AI与古诗词：知识图谱与情感分析实战-AI智能范式网

AI与古诗词：知识图谱与情感分析实战

寒水微痕·2026-08-29·阅读 22 GEO检测（免费）

知识图谱情感分析Neo4j

|难度：普通|阅读约 13 分钟

1. 项目概述：当古诗词遇上AI技术栈

这个毕业设计项目堪称传统文学与现代技术的完美联姻。作为一名同时深耕古典文学和Python技术栈的开发者，我花了三个月时间构建了一套覆盖古诗词全生命周期的智能系统。从知识图谱构建、情感分析到AI创作，这套系统不仅能可视化展示诗词关联，还能与用户进行智能问答，甚至模仿古人风格自动写诗。

核心功能模块包括：

基于Scrapy+Neo4j的诗词知识图谱构建
Pyecharts+D3.js的多维可视化展示
BERT+BiLSTM的情感分析模型
LangChain+RAG的智能问答系统
GPT-2微调的自动写诗模块

关键提示：项目采用模块化设计，各组件可独立运行，建议从知识图谱构建开始逐步实现，避免直接处理大模型带来的硬件压力。

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. 知识图谱构建实战

2.1 数据采集与清洗

诗词数据源选择需要兼顾权威性和覆盖面：

全唐诗/全宋词电子版（结构化程度高）
古诗文网API（含注释和赏析）
自制爬虫抓取百度百科人物关系

python复制# 示例：基于Scrapy的诗词元数据爬虫
class PoemSpider(scrapy.Spider):
    name = 'gushiwen'
    custom_settings = {
        'ITEM_PIPELINES': {'mongo_pipeline': 300},
        'DOWNLOAD_DELAY': 2
    }
    
    def parse_poem(self, response):
        item = {
            'title': response.css('h1::text').get(),
            'dynasty': response.xpath('//div[@class="cont"]/p[1]/a[1]/text()').get(),
            'author': {'name': response.css('.source a::text').get(),
                      'link': response.css('.source a::attr(href)').get()},
            'content': '\n'.join(response.css('.contson *::text').getall())
        }

2.2 Neo4j图数据库建模

诗词知识图谱的schema设计直接影响后续查询效率，推荐采用星型结构：

code复制(诗人)-[创作]->(诗词)
(诗词)-[属于]->(流派)
(诗词)-[提到]->(意象)
(意象)-[关联]->(情感标签)

cypher复制// 创建节点示例
CREATE (p:Poem {title:'静夜思', content:'床前明月光...'})
CREATE (a:Author {name:'李白', dynasty:'唐'})
CREATE (i:Image {name:'明月', type:'自然意象'})
CREATE (a)-[:CREATED]->(p)
CREATE (p)-[:CONTAINS]->(i)

避坑指南：批量导入时使用apoc.load.json效率比单条CREATE高50倍，但需要预先安装APOC插件。

3. 多维可视化呈现

3.1 时空分布热力图

使用Pyecharts的Geo组件展示诗人籍贯分布：

python复制from pyecharts import options as opts
from pyecharts.charts import Geo

geo = (
    Geo()
    .add_schema(maptype="china")
    .add("诗人分布", 
         [("西安", 58), ("洛阳", 42), ("杭州", 37)],
         type_=ChartType.HEATMAP)
    .set_global_opts(title_opts=opts.TitleOpts(title="唐代诗人籍贯热力图"))
)

3.2 意象关联网络图

D3.js力导向图完美呈现意象共现关系：

javascript复制// 基于力导向布局的意象关系图
const simulation = d3.forceSimulation(nodes)
    .force("link", d3.forceLink(links).id(d => d.id))
    .force("charge", d3.forceManyBody().strength(-300))
    .force("center", d3.forceCenter(width / 2, height / 2));

4. 情感分析模型构建

4.1 语料标注方案

采用三维情感标注体系：

情感极性（-1到1）
情感类别（喜/怒/哀/乐/愁）
情感强度（1-5级）

python复制# 使用transformers库构建BiLSTM模型
from transformers import BertTokenizer, BertModel
import torch.nn as nn

class EmotionClassifier(nn.Module):
    def __init__(self, bert_path):
        super().__init__()
        self.bert = BertModel.from_pretrained(bert_path)
        self.lstm = nn.LSTM(768, 256, bidirectional=True)
        self.classifier = nn.Linear(512, 7)  # 7种情感类别
        
    def forward(self, input_ids):
        outputs = self.bert(input_ids)
        lstm_out, _ = self.lstm(outputs.last_hidden_state)
        return self.classifier(lstm_out[:, -1, :])

4.2 模型优化技巧

使用对抗训练（FGM）提升泛化能力
采用分层学习率（bert层1e-5，顶层1e-3）
引入标签平滑（label smoothing=0.1）

5. 智能问答系统实现

5.1 RAG架构设计

mermaid复制graph TD
    A[用户问题] --> B(问题分类)
    B -->|知识查询| C[Neo4j检索]
    B -->|创作相关| D[GPT-2生成]
    C --> E[答案合成]
    D --> E
    E --> F[响应输出]

5.2 关键实现代码

python复制from langchain.chains import RetrievalQA
from langchain.vectorstores import Neo4jVector

retriever = Neo4jVector.from_existing_graph(
    embedding=OpenAIEmbeddings(),
    url="bolt://localhost:7687",
    username="neo4j",
    password="password",
    index_name="poem_index"
)

qa = RetrievalQA.from_chain_type(
    llm=ChatOpenAI(temperature=0),
    chain_type="stuff",
    retriever=retriever
)

6. AI写诗模块优化

6.1 数据预处理要点

保留诗词标题作为生成prompt
添加平仄标记作为特殊token
按朝代划分训练集/测试集

python复制# 微调GPT-2的示例配置
training_args = TrainingArguments(
    output_dir="./poem_gpt2",
    num_train_epochs=10,
    per_device_train_batch_size=4,
    save_steps=1000,
    save_total_limit=2,
    prediction_loss_only=True,
    learning_rate=5e-5
)

6.2 生成效果控制策略

温度参数动态调整（开头0.7，结尾0.3）
添加韵脚约束（使用pypinyin库检测）
引入风格控制码（[唐风]/[宋调]）

7. 系统集成与部署

7.1 技术栈选型

模块	技术方案	备选方案
前端	Vue3 + Element Plus	React + Ant Design
后端	FastAPI	Django REST
数据库	Neo4j + MongoDB	PostgreSQL + Redis
部署	Docker Compose	Kubernetes

7.2 性能优化记录

知识图谱查询响应从1200ms降至200ms：添加索引+缓存
情感分析吞吐量提升3倍：ONNX运行时+量化
大模型内存占用降低60%：8bit量化+梯度检查点

8. 毕业设计答辩要点

演示路线设计：
- 从知识图谱可视化切入
- 展示情感分析过程
- 进行实时问答演示
- 最后生成即兴诗作
技术深度问题准备：
- 如何解决古文分词难题？
- 知识图谱的推理能力体现在哪？
- 怎样评估AI写诗的质量？
创新点提炼：
- 多模态情感分析框架
- 混合检索的问答机制
- 可控风格的生成算法

这个项目最让我惊喜的是，当用知识图谱分析杜甫的《春望》时，系统自动关联到13个战乱主题的诗词，并准确识别出"忧国"的情感倾向。这种跨时空的文学脉络呈现，正是数字人文的魅力所在。