1. 项目概述:当古诗词遇上知识图谱与AI大模型
这个毕业设计项目将传统中华古诗词文化与现代AI技术进行了深度融合。作为一名长期从事自然语言处理开发的工程师,我认为这种结合至少解决了三个行业痛点:一是古诗词数据长期处于非结构化状态,难以系统化研究;二是普通用户缺乏直观了解诗词关联的途径;三是传统诗词创作存在门槛。项目采用知识图谱技术构建诗词关系网络,结合情感分析算法和大模型能力,最终实现可视化展示、智能问答和自动写诗三大核心功能。
从技术架构上看,项目前端采用主流Web框架实现可视化交互,后端使用Python构建知识图谱和AI服务,整体分为数据采集、知识建模、算法实现和应用开发四个阶段。特别值得注意的是,项目在知识图谱构建环节创新性地融合了实体识别、关系抽取等NLP技术,在情感分析部分则结合了传统机器学习与深度学习方法的优势。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心模块技术解析
2.1 古诗词知识图谱构建
知识图谱作为项目的核心基础设施,其构建质量直接影响后续所有功能。我们采用Neo4j图数据库作为存储引擎,其天然的图结构特性非常适合表现诗词间的复杂关系。构建过程主要分为三个关键步骤:
-
数据采集与清洗:从《全唐诗》《宋词三百首》等权威来源获取原始文本,使用Scrapy框架编写定向爬虫。考虑到古文的特殊性,我们特别开发了针对繁体字和异体字的转换模块,并设计了基于规则的正则过滤系统,处理诸如"东风"与"东風"这类同义不同形的表达。
-
实体关系抽取:这是最具挑战性的环节。我们采用BERT-BiLSTM-CRF混合模型进行命名实体识别,准确率达到92.3%。关系抽取方面,创新性地使用依存句法分析结合规则模板的方法,识别出包括"创作于""提及""引用"等12类关系。例如,从"李白《静夜思》写于扬州"中可提取(李白)-[创作于]->(扬州)的关系三元组。
-
图谱存储与优化:使用Py2neo库将处理后的数据导入Neo4j,针对高频查询如"杜甫写过哪些描写春天的诗"建立了索引优化。最终构建的知识图谱包含约3.7万首诗词、1.2万位作者、8000个地点实体,以及超过15万条关系边。
实际开发中发现,直接使用公开的诗词API往往存在数据不全或格式混乱的问题。我们最终采用了混合数据源策略,以《全唐诗》电子版为基础,辅以人工校验,确保了数
