基于Django+DeepSeek的古诗词情感分析系统设计与实现

1. 项目概述：基于Django+DeepSeek的古诗词情感分析系统

古诗词作为中华文化的瑰宝，其情感表达往往含蓄而深邃。传统的情感分析方法通常只能识别表面的情感词汇，难以捕捉诗词中蕴含的隐喻、典故等深层情感。这个毕业设计项目通过结合DeepSeek大模型的语义理解能力和知识图谱的结构化知识，构建了一个智能化的古诗词情感分析系统。

我在开发这个系统时发现，单纯依靠机器学习模型进行古诗词情感分析存在几个关键问题：一是模型难以理解特定历史背景下的情感表达；二是无法解释分析结果的依据；三是缺乏对诗词中意象、典故等元素的关联分析。这正是我们需要引入知识图谱技术的原因。

2. 系统架构设计

2.1 整体技术栈选择

系统采用三层架构设计：

1. 数据层：

   • Neo4j图数据库：存储诗人、诗词、意象等实体及其关系
   • MySQL关系数据库：存储用户信息、分析记录等结构化数据
   • 数据来源包括《全唐诗》《全宋词》等公开数据集

2. 模型层：

   • DeepSeek大模型：负责情感分类和实体识别
   • 图神经网络(GNN)：可选组件，用于挖掘知识图谱中的隐含关系
   • 规则引擎：基于知识图谱生成可解释的分析结果

3. 应用层：

   • Django框架：提供Web服务接口和后台管理
   • Celery异步任务队列：处理耗时的模型推理任务
   • 前端采用Bootstrap+ECharts实现可视化

技术选型心得：Neo4j特别适合存储和查询诗词间的复杂关系，相比传统关系型数据库，在查询"与李白同时代的诗人中，谁的作品情感最相似"这类问题时，性能可提升5-8倍。

2.2 核心功能模块

系统主要包含以下功能模块：

1. 诗词上传与解析模块：

   • 支持文本粘贴和文件上传
   • 自动识别诗词标题和作者
   • 预处理文本(分词、去除噪声等)

2. 情感分析模块：

   • 基于DeepSeek模型的情感分类
   • 结合知识图谱的上下文理解
   • 生成情感标签及置信度

3. 知识图谱查询模块：

   • 实体识别与关系抽取
   • 上下文关联查询
   • 路径发现与推理

4. 可视化展示模块：

   • 情感标签云
   • 知识图谱可视化
   • 分析结果解释

3. 知识图谱构建实践

3.1 数据采集与预处理

构建高质量的知识图谱是系统的核心。我们从多个来源采集数据：

1. 结构化数据源：

   • 《全唐诗》电子版：包含约4.8万首唐诗
   • 《全宋词》电子版：包含约2万首宋词
   • 诗人信息数据库：生卒年、籍贯、流派等

2. 非结构化数据源：

   • 诗词评注文献
   • 文学研究论文
   • 网络诗词赏析文章

数据预处理流程：

python复制def preprocess_poem(text):
    # 去除标点、注释等噪声
    text = re.sub(r'[【】〔〕〈〉《》『』]', '', text)  
    # 分词处理
    words = jieba.cut(text)
    # 去除停用词
    words = [w for w in words if w not in stopwords]
    return ' '.join(words)

3.2 实体识别