沃克森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——用Python技术栈构建中华古诗词知识图谱，结合可视化分析、情感计算和AI生成技术，打造了一个功能完备的智能诗词系统。作为完整的大数据应用案例，它涵盖了从数据采集、知识建模到智能应用的完整链路，特别适合作为计算机相关专业的毕业设计选题。
我在实际开发中发现，这类项目有三个突出优势：首先是技术覆盖面广，能充分展示学生的全栈能力；其次是文化价值高，容易获得评审老师的青睐；最重要的是，所有技术组件都有成熟的开源方案，开发门槛相对可控。下面我就从技术选型到功能实现，详细拆解这个项目的核心要点。
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 知识图谱构建引擎
知识图谱作为系统的"大脑"，其构建质量直接决定后续功能的表现。我们采用以下技术方案：
数据采集层：
- 使用Scrapy框架爬取古诗文网、全唐诗数据库等权威源
- 针对HTML页面特点定制XPath规则，例如提取
//div[@class='poem']/h1/text()获取诗名 - 采用MongoDB存储原始数据，利用其schema-free特性应对非结构化数据
实体关系建模：
python复制# 典型的三元组结构示例
{
"subject": "李白",
"predicate": "创作于",
"object": "《将进酒》",
"properties": {
"朝代": "唐",
"创作年份": 742,
"情感倾向": 0.87
}
}
存储方案对比：
| 方案 | 优点 | 缺点 | 适用场景 |
|---|---|---|---|
| Neo4j | 原生图查询性能优 | 社区版集群限制 | 中小规模数据 |
| Nebula | 分布式架构扩展性强 | 学习曲线陡峭 | 超大规模图谱 |
| ArangoDB | 支持多模型 | 图算法较少 | 混合工作负载 |
提示：实际测试发现，当节点超过10万时，Neo4j的Cypher查询性能仍能保持在200ms以内，完全满足毕业设计需求
2.2 多模态可视化系统
可视化模块采用Echarts+Dash的技术组合，实现以下