笥課鸴煕1. 项目概述：当LSTM遇见古诗词
古诗词自动生成一直是自然语言处理领域极具魅力的挑战。这个选题巧妙地将传统文化与现代技术结合，使用LSTM（长短期记忆网络）这一深度学习模型来模拟古代诗人的创作过程。作为毕业设计选题，它既具备足够的技术深度，又能产出可视化的有趣成果，还能展现跨学科的应用价值。
我在实际项目中发现，这个选题特别适合计算机相关专业的本科生或研究生。它涵盖了数据预处理、模型构建、训练优化、系统集成等完整流程，能够全面锻炼学生的工程能力。相比单纯的算法研究，结合系统实现的要求更能培养实际开发能力，这对找工作或继续深造都很有帮助。
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. 核心需求解析
2.1 技术需求分解
这个选题包含三个关键技术环节：
-
数据准备与预处理：需要收集足够量的古诗词文本，并进行清洗、分词、向量化等处理。唐诗宋词是较好的选择，因为数量充足且格式规范。
-
LSTM模型构建与训练：需要设计适合文本生成的网络结构，包括嵌入层、LSTM层、全连接层等。关键在于理解LSTM处理序列数据的特点。
-
系统集成与交互：需要将训练好的模型封装成可交互的应用，可以考虑Web界面或桌面程序，实现输入关键词生成诗词的功能。
2.2 非功能性需求
除了基本功能外，还需要考虑：
- 生成诗词的流畅性和意境
- 系统的响应速度
- 用户交互的便捷性
- 模型的可解释性（对毕设答辩很重要）
3. 数据准备实战
3.1 数据收集
优质的数据集是项目成功的基础。推荐以下资源：
- 全唐诗（约4.8万首）
- 全宋词（约2万首）
- 古诗文网API
- GitHub上的开源诗词数据集
注意：使用网络爬虫获取数据时，务必遵守网站的robots.txt协议，控制请求频率，避免给服务器造成负担。
3.2 数据预处理
处理流程示例：
python复制1. 文本清洗：去除标点、注释等非诗句内容
2. 分词处理：使用jieba等工具进行中文分词
3. 构建词典：统计词频，建立词到ID的映射
4. 序列化：将诗句转换为数字序列
5. 构建训练样本：使用滑动窗口生成输入-输出对
实际操作中会遇到一些特殊问题，比如：
- 古诗词中的特殊符号（如"·"）如何处理
- 不同词牌名的格式差异
- 生僻字的处理
4. LSTM模型深度解析
4.1 模型架构设计
典型的诗词生成LSTM结构包含：
- 嵌入层（Embedding）：将离散的词ID映射为连续向量
- LSTM层：核心序列建模单元，2-3层效果较好
- Dropout层：防止过拟合
- 全连接层：输出词的概率分布
python复制# PyTorch示例代码
class PoetryModel(nn.Module):
def __init__(self, vocab_size, embedding_dim, hidden_dim):
super().__init__()
self.embedding = nn.Embedding(vocab_size, embedding_dim)
self.lstm = nn.LSTM(embedding_dim, hidden_dim, num_layers=2)
self.fc = nn.Linear(hidden_dim, vocab_size)
def forward(self, x, hidden):
embed = self.embedding(x)
out, hidden = self.lstm(embed, hidden)
out = self.fc(out)
return out, hidden
4.2 关键参数选择
- 嵌入维度：通常128-256之间
- LSTM隐藏层大小：256-512效果较好
- 学习率：初始0.001，配合学习率衰减
- Batch size：32-64，取决于显存大小
实际训练中发现，较小的batch size配合梯度累积技术，可以在有限显存下实现相当于大batch size的效果。
5. 训练技巧与优化
5.1 训练策略
- 使用teacher forcing技术加速初期训练
- 采用温度采样（temperature sampling）增加生成多样性
- 实现beam search提高生成质量
- 使用学习率warmup和余弦衰减
5.2 评估指标
除了常规的loss和accuracy外，建议增加：
- 诗句通顺度（人工评估）
- 押韵准确率
- 意境相关性（与输入关键词的匹配度）
- 多样性（生成结果的差异性）
6. 系统实现方案
6.1 技术选型
推荐两种实现方案：
-
Web应用方案：
- 前端：Vue/React + Element UI
- 后端：Flask/Django
- 部署：Docker + Nginx
-
桌面应用方案：
- PyQt/PySide
- 打包工具：PyInstaller
6.2 核心功能设计
系统应包含：
- 用户输入界面（关键词、体裁选择等）
- 生成结果显示（带格式化排版）
- 历史记录保存
- 生成参数调整（如temperature值）
7. 常见问题与解决方案
7.1 模型训练问题
问题1：生成结果重复或无意义
- 可能原因：模型容量不足或训练不充分
- 解决方案：增加LSTM层数或隐藏单元数，延长训练时间
问题2：过拟合
- 可能原因：数据量不足或模型太复杂
- 解决方案：增加Dropout率，使用权重衰减，数据增强
7.2 系统实现问题
问题1：生成速度慢
- 解决方案：使用ONNX加速推理，实现缓存机制
问题2：部署后内存泄漏
- 解决方案：使用内存分析工具定位，注意释放资源
8. 创新点与扩展方向
8.1 可能的创新点
- 结合注意力机制提升关键意象表达
- 实现多风格生成（豪放/婉约）
- 加入平仄检查模块
- 可视化训练过程
8.2 扩展方向
- 对联生成
- 现代诗歌生成
- 歌词创作辅助
- 结合图像生成题画诗
在实际开发过程中，我发现最大的挑战不是技术实现，而是如何让生成的诗词既有形式美又有意境美。这需要在损失函数设计上多下功夫，比如增加押韵和平仄的惩罚项。另外，适当限制生成长度（如绝句4句、律诗8句）也能显著提升质量。