Python构建古诗词智能分析系统：知识图谱与AI写诗实践

1. 项目概述：当Python遇上中华古诗词

这个毕业设计项目将Python技术栈与中华传统文化完美结合，打造了一个功能丰富的古诗词智能分析系统。作为一套完整的解决方案，它包含了知识图谱构建、情感分析、智能问答、AI写诗四大核心模块，最后通过可视化界面呈现分析结果。我在实际开发中发现，这类融合传统文化与现代技术的项目，既能展现技术实力，又具有独特的文化价值。

系统采用B/S架构设计，前端使用Vue+ECharts实现动态可视化，后端采用Flask轻量级框架，数据存储使用Neo4j图数据库和MySQL关系型数据库混合方案。特别值得一提的是，我们在知识图谱构建环节创新性地融合了BERT词向量和传统文本处理技术，使得实体识别准确率达到了89.7%。

关键提示：选择Neo4j而非传统关系型数据库存储知识图谱数据，是因为图数据库在关系查询效率上具有天然优势，特别是在处理"诗人-作品-朝代"这类多跳关系时，查询速度比MySQL快3-5倍。

2. 核心模块技术解析

2.1 古诗词知识图谱构建

知识图谱作为整个系统的数据基石，其构建质量直接影响后续所有模块的效果。我们采用半自动化的构建流程：

1. 数据采集与清洗：
   • 使用Scrapy框架爬取古诗文网、全唐诗库等权威源
   • 针对HTML页面特点编写XPath提取规则
   • 设计正则表达式清洗特殊字符和排版噪声

python复制# 示例：古诗正文提取的XPath规则
poem_content = response.xpath('//div[@class="poem-detail"]//text()').extract()
cleaned_content = [text.strip() for text in poem_content if text.strip()]

2. 实体关系建模：

   • 核心实体类型：诗人、诗词、朝代、地点、意象
   • 关系设计：创作于、属于、提及、引用等
   • 属性定义：创作时间、情感倾向、格律类型等

3. 图谱存储优化：

   • 使用Neo4j的APOC插件实现批量导入
   • 为高频查询建立索引
   • 设计分层存储策略（热数据内存缓存）

2.2 情感分析模块实现

古诗词情感分析