方向

如果想进一步提升项目档次，可以考虑：

1. 加入声韵分析：用Praat提取诗句的基频曲线
2. 开发微信小程序版：用Uniapp移植前端
3. 构建多模态图谱：关联名画、书法等艺术形式
4. 添加教学功能：标注平仄格律的错误位置

这个项目最让我惊喜的是，当知识图谱中的节点超过5万时，突然涌现出一些意想不到的关联——比如发现陆游和唐婉的词作中存在17个共同意象。这种发现正是数字人文的魅力所在，也期待你能在项目中找到属于自己的突破点。