1. 项目概述与核心价值这个毕业设计项目将传统中华古诗词文化与现代人工智能技术深度融合打造了一个集知识图谱构建、智能问答、数据分析和情感识别于一体的综合系统。作为一名长期从事NLP开发的工程师我认为这种跨界组合非常有创意——既传承了文化瑰宝又展示了技术实力。系统采用Django作为后端框架配合大语言模型处理自然语言通过知识图谱技术结构化存储诗词间的复杂关系。最让我兴奋的是其可视化模块能够直观展示李白-赠汪伦-唐代这样的关联网络。在实际开发中这种架构既能体现学生全栈开发能力又符合当前AI应用落地的技术趋势。提示选择Django框架时建议使用3.2 LTS版本这是目前企业级项目最稳定的选择社区支持也最完善。2. 系统架构设计解析2.1 技术栈选型依据后端选择Django主要考虑其完善的ORM系统和Admin管理界面这对处理诗词元数据作者、朝代、体裁等特别友好。实测用三行代码就能实现一个带分页的诗词列表API# views.py from rest_framework import generics class PoemList(generics.ListAPIView): queryset Poem.objects.all() serializer_class PoemSerializer大模型选用方面建议使用ChatGLM3-6B这类中文表现优秀的开源模型。我们在本地测试时用消费级RTX 4090显卡就能流畅运行量化后的版本。2.2 知识图谱构建方案诗词知识图谱构建是本项目的技术难点。推荐采用以下实体关系模型实体类型关联关系目标实体诗词作者诗人诗词创作于朝代诗人好友诗人诗词引用典故使用Neo4j图数据库存储时Cypher查询语句可以这样查找李白的社交圈MATCH (poet:诗人{name:李白})-[:好友]-(friend) RETURN poet, friend3. 核心模块实现细节3.1 智能问答系统实现大模型问答模块需要特别注意提示词工程。这是我们经过多次调优后的prompt模板你是一位精通中国古诗词的学者请根据知识图谱中的准确信息回答问题。 已知 {kg_facts} 问题{question} 回答时请 1. 先判断问题类型作者查询/诗句补全/意境分析 2. 严格基于提供的事实作答 3. 补充相关背景知识实测发现加入回答时请这样的步骤指示能让大模型输出更结构化。3.2 情感分析模型训练针对古诗词特有的情感表达我们收集了10万条标注数据喜悦/悲伤/豪放/婉约等使用RoBERTa-wwm-ext模型进行微调。关键训练参数training_args TrainingArguments( output_dir./results, num_train_epochs5, per_device_train_batch_size16, logging_dir./logs, logging_steps500, learning_rate3e-5 # 比常规任务稍低的学习率 )注意古诗词中存在大量借景抒情的隐喻表达建议在数据清洗时特别注意柳絮离愁、明月思乡这类意象的标注。4. 可视化与交互设计4.1 知识图谱可视化采用PyVis库实现动态可视化时我们优化了节点布局算法from pyvis.network import Network net Network(height750px, width100%) # 设置力导向布局参数 net.set_options( { physics: { barnesHut: { gravitationalConstant: -5000, centralGravity: 0.3 } } } )这种参数组合能让唐代诗人这类密集节点更好地分散展示避免视觉重叠。4.2 数据分析看板使用ECharts实现的多维度分析视图包含朝代诗词数量热力图诗人作品词云情感倾向雷达图一个实用的技巧是将Django查询集直接转为ECharts所需格式# 统计各朝代诗词数量 data Poem.objects.values(dynasty).annotate(countCount(id)).order_by(dynasty) echarts_data [{name: x[dynasty], value: x[count]} for x in data]5. 部署优化与性能调校5.1 大模型服务化使用FastAPI封装大模型接口时建议启用动态批处理app.post(/ask) async def answer_question(question: str): # 加入请求队列批量处理 results await model_worker.process_batch([question]) return {answer: results[0]}实测表明当并发量达到50QPS时批处理能使吞吐量提升3倍。5.2 缓存策略设计针对高频查询如热门诗人TOP10我们设计了三级缓存内存缓存30秒过期Redis缓存1小时过期数据库持久层Django的缓存装饰器使用示例from django.views.decorators.cache import cache_page cache_page(60 * 15) # 缓存15分钟 def poet_ranking(request): ...6. 典型问题排查实录6.1 大模型幻觉问题现象回答时虚构不存在的诗句 解决方案在prompt中加入知识图谱校验步骤请先检查以下事实是否存在于知识库中 {kg_facts} 如问题涉及的内容不在上述事实中请回答暂未收录该信息6.2 图谱查询性能优化当关系数据超过10万条时Neo4j需要添加索引CREATE INDEX FOR (p:诗人) ON (p.name) CREATE INDEX FOR (d:朝代) ON (d.name)我们测试发现添加索引后查找杜甫所有作品这类查询从1200ms降至80ms。7. 项目扩展方向在实际部署后可以考虑增加用户标注功能持续优化情感分析模型引入多模态技术分析诗画作品关联开发移动端小程序支持拍照识诗一个有趣的发现是当系统积累足够多用户提问后可以训练专门的意图识别模型准确率比通用NLU模型高22%。