NLP构建古诗词意象知识图谱与混合检索实践

1. 项目背景与核心价值

去年参与某省级图书馆古籍数字化项目时，我们团队遇到个有趣现象：当读者想查找"包含月亮意象的盛唐山水诗"这类复合需求时，传统数据库只能返回零散结果。这促使我尝试用NLP技术解构孟浩然诗作，没想到意外打开了古典文学研究的新维度。

这个项目本质上是在搭建"诗词搜索引擎的神经中枢"——通过语义网络构建、意象关联计算和分布式部署，让计算机真正理解"松月生夜凉，风泉满清听"这样的意境表达。目前已在高校文学课堂、文旅AR导览、智能创作辅助等场景落地，检索准确率较传统关键词搜索提升63%。

2. 技术架构设计精要

2.1 数据预处理流水线

处理唐代诗作需要特殊的数据清洗策略。我们构建的预处理流水线包含：

1. 异体字映射表：将"峯"映射为"峰"、"逈"转为"迥"等，覆盖《全唐诗》中187个常见异体字
2. 格律标注器：基于平水韵开发的特制工具，自动识别五言/七言、平仄、押韵模式
3. 意象标注规范：
   • 自然意象：月、山、松（需区分"明月"与"月"的语境差异）
   • 人文意象：寺、舟、琴（注意"孤舟"与"轻舟"的情感权重差异）

关键技巧：使用正则表达式捕获"X+Y"型意象组合（如"烟+渚"），这类组合在孟浩然诗中占比达41%

2.2 意象知识图谱构建

我们设计的图谱包含三层结构：

使用Neo4j构建的图谱包含：

• 节点：632个意象单元（含56个复合意象）
• 关系：7类关联（空间共存/情感呼应/季节关联等）
• 特色：支持"意象溯源"查询，如"鹿门月照开烟树"可追溯至《庄子》的"麋鹿见之决骤"

2.3 混合检索模型

传统TF-IDF在诗句检索中效果不佳，我们开发了混合模型：

python复制def hybrid_search(query):
    # 意象权重计算
    image_score = image_graph.match(query)