AI与知识图谱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技术深度融合，打造了一个集知识图谱构建、情感分析、智能问答和自动写诗于一体的综合系统。作为一名长期从事自然语言处理开发的工程师，我认为这类项目完美展现了如何用技术手段活化传统文化遗产。

系统核心功能模块包括：

• 基于Python的古诗词知识图谱构建
• 支持朝代、作者、意象等多维度可视化查询
• 运用深度学习的情感倾向分析
• 基于大模型的智能问答系统
• AI辅助诗词创作功能

提示：知识图谱的构建质量直接影响后续所有功能的准确性，需要特别重视数据清洗和关系定义阶段。

2. 知识图谱构建全流程解析

2.1 数据采集与清洗

古诗词数据主要来自《全唐诗》《全宋词》等权威典籍的数字化版本。我们使用Scrapy框架构建爬虫时，特别注意处理了以下特殊字符：

python复制def clean_text(text):
    # 处理古文特殊标点
    text = re.sub(r'[-]', '', text)  
    # 统一异体字
    text = text.replace('逈', '迥').replace('峯', '峰')
    return text.strip()

常见数据问题包括：

1. 作者别名处理（如苏轼/苏东坡）
2. 朝代纪年转换（天宝→唐玄宗时期）
3. 诗词异文标注（不同版本的用字差异）

2.2 本体设计关键点

采用七元组模型定义古诗词知识图谱：

mermaid复制(classDiagram虽被禁用，此处用文字描述)
实体类型：诗人、诗词、朝代、地点、意象、典故、格律
关系类型：创作于、使用意象、引用典故、属于格律、影响关系等

特别注意处理了：

• 诗人间的师承/唱和关系
• 意象的层级关系（"花"→"梅花"）
• 跨朝代的文学流派传承

2.3 图数据库选型对比

经实测三种主流方案：