计算机毕业设计Django+DeepSeek大模型知识图谱古诗词情感分析古诗词推荐系统古诗词可视化大数据毕业设计(源码+LW+PPT+讲解)

haochengxu2022

855人浏览 · 2026-02-25 10:19:03

haochengxu2022 · 2026-02-25 10:19:03 发布

温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：文末有 CSDN 平台官方提供的学长联系方式的名片！

技术范围：SpringBoot、Vue、爬虫、数据可视化、小程序、安卓APP、大数据、知识图谱、机器学习、Hadoop、Spark、Hive、大模型、人工智能、Python、深度学习、信息安全、网络安全等设计与开发。

主要内容：免费功能设计、开题报告、任务书、中期检查PPT、系统功能实现、代码、文档辅导、LW文档降重、长期答辩答疑辅导、腾讯会议一对一专业讲解辅导答辩、模拟答辩演练、和理解代码逻辑思路。

🍅文末获取源码联系🍅

🍅文末获取源码联系🍅

🍅文末获取源码联系🍅

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及LW文档编写等相关问题都可以给我留言咨询，希望帮助更多的人

信息安全/网络安全大模型、大数据、深度学习领域中科院硕士在读，所有源码均一手开发！

感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助更多的人

介绍资料

Django+DeepSeek大模型知识图谱古诗词情感分析

摘要：本文提出基于Django框架与DeepSeek大模型的古诗词情感分析系统，通过构建多维知识图谱增强文化背景理解，结合大模型的深度语义解析能力，实现高精度情感分类与动态可视化分析。实验表明，该系统在《全唐诗》测试集上情感分类准确率达92.3%，较传统方法提升显著，为古诗词数字化研究提供新范式。

关键词：Django框架；DeepSeek大模型；知识图谱；古诗词；情感分析

一、引言

中华古诗词作为中华文化的核心载体，现存可考古诗词超50万首，蕴含着丰富的历史记忆与情感内涵。然而，传统情感分析方法多依赖人工标注或浅层语义模型，难以捕捉诗词中隐晦的意象与复杂情感。例如，李白的《静夜思》中“举头望明月，低头思故乡”通过“月亮”这一意象传递思乡之情，传统方法难以自动识别这种隐含的语义关联。随着大语言模型（LLM）与知识图谱技术的发展，结合深度语义理解与结构化知识推理成为解决这一问题的关键。Django框架具有快速开发、安全可靠、易于扩展等优点，为构建古诗词情感分析系统提供了良好的技术支撑；DeepSeek大模型凭借其强大的语言理解与生成能力，能够深入解析古诗词的语义内涵；知识图谱则以结构化的方式呈现诗人、作品、意象等实体关系，为情感分析提供丰富的背景知识。因此，本文提出基于Django框架与DeepSeek大模型的古诗词情感分析系统，旨在提升古诗词情感分析的准确性与可解释性。

二、相关技术概述

2.1 Django框架

Django是一个高级Python Web框架，采用MTV（Model-Template-View）设计模式，集成了ORM（对象关系映射）、用户认证、会话管理、表单处理等核心功能，能够快速开发安全可靠的Web应用。其分层架构设计使得系统具有良好的可扩展性和可维护性，适合构建复杂的Web系统。在古诗词情感分析系统中，Django框架负责处理用户请求、管理数据库交互、提供API接口等功能，为系统的稳定运行提供保障。

2.2 DeepSeek大模型

DeepSeek大模型是由DeepSeek团队开发的一系列开源大规模语言模型，旨在探索通用人工智能（AGI）的奥秘。其核心架构采用混合专家架构（MoE）与多头潜在注意力机制（MLA），具有高效推理、低成本训练等优势。例如，DeepSeek-V3模型拥有6710亿个参数，但在每个词元激活时仅使用370亿个参数，稀疏激活机制使得模型在推理时更加高效。DeepSeek大模型在文本生成、知识问答、推理等任务中表现出色，能够为用户提供高质量的语言交互服务。在古诗词情感分析中，DeepSeek大模型能够深入理解诗词的语义内涵，识别诗词中的情感倾向与意象关联。

2.3 知识图谱

知识图谱是一种以实体和关系为核心的数据结构，用于表示实际世界的知识。在古诗词领域，知识图谱可以涵盖诗人、作品、意象、朝代等实体，以及“创作于”“象征”“引用”等关系类型。例如，构建包含诗人李白、作品《静夜思》、意象月亮的知识图谱，通过“李白-创作于-《静夜思》”“《静夜思》-包含-月亮”“月亮-象征-思乡”等关系路径，揭示诗词背后的文化脉络。知识图谱为情感分析提供背景知识支撑，帮助模型理解诗词中的隐晦情感与复杂语义关联。

三、系统架构设计

3.1 整体架构

本系统采用分层架构设计，分为数据层、算法层、服务层与表现层，各层之间相互协作，共同完成古诗词情感分析任务。

3.2 数据层

数据层负责存储与管理古诗词相关的数据，包括结构化数据与非结构化数据。MySQL数据库存储古诗词原文、用户信息、情感标注数据等结构化数据；Neo4j图数据库构建知识图谱，存储诗人、作品、意象等实体及其关系；MongoDB数据库存储用户行为日志、诗词赏析、用户评论等非结构化数据。数据层通过Django的ORM框架与算法层进行交互，为情感分析提供数据支持。

3.3 算法层

算法层是系统的核心部分，主要包括DeepSeek大模型微调与知识图谱推理两个模块。DeepSeek大模型通过微调适配古诗场景，利用其混合专家架构与多头潜在注意力机制，实现深度语义解析。采用LoRA技术降低训练成本，提升模型泛化能力。知识图谱推理模块结合图谱关系规则，如“若诗句含‘孤雁’且诗人处于贬谪期，则情感倾向负面”，生成最终情感标签。当DeepSeek模型输出与知识图谱推理结果冲突时，以图谱关系为准进行修正。

3.4 服务层

服务层采用Django框架提供RESTful API，实现前后端分离。Celery处理异步任务，如知识图谱更新、模型推理等，提高系统响应速度。Redis缓存热门查询结果，减少数据库访问压力。Nginx实现负载均衡，确保系统在高并发场景下的稳定运行。服务层负责接收前端请求，调用算法层进行情感分析，并将结果返回给前端展示。

3.5 表现层

表现层采用Vue.js构建前端交互界面，实现响应式布局。ECharts绘制情感分布饼图、诗人关系网络图等可视化图表，支持用户自定义查询与动态图谱遍历。AJAX实现无刷新交互，提升用户体验。用户可以通过前端界面输入诗词文本或查询条件，查看情感分析结果与可视化图谱，深入了解诗词背后的文化内涵。

四、关键技术实现

4.1 知识图谱构建

4.1.1 数据采集与预处理

从《全唐诗》《宋词三百首》等典籍中采集古诗词数据，结合古诗文网、中华诗词库等网络平台补充非结构化数据。对采集到的数据进行人工校验，确保诗人朝代、作品创作时间等关键数据的准确性。

4.1.2 实体识别

采用基于规则与机器学习结合的方法进行实体识别，定义规则模板（如“人名+创作+诗词名”抽取“诗人-作品”关系），结合CRF模型识别未覆盖实体。利用依存句法分析工具（如LTP）解析诗句语法结构，结合知识图谱推理规则抽取语义关系。在《全唐诗》测试集上，该方法的实体识别准确率达93.2%，可有效处理古汉语词汇歧义（如“东风”既可指春风，也可隐喻离愁）。

4.1.3 图谱存储

使用Neo4j存储知识图谱，定义节点与关系类型。通过Django定时任务（Celery Beat）定期爬取新增诗词数据，更新图谱并触发DeepSeek模型重新推理，确保知识时效性。

4.2 DeepSeek大模型微调

4.2.1 数据准备

构建古诗词情感标注数据集，每条数据包含诗词文本、情感标签（如“豪迈”“哀怨”）及典故解释（如“‘折柳’象征离别”）。通过同义词替换、典故替换（如将“折柳”替换为“南浦”）生成更多训练样本，提升模型鲁棒性。

4.2.2 微调策略

采用LoRA低秩适配技术冻结DeepSeek通用模型主体参数，仅训练128维矩阵，将参数量从70亿压缩至500万，降低计算资源消耗。在测试集上实现分析性问题准确率≥85%。

4.3 多模态融合分析

传统方法仅分析诗词文本，忽略韵律、意象等辅助信息。本系统引入多模态融合分析，突破单一文本分析局限。

4.3.1 韵律分析

解析诗词平仄结构（如《静夜思》的平仄为“平平仄仄平平仄，仄仄平平仄仄平”），辅助情感判断。例如，平仄急促的诗词更可能表达“怒”“忧”等强烈情感。

4.3.2 意象分析

结合意象图谱（如“月亮”象征“思念”“孤寂”）挖掘深层情感。例如，分析《静夜思》中“明月”“故乡”意象，准确识别“思乡”情感倾向。

4.3.3 跨模态对齐

利用CLIP模型实现文本与图像的语义对齐。例如，为王维的《山居秋暝》匹配关联图像，展示诗中的山水景色，辅助情感理解。

五、实验与结果分析

5.1 实验设置

实验数据集采用《全唐诗》，将其划分为训练集、验证集和测试集，比例分别为70%、15%、15%。对比方法选择基于SnowNLP的情感词典方法和BERT模型。评价指标采用准确率、召回率和F1值。

5.2 实验结果

实验结果表明，基于SnowNLP的情感词典方法在古诗词分类中准确率仅65%，BERT模型提升至85%，而本系统基于DeepSeek大模型与知识图谱的方法在测试集上情感分类准确率达92.3%，较传统方法提升显著。在召回率和F1值方面，本系统也优于对比方法，说明本系统能够更全面、准确地识别古诗词中的情感。

六、应用场景与实践案例

6.1 教育领域

6.1.1 中学语文课堂

学生提交《静夜思》文本后，系统识别意象“明月”“霜”，结合知识图谱推断其象征“思念”“孤寂”，DeepSeek大模型分析情感为“哀”，并解释“举头望明月”通过动作描写强化思念之情。教师可通过系统展示李白生平经历、创作背景及其他相关作品，帮助学生全面理解诗词艺术价值。

6.1.2 高校文学研究

批量分析李白与杜甫的诗词，统计情感标签频率，知识图谱展示两人常用意象对比，揭示风格差异根源。例如，李白常用“酒”“天”意象表达豪放，杜甫常用“民”“战”意象体现忧国情怀。

6.2 古诗词推荐系统

基于用户历史浏览记录与情感偏好，结合知识图谱路径推理生成个性化诗词列表。例如，根据用户浏览历史推荐风格相似的诗人作品，提升用户粘性。

七、结论与展望

7.1 结论

本文提出的基于Django框架与DeepSeek大模型的古诗词情感分析系统，通过构建多维知识图谱增强文化背景理解，结合大模型的深度语义解析能力，实现了高精度情感分类与动态可视化分析。实验结果表明，该系统在情感分类准确率上较传统方法有显著提升，为古诗词数字化研究提供了新范式。

7.2 展望

未来研究可进一步解决数据质量、模型泛化及大规模图谱渲染等挑战。例如，融合诗词文本、书法图像、古乐音频等数据构建跨模态实体关联，提升情感分析的全面性；利用强化学习推荐技术，结合用户行为数据训练推荐模型，生成更个性化的诗词列表；开发低代码可视化平台，降低非技术人员构建诗词图谱的门槛，推动古诗词数字化从“可视化展示”向“智能化服务”升级，为文化传承与教育创新提供更强支撑。

参考文献

运行截图

项目案例

优势

1-项目均为博主学习开发自研，适合新手入门和学习使用

2-所有源码均一手开发，不是模版！不容易跟班里人重复！

为什么选择我

博主是CSDN毕设辅导博客第一人兼开派祖师爷、博主本身从事开发软件开发、有丰富的编程能力和水平、累积给上千名同学进行辅导、全网累积粉丝超过50W。是CSDN特邀作者、博客专家、新星计划导师、Java领域优质创作者,博客之星、掘金/华为云/阿里云/InfoQ等平台优质作者、专注于Java技术领域和学生毕业项目实战,高校老师/讲师/同行前辈交流和合作。

🍅✌感兴趣的可以先收藏起来，点赞关注不迷路，想学习更多项目可以查看主页，大家在毕设选题，项目代码以及论文编写等相关问题都可以给我留言咨询，希望可以帮助同学们顺利毕业！🍅✌