Pella7321. 项目概述：古诗词知识图谱全栈系统设计
这个毕业设计项目本质上是一个融合了知识图谱、情感分析和生成式AI技术的古诗词数字化应用系统。作为完整的大数据解决方案，它实现了从古诗词数据采集、知识结构化到智能应用的完整闭环。我在实际开发中发现，这类系统特别适合作为计算机专业的毕业设计选题——既涵盖了主流技术栈，又能体现文化传承的创新应用。
系统核心功能模块包括：
- 基于Python的知识图谱构建引擎
- 古诗词情感分析模型
- 基于大模型的智能问答系统
- 自动写诗生成模块
- 交互式可视化前端
提示：选择古诗词领域具有天然优势——数据获取门槛低（公开古籍资源丰富）、实体关系明确（诗人、朝代、意象等关联清晰）、应用场景直观（适合可视化展示）
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. 知识图谱构建关键技术
2.1 数据采集与预处理
古诗词数据源通常来自：
- 公开古籍数据库（如国学大师网API）
- 爬取诗词网站结构化数据
- 现有标注数据集（如THUCN古代诗歌数据集）
预处理关键步骤：
python复制# 示例：诗句清洗代码
import re
def clean_poem(text):
text = re.sub(r'（.*?）|{.*?}|[\]【】]', '', text) # 去除括号注释
text = re.sub(r'[0-9a-zA-Z]', '', text) # 去除字母数字
return text.strip()
2.2 本体设计与实体识别
古诗词领域典型本体结构：
code复制朝代 -- 包含 --> 诗人
诗人 -- 创作 --> 作品
作品 -- 包含 --> 意象
意象 -- 象征 --> 情感
实体识别可采用：
- 基于规则的方法（朝代、诗人名等固定实体）
- BiLSTM-CRF模型（识别意象等非固定实体）
- 预训练模型（如LAC、LTP）
2.3 关系抽取与图谱存储
关系抽取方案对比：
| 方法 | 准确率 | 实现难度 | 适用场景 |
|---|---|---|---|
| 规则匹配 | 85% | 低 | 明确句式（如"李白字太白"） |
| 监督学习 | 92% | 高 | 复杂语义关系 |
| 远程监督 |