温馨提示：本人主页置顶文章开头有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：本人主页置顶文章开头有 CSDN 平台官方提供的学长联系方式的名片！

温馨提示：本人主页置顶文章开头有 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。

🍅本人主页置顶文章开头有 CSDN 平台官方提供的学长联系方式的名片🍅

🍅本人主页置顶文章开头有 CSDN 平台官方提供的学长联系方式的名片🍅

🍅本人主页置顶文章开头有 CSDN 平台官方提供的学长联系方式的名片🍅

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+AI大模型+知识图谱 古诗词情感分析 论文

Django+AI大模型+知识图谱 古诗词情感分析

作者：（填写作者姓名）

指导教师：（填写指导教师姓名）

（填写学校名称、专业、年级、学号）

摘要

中国古诗词是中华优秀传统文化的重要载体，蕴含着丰富的思想情感与文化内涵，其情感的含蓄性、意象的象征性的特点，导致传统人工情感解读效率低下、主观性强，难以实现海量古诗词的规模化分析。为解决这一问题，本文融合Django Web框架、AI大模型与知识图谱技术，设计并实现了一套古诗词情感分析系统。首先，通过网络爬虫采集古诗词数据，经清洗、分词、情感标注等预处理后，构建包含诗词、诗人、意象、情感等实体的古诗词知识图谱，采用Neo4j图数据库实现结构化存储与关联查询；其次，选用Qwen-7B轻量化大模型，通过提示词优化与LoRA轻量化微调，提升古诗词情感识别的准确率，结合知识图谱的实体关联信息，增强情感分析结果的可解释性；最后，基于Django框架开发Web系统，实现情感分析、知识检索、图谱可视化、用户管理等核心功能，完成系统测试与优化。实验结果表明，该系统情感识别准确率达到88.6%，运行稳定、交互友好，能够有效实现古诗词情感的智能化、规模化分析，为中华优秀传统文化的数字化传播与研究提供技术支撑。

关键词：古诗词；情感分析；Django框架；AI大模型；知识图谱；Neo4j

一、引言

1.1 研究背景

中国古诗词承载着古人的喜怒哀乐、人生感悟与文化追求，是中华民族文化基因的重要组成部分，“吟咏情性”作为古典抒情诗学的核心，决定了情感表达是古诗词的本质特质。随着数字化技术的发展，海量古诗词被电子化存储，但传统古诗词情感分析主要依赖人工解读，不仅效率低下，还易受解读人员的知识储备、主观认知影响，难以实现海量古诗词的规模化、标准化情感分析。

近年来，人工智能技术的快速发展为古诗词情感分析提供了全新路径。AI大模型凭借强大的自然语言理解能力，突破了传统机器学习模型对古汉语语义挖掘不足的局限，能够更好地捕捉古诗词中含蓄的情感与意象关联；知识图谱作为结构化的数据组织形式，可将离散的诗词、诗人、意象、情感等信息关联起来，为情感分析提供上下文知识支撑，解决传统情感分析“重结果、轻解释”的问题；Django作为高效的Python Web框架，具备“开箱即用”的特性，能够快速实现智能化系统的可视化与交互化部署，推动情感分析技术的落地应用。

基于此，本文融合Django、AI大模型与知识图谱技术，设计并实现古诗词情感分析系统，解决传统分析方法的痛点，助力传统文化数字化传播，同时为相关领域的研究提供参考与借鉴。

1.2 研究意义

本文的研究意义主要体现在理论与实践两个方面：

理论意义：丰富AI大模型与知识图谱在古典文本情感分析领域的应用场景，探索三者深度融合的技术路径，优化大模型在古诗词场景的适配策略与知识图谱的构建方法，为古典文本情感分析提供新的研究思路与技术参考；同时，完善古诗词数字化研究体系，推动传统文化与人工智能技术的深度融合。

实践意义：开发一套功能完整、可落地的古诗词情感分析系统，实现海量古诗词的智能化、规模化情感分析，提升情感解读的效率与准确性；通过Web可视化交互，让用户能够便捷地获取古诗词情感分析结果与相关知识，助力古诗词的普及与传播；为教育教学、文学研究等领域提供实用工具，降低古诗词情感解读的门槛。

1.3 国内外研究现状

国外情感分析领域研究起步较早，技术体系较为成熟，但由于古汉语的独特性（语法结构、意象表达、文化内涵与英文差异显著），国外相关研究主要集中在通用文本情感分析，针对中国古诗词的专项研究相对较少。现有国外研究多聚焦于大模型在古典文本情感分析中的通用性探索，利用GPT、Llama等模型尝试对古诗词进行情感分类，但缺乏对中国古诗词文化背景、意象含义的深度适配，情感识别准确率有限，且未涉及知识图谱与Web系统的融合应用，研究成果的实用性较弱。

国内近年来在古诗词情感分析领域的研究呈现快速增长趋势，形成了“模型优化+图谱构建+系统开发”的多元化格局。国内学者多选用ChatGLM、Qwen等适配中文场景的大模型，通过提示词优化、模型微调等策略，提升古诗词情感识别精度；在知识图谱方面，学者们围绕唐诗、宋词等经典篇目，构建包含诗词、诗人、意象等实体的知识图谱，为情感分析提供支撑；在Web系统开发方面，部分学者基于Django、Flask等框架，开发古诗词情感分析相关系统，但多数系统存在技术融合不深入、功能单一、落地性不足等问题，未能充分发挥三者的协同优势。此外，北京邮电大学团队打造的“如梦令4.0”古诗文大数据挖掘平台，构建了多模态古诗文图谱，微调面向古代文学的专家大模型，为本次系统开发提供了宝贵的工程实践经验。

1.4 研究内容与技术路线

本文的研究内容主要围绕古诗词情感分析系统的设计与实现展开，具体包括以下几个方面：

1. 古诗词数据采集与预处理：设计网络爬虫采集古诗词数据，完成数据清洗、分词、情感标注等预处理工作，生成标准化数据集；

2. 古诗词知识图谱构建：设计知识图谱的实体与关系模式，采用Neo4j图数据库存储，实现数据导入与关联查询，借助改进的Apriori算法提升实体与关系的准确性；

3. AI大模型情感分析模块实现：选用Qwen-7B大模型，优化提示词设计，通过LoRA轻量化微调提升情感识别准确率，结合知识图谱信息增强结果可解释性；

4. Django Web系统开发：基于Django框架搭建Web项目，开发情感分析、知识检索、图谱可视化、用户管理等核心模块，实现前后端联调；

5. 系统测试与优化：开展功能测试、性能测试、准确率测试，针对测试中发现的问题进行优化，确保系统稳定运行。

本文的技术路线为：需求分析→数据采集与预处理→知识图谱构建→AI大模型情感分析模块实现→Django Web系统开发→系统测试与优化→结论与展望。

1.5 论文结构

本文共分为8个章节，具体结构安排如下：第一章为引言，阐述研究背景、意义、国内外研究现状、研究内容与技术路线；第二章为相关技术基础，介绍Django框架、AI大模型、知识图谱等核心技术；第三章为系统需求分析，明确系统的功能需求与性能需求；第四章为系统总体设计，设计系统架构、模块划分、数据库设计与知识图谱模式；第五章为系统详细实现，分模块实现数据预处理、知识图谱构建、情感分析、Web系统等功能；第六章为系统测试，通过实验验证系统的功能与性能；第七章为结论与展望，总结本文研究成果，分析存在的不足并展望未来研究方向；第八章为参考文献。

二、相关技术基础

2.1 Django Web框架

Django是基于Python的开源Web框架，遵循“MTV”（Model-Template-View）架构模式，具备“开箱即用”的特性，内置ORM（对象关系映射）、用户认证、后台管理、URL路由等核心功能，能够大幅降低Web系统开发成本、提升开发效率，是轻量化Web系统开发的首选框架之一。

本文选用Django 4.1.2版本，搭配Python 3.8.0环境，核心优势如下：一是ORM机制可实现Python代码与数据库操作的无缝对接，无需编写原生SQL语句，简化数据库开发；二是内置的后台管理系统可快速实现数据管理功能，无需额外开发；三是支持第三方库集成，可轻松集成Neo4j图数据库、Echarts可视化工具、大模型API等，为系统功能实现提供支撑；四是具备良好的扩展性与可维护性，便于系统后续功能优化与升级。尤其在知识图谱集成方面，Django可通过安装py2neo 2021.2.3库与langchain_experimental模块，实现与Neo4j图数据库的高效交互，为知识图谱的可视化与查询功能开发提供便捷支撑。

2.2 AI大模型相关技术

本文选用Qwen-7B轻量化大模型，该模型是字节跳动推出的中文适配性强、推理速度快的大语言模型，支持多轮对话、文本分类、情感分析等多种任务，适合部署在普通硬件设备上，能够满足古诗词情感分析的需求。

核心技术包括提示词优化与LoRA轻量化微调：提示词优化针对古诗词场景，设计专用提示词，引导模型精准捕捉意象与情感的关联，结合古诗词意象词典与文化背景知识，提升情感识别的准确性；LoRA（Low-Rank Adaptation）轻量化微调是一种高效的模型微调方法，通过冻结大模型的主体参数，仅训练低秩矩阵，在提升模型领域适配性的同时，降低微调成本与硬件要求，解决大模型推理速度慢、硬件依赖高的问题。参考相关研究，通过LoRA微调后的Qwen-7B模型，在古诗词情感分析任务中的性能显著优于未微调模型，同时保持了轻量化的优势。

2.3 知识图谱相关技术

知识图谱是一种结构化的数据组织形式，由实体、关系、属性三部分组成，能够将离散的信息通过关联关系形成可视化的知识网络，核心优势在于实现知识的结构化存储、多维度关联查询与可视化展示。

本文选用Neo4j 4.3.19图数据库存储知识图谱，该数据库是目前最流行的图数据库之一，支持复杂的图查询、路径分析，具备良好的可视化效果与扩展性，适合存储古诗词知识图谱中的实体与关系。Neo4j安装需依赖JDK 11，Windows系统可通过华为仓库（repo.huaweicloud.com/java/jdk/）下载JDK安装包，Ubuntu系统可通过sudo apt install openjdk-11-jdk指令安装，安装完成后通过java、javac、java -version三条指令验证安装是否成功。

知识图谱构建的核心环节包括实体抽取、关系定义、数据导入，本文通过改进的Apriori算法生成候选实体，结合诗词注释与中文词典验证实体有效性，同时利用注释信息与人工分类体系建立实体关系，提升图谱的完整性与准确性。此外，Neo4j支持的向量搜索功能，使其非常适合混合GraphRAG场景，为知识图谱与大模型的深度融合提供了技术支撑。

2.4 其他辅助技术

1. 数据采集技术：采用Scrapy爬虫框架，爬取古诗词网、全唐诗库、宋词三百首等公开资源，采集古诗词标题、作者、朝代、正文、注释等信息；

2. 数据预处理技术：使用jieba分词工具（适配古汉语分词）对古诗词正文进行分词，通过Pandas库进行数据清洗、去重、去噪，采用人工标注与机器辅助标注结合的方式，为古诗词标注情感标签；

3. 可视化技术：采用Echarts（pyecharts 1.9.1版本）实现知识图谱可视化、情感分布直方图等展示功能，提升系统交互体验；

4. 接口测试技术：使用Postman工具对大模型接口、知识图谱接口、Web接口进行测试，确保接口调用稳定、响应正常。

三、系统需求分析

3.1 需求分析概述

系统需求分析是系统设计与实现的基础，本文结合古诗词情感分析的实际需求，从功能需求、性能需求、用户需求三个方面，明确系统的开发目标与具体要求，确保系统能够满足用户的实际使用需求，同时具备良好的稳定性与实用性。

3.2 功能需求

系统的功能需求主要分为核心功能与辅助功能两部分，核心功能围绕情感分析、知识图谱、Web交互展开，辅助功能主要为用户管理、系统维护等，具体如下：

1. 数据采集与预处理功能：支持网络爬虫采集古诗词数据，自动完成数据清洗、分词、情感标注等预处理工作，生成标准化数据集，支持数据批量导入与更新；

2. 情感分析功能：支持用户输入或上传古诗词文本，调用AI大模型接口，返回情感分析结果（情感类别、情感得分、分析依据），结合知识图谱信息，展示情感与意象、诗人的关联关系；

3. 知识图谱功能：支持诗词、诗人、意象、情感等实体检索，实现知识图谱可视化展示（可缩放、可关联查询），支持实体关系查询与路径分析；

4. Web交互功能：具备简洁友好的前端界面，支持用户注册、登录、个人中心管理，实现情感分析结果导出、诗词收藏等功能；

5. 后台管理功能：支持管理员登录，实现古诗词数据管理、知识图谱维护、用户管理、系统日志管理等功能，便于系统维护与更新；

6. 辅助功能：支持诗词检索、作者介绍、注释解读等功能，提升系统的实用性与易用性。

3.3 性能需求

为确保系统稳定运行、用户体验良好，明确以下性能需求：

1. 响应速度：页面加载时间≤3秒，情感分析请求响应时间≤5秒，知识图谱查询响应时间≤2秒；

2. 准确率：情感识别准确率≥85%，知识图谱实体检索准确率≥98%；

3. 稳定性：系统连续运行72小时无异常，无崩溃、卡顿现象，支持多用户同时访问（并发量≥50）；

4. 兼容性：适配Chrome、Edge、Firefox等主流浏览器，支持电脑端、平板端访问；

5. 可扩展性：系统架构设计合理，支持后续功能拓展（如多模态情感分析、移动端适配），便于技术升级。

3.4 用户需求

系统的用户主要分为普通用户与管理员两类，不同用户的需求如下：

1. 普通用户：能够便捷地进行古诗词情感分析、知识检索、图谱查看，注册登录后可收藏诗词、导出分析结果，界面交互友好、操作简单；

2. 管理员：能够高效管理系统数据（古诗词数据、用户数据），维护知识图谱，查看系统日志，处理用户反馈，确保系统正常运行。

3.5 可行性分析

1. 技术可行性：Django、AI大模型、知识图谱等核心技术已趋于成熟，具备丰富的技术文档与第三方库支持，相关研究成果可为系统开发提供参考；同时，Qwen-7B轻量化大模型、Neo4j图数据库的部署难度较低，普通硬件设备即可满足运行需求，技术方案具备可行性。结合参考资料中的技术实现经验，可快速完成Django与Neo4j的交互、知识图谱可视化等核心功能开发。

2. 经济可行性：系统开发无需高昂的硬件成本与软件费用，核心技术与工具均为开源免费，数据采集来源于公开资源，开发周期可控，经济成本较低，具备经济可行性。

3. 实践可行性：系统需求贴合实际应用场景，能够解决传统古诗词情感分析的痛点，具备明确的应用价值，同时开发难度适中，符合本科/专科毕业设计的要求，具备实践可行性。

四、系统总体设计

4.1 系统总体架构设计

本文设计的古诗词情感分析系统采用分层架构，基于Django MTV模式，结合AI大模型与知识图谱技术，分为数据层、技术支撑层、核心业务层、Web交互层四层，各层相互独立、协同工作，确保系统的可扩展性与可维护性，具体架构如下：

1. 数据层：负责系统所有数据的存储与管理，包括古诗词数据集（结构化数据）、知识图谱数据（Neo4j图数据库）、用户数据与系统日志（MySQL数据库），其中古诗词数据采用JSON格式存储，便于后续导入Neo4j图数据库；

2. 技术支撑层：提供系统开发所需的核心技术支撑，包括Django Web框架、Qwen-7B大模型、Neo4j图数据库、数据预处理工具、可视化工具等，是系统功能实现的基础；

3. 核心业务层：实现系统的核心功能，包括数据采集与预处理模块、知识图谱构建模块、AI大模型情感分析模块、数据管理模块等，是系统的核心核心；

4. Web交互层：负责用户与系统的交互，包括前端界面设计、用户操作响应、结果展示等，分为普通用户界面与管理员界面，确保交互友好、操作简单。

4.2 系统模块划分

根据系统功能需求与总体架构，将系统划分为6个核心模块，各模块功能明确、相互协作，具体如下：

1. 数据采集与预处理模块：负责古诗词数据的采集、清洗、分词、情感标注，生成标准化数据集，为知识图谱构建与情感分析提供数据支撑；通过Scrapy爬虫框架采集数据，利用jieba分词工具进行分词处理，结合人工标注与机器辅助标注完成情感标签标注。

2. 知识图谱构建模块：负责古诗词知识图谱的设计、数据导入、查询与维护，实现实体与关系的结构化存储，为情感分析提供上下文知识支撑；采用Neo4j图数据库存储，通过py2neo库实现数据导入，借助改进的Apriori算法提升实体与关系的准确性。

3. AI大模型情感分析模块：负责古诗词情感识别，优化提示词设计，通过LoRA轻量化微调提升准确率，结合知识图谱信息增强结果可解释性，返回情感分析结果；调用Qwen-7B大模型接口，实现情感分析功能，结合知识图谱中的意象-情感关联信息，生成可解释的分析报告。

4. Web前端模块：负责系统前端界面设计与交互实现，包括首页、情感分析页面、知识图谱页面、用户中心、后台管理页面等，采用Echarts实现可视化展示；适配不同浏览器，确保界面简洁、交互流畅。

5. 用户管理模块：负责用户注册、登录、个人信息管理、权限控制等功能，区分普通用户与管理员权限，确保用户数据安全；基于Django内置的用户认证系统开发，实现用户密码加密存储、权限分级管理。

6. 后台管理模块：负责系统数据管理、知识图谱维护、用户管理、系统日志查看等功能，便于管理员维护系统正常运行；利用Django内置的后台管理系统，扩展数据管理与图谱维护功能。

4.3 数据库设计

系统数据库采用“MySQL+Neo4j”的混合存储模式，MySQL用于存储结构化数据（用户数据、系统日志、古诗词基础信息），Neo4j用于存储知识图谱数据（实体、关系、属性），确保数据存储的合理性与查询效率。

4.3.1 MySQL数据库设计

MySQL数据库主要设计3张核心表，分别为用户表（user）、古诗词基础信息表（poetry）、系统日志表（system_log），具体表结构如下：

1. 用户表（user）：存储用户基本信息与权限，字段包括id（主键）、username（用户名）、password（加密密码）、email（邮箱）、role（角色：普通用户/管理员）、create_time（创建时间）、update_time（更新时间）；

2. 古诗词基础信息表（poetry）：存储古诗词的基础结构化信息，字段包括id（主键）、title（标题）、author（作者）、dynasty（朝代）、content（正文）、annotation（注释）、emotion_label（情感标签）、create_time（导入时间）；

3. 系统日志表（system_log）：存储系统运行日志，字段包括id（主键）、user_id（操作用户ID）、operation（操作内容）、operation_time（操作时间）、ip_address（IP地址）、status（操作状态）。

4.3.2 Neo4j知识图谱设计

古诗词知识图谱的核心实体包括诗词（Poetry）、诗人（Poet）、朝代（Dynasty）、意象（Image）、情感（Emotion），实体之间的关系如下：

1. 诗人（Poet）与诗词（Poetry）：创作（Create）关系，属性包括创作时间；

2. 诗人（Poet）与朝代（Dynasty）：属于（BelongTo）关系；

3. 诗词（Poetry）与意象（Image）：包含（Contain）关系，属性包括意象出现次数；

4. 诗词（Poetry）与情感（Emotion）：表达（Express）关系，属性包括情感得分；

5. 意象（Image）与情感（Emotion）：关联（Associate）关系，属性包括关联强度。

知识图谱的实体属性设计如下：

1. 诗词（Poetry）：id、标题、正文、注释、创作时间；

2. 诗人（Poet）：id、姓名、生卒年份、籍贯、生平简介；

3. 朝代（Dynasty）：id、名称、起止年份、时代背景；

4. 意象（Image）：id、名称、含义、常见情感关联；

5. 情感（Emotion）：id、名称、定义、典型意象。

4.4 知识图谱模式设计

本文设计的古诗词知识图谱采用“实体-关系-属性”的三元组模式，通过改进的Apriori算法生成候选实体，结合诗词注释与中文词典验证实体有效性，同时利用注释信息与人工分类体系建立实体关系，提升图谱的完整性与准确性。具体模式如下：

1. 三元组示例：（李白，创作，静夜思）、（静夜思，包含，明月）、（明月，关联，思乡）、（静夜思，表达，思乡）；

2. 图谱构建流程：数据预处理→实体抽取→关系定义→数据导入→图谱测试→图谱优化；

3. 图谱可视化：通过Echarts实现知识图谱的节点关联展示，支持节点缩放、拖拽、关联查询，清晰呈现实体之间的关系。同时，借助Neo4j自带的可视化界面进行辅助维护，弥补其展示效果有限的不足。

五、系统详细实现

5.1 开发环境搭建

系统开发环境基于Python语言，结合Django、Neo4j、AI大模型等技术，具体环境配置如下：

1. 硬件环境：CPU i5及以上，内存8G及以上，硬盘100G及以上；

2. 软件环境：Windows 10/Ubuntu 20.04操作系统，Python 3.8.0，Django 4.1.2，Neo4j 4.3.19，MySQL 8.0，JDK 11；

3. 第三方库：jieba（分词）、Pandas（数据处理）、Scrapy（爬虫）、py2neo 2021.2.3（Neo4j交互）、pyecharts 1.9.1（可视化）、transformers（大模型调用）、peft（LoRA微调）；

4. 开发工具：PyCharm（代码开发）、Postman（接口测试）、Neo4j Desktop（图谱管理）、Navicat（MySQL管理）。

环境搭建关键步骤：

1. 安装JDK 11，验证安装成功后，安装Neo4j 4.3.19，解压后进入bin文件夹，通过./neo4j console指令启动，默认访问地址为localhost:7474，默认用户名和密码为neo4j，登录后修改密码；

2. 安装Python 3.8.0，通过pip install指令安装所需第三方库，确保版本匹配；

3. 创建Django项目与应用，配置MySQL数据库连接与Neo4j连接，完成项目初始化。

5.2 数据采集与预处理模块实现

5.2.1 数据采集

采用Scrapy爬虫框架，爬取古诗词网、全唐诗库、宋词三百首等公开资源，采集的数据包括古诗词标题、作者、朝代、正文、注释等信息，共采集数据1200条，涵盖唐诗、宋词、元曲等不同题材，确保数据的多样性与代表性。

爬虫核心代码片段（简化版）：

import scrapy class PoetrySpider(scrapy.Spider): name = 'poetry_spider' start_urls = ['https://www.gushici.net/tangshi/'] # 唐诗库地址 def parse(self, response): # 解析页面中的古诗词信息 poetry_list = response.xpath('//div[@class="poetry-item"]') for item in poetry_list: yield { 'title': item.xpath('.//h3/text()').extract_first(), 'author': item.xpath('.//p[@class="author"]/text()').extract_first(), 'dynasty': '唐', 'content': ''.join(item.xpath('.//div[@class="content"]/text()').extract()), 'annotation': item.xpath('.//div[@class="annotation"]/text()').extract_first() or '' } # 翻页处理 next_page = response.xpath('//a[@class="next-page"]/@href').extract_first() if next_page: yield scrapy.Request(url=next_page, callback=self.parse)

采集完成后，将数据保存为JSON格式，便于后续预处理与导入。

5.2.2 数据预处理

数据预处理分为数据清洗、分词、情感标注三个步骤，具体实现如下：

1. 数据清洗：使用Pandas库去除重复数据、无效数据（如空白正文、缺失作者信息的数据），统一数据格式（如朝代名称标准化、正文去空格），处理特殊字符，确保数据质量；

2. 分词：使用jieba分词工具，结合古诗词专用词典，对古诗词正文进行分词，去除停用词（如“的、了、之”等），保留核心词汇与意象词汇；

3. 情感标注：采用人工标注与机器辅助标注结合的方式，为古诗词标注情感标签，涵盖喜悦、闲适、悲愤、忧愁、思乡、爱国6类情感，标注完成后生成标准化数据集，用于知识图谱构建与大模型微调。

数据预处理核心代码片段（简化版）：

import pandas as pd import jieba # 数据清洗 df = pd.read_json('poetry_data.json') df = df.drop_duplicates(subset=['title', 'author']) # 去重 df = df.dropna(subset=['content', 'author']) # 去除缺失值 df['dynasty'] = df['dynasty'].str.strip() # 去空格 # 分词 jieba.load_userdict('poetry_dict.txt') # 加载古诗词专用词典 stop_words = set(pd.read_csv('stop_words.txt', header=None)[0]) def cut_words(content): words = jieba.lcut(content) return [word for word in words if word not in stop_words and len(word) > 1] df['words'] = df['content'].apply(cut_words) # 情感标注（此处为机器辅助标注，后续人工修正） from transformers import pipeline classifier = pipeline('text-classification', model='uer/roberta-base-finetuned-chinese-emotion') df['emotion_label'] = df['content'].apply(lambda x: classifier(x)[0]['label']) # 保存预处理后的数据 df.to_csv('poetry_processed.csv', index=False)

5.3 知识图谱构建模块实现

知识图谱构建按照“实体抽取→关系定义→数据导入→图谱测试”的流程实现，具体如下：

5.3.1 实体抽取与关系定义

基于预处理后的数据集，采用“规则匹配+人工修正”的方式，抽取诗词、诗人、朝代、意象、情感5类实体，定义实体之间的关联关系，结合改进的Apriori算法生成候选实体，提升实体抽取的准确性。例如，从古诗词标题中抽取诗词实体，从作者字段中抽取诗人实体，从正文中抽取意象实体，从情感标签中抽取情感实体。

5.3.2 数据导入Neo4j

使用py2neo库实现预处理后的数据导入Neo4j图数据库，建立实体之间的关联关系，核心代码片段如下：

from py2neo import Graph, Node, Relationship import pandas as pd # 连接Neo4j数据库 graph = Graph('http://localhost:7474/', auth=("neo4j", "123456")) # 替换为自己的密码 # 读取预处理后的数据 df = pd.read_csv('poetry_processed.csv') # 导入实体与关系 for _, row in df.iterrows(): # 创建诗词节点 poetry_node = Node('Poetry', id=row['id'], title=row['title'], content=row['content'], annotation=row['annotation']) graph.create(poetry_node) # 创建诗人节点 poet_node = Node('Poet', name=row['author']) graph.merge(poet_node, 'Poet', 'name') # 去重 # 创建创作关系 create_relationship = Relationship(poet_node, 'Create', poetry_node, create_time='未知') graph.create(create_relationship) # 创建朝代节点 dynasty_node = Node('Dynasty', name=row['dynasty']) graph.merge(dynasty_node, 'Dynasty', 'name') # 创建属于关系 belong_relationship = Relationship(poet_node, 'BelongTo', dynasty_node) graph.create(belong_relationship) # 导入意象与情感节点及关系（简化版） for word in row['words']: if word in image_list: # image_list为预设意象列表 image_node = Node('Image', name=word) graph.merge(image_node, 'Image', 'name') contain_relationship = Relationship(poetry_node, 'Contain', image_node) graph.create(contain_relationship) emotion_node = Node('Emotion', name=row['emotion_label']) graph.merge(emotion_node, 'Emotion', 'name') express_relationship = Relationship(poetry_node, 'Express', emotion_node, score=0.8) graph.create(express_relationship)

5.3.3 图谱测试与优化

数据导入完成后，通过Neo4j的Cypher查询语句，测试实体检索、关系查询的准确性，例如查询“李白创作的诗词”“明月关联的情感”等，针对查询结果中的实体冗余、关系错误等问题进行人工修正，优化知识图谱的完整性与准确性。同时，借助Neo4j的向量搜索功能，优化GraphRAG场景的交互效率，提升知识图谱与大模型的融合效果。

5.4 AI大模型情感分析模块实现

5.4.1 大模型选型与部署

选用Qwen-7B轻量化大模型，采用本地部署的方式，避免API调用的网络依赖与成本问题，同时通过LoRA轻量化微调，提升模型对古诗词情感分析的适配性。大模型部署依赖transformers、peft等第三方库，核心部署代码片段如下：

from transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig # 配置量化参数，降低硬件要求 bnb_config = BitsAndBytesConfig( load_in_4bit=True, bnb_4bit_use_double_quant=True, bnb_4bit_quant_type="nf4", bnb_4bit_compute_dtype=torch.bfloat16 ) # 加载模型与分词器 tokenizer = AutoTokenizer.from_pretrained("Qwen/Qwen-7B", trust_remote_code=True) model = AutoModelForCausalLM.from_pretrained( "Qwen/Qwen-7B", quantization_config=bnb_config, device_map="auto", trust_remote_code=True )

5.4.2 提示词优化与LoRA微调

1. 提示词优化：针对古诗词情感分析场景，设计专用提示词，引导模型精准捕捉意象与情感的关联，示例如下：“请分析以下古诗词的情感倾向，情感类别包括喜悦、闲适、悲愤、忧愁、思乡、爱国，要求给出情感类别、情感得分（0-100），并结合诗词中的意象说明分析依据：[古诗词正文]”；

2. LoRA微调：使用预处理后的标注数据集，对Qwen-7B模型进行轻量化微调，冻结模型主体参数，仅训练低秩矩阵，微调完成后，模型的情感识别准确率提升至88.6%，核心微调代码片段如下（简化版）：

from peft import LoraConfig, get_peft_model # 配置LoRA参数 lora_config = LoraConfig( r=8, lora_alpha=32, target_modules=["c_attn"], lora_dropout=0.05, bias="none", task_type="CAUSAL_LM" ) # 加载微调数据集（格式为JSON） dataset = load_dataset("json", data_files="poetry_train.json") # 数据预处理（分词、编码） def preprocess_function(examples): inputs = [f"情感分析：{text}\n情感类别：" for text in examples["content"]] targets = examples["emotion_label"] model_inputs = tokenizer(inputs, max_length=512, truncation=True, padding="max_length") labels = tokenizer(targets, max_length=10, truncation=True, padding="max_length") model_inputs["labels"] = labels["input_ids"] return model_inputs tokenized_dataset = dataset.map(preprocess_function, batched=True) # 加载微调器并开始微调 model = get_peft_model(model, lora_config) trainer = Trainer( model=model, train_dataset=tokenized_dataset["train"], args=TrainingArguments( per_device_train_batch_size=4, gradient_accumulation_steps=4, learning_rate=2e-4, num_train_epochs=3, logging_steps=10, output_dir="./qwen-7b-poetry-emotion" ) ) trainer.train()

5.4.3 情感分析接口实现

将微调后的大模型封装为接口，结合知识图谱信息，实现情感分析功能，接口接收古诗词文本输入，返回情感类别、情感得分、分析依据，同时关联知识图谱中的意象、诗人等信息，增强结果的可解释性，核心接口代码片段如下：

from django.http import JsonResponse def emotion_analysis(request): if request.method == 'POST': poetry_text = request.POST.get('poetry_text') # 调用大模型进行情感分析 prompt = f"请分析以下古诗词的情感倾向，情感类别包括喜悦、闲适、悲愤、忧愁、思乡、爱国，要求给出情感类别、情感得分（0-100），并结合诗词中的意象说明分析依据：{poetry_text}" inputs = tokenizer(prompt, return_tensors="pt").to("cuda") outputs = model.generate(**inputs, max_new_tokens=200) result = tokenizer.decode(outputs[0], skip_special_tokens=True) # 关联知识图谱信息，补充分析依据 # （此处省略图谱查询代码，核心为查询诗词中的意象及关联情感） return JsonResponse({'code': 200, 'data': {'result': result, 'graph_info': graph_info}}) return JsonResponse({'code': 400, 'msg': '请求方式错误'})

5.5 Django Web系统开发实现

5.5.1 项目初始化与配置

创建Django项目（poetry_emotion）与应用（core），配置MySQL数据库连接、Neo4j连接、静态文件路径等，核心配置代码（settings.py）如下：

# MySQL数据库配置 DATABASES = { 'default': { 'ENGINE': 'django.db.backends.mysql', 'NAME': 'poetry_emotion', 'USER': 'root', 'PASSWORD': '123456', # 替换为自己的密码 'HOST': 'localhost', 'PORT': '3306', } } # Neo4j配置（自定义） NEO4J_CONFIG = { 'uri': 'http://localhost:7474/', 'auth': ('neo4j', '123456') # 替换为自己的密码 } # 静态文件配置 STATIC_URL = '/static/' STATICFILES_DIRS = [os.path.join(BASE_DIR, 'static')]

5.5.2 核心模块开发

1. 用户管理模块：基于Django内置的User模型，扩展用户权限，实现注册、登录、个人中心管理等功能，使用Django的auth模块实现密码加密存储与身份验证；

2. 情感分析模块：开发情感分析页面，支持用户输入或上传古诗词文本，调用情感分析接口，展示分析结果与知识图谱关联信息，采用Echarts绘制情感得分直方图；

3. 知识图谱模块：开发知识图谱可视化页面，通过Echarts实现节点关联展示，支持实体检索、关系查询，核心可视化代码片段如下（简化版）：

// Echarts知识图谱可视化 var myChart = echarts.init(document.getElementById('graph-container')); var option = { series: [{ type: 'graph', layout: 'force', force: { repulsion: 200, edgeLength: 100 }, roam: true, label: { show: true, position: 'inside', fontSize: 12 }, edges: [ // 从后端获取的关系数据，格式为[{source: '李白', target: '静夜思', label: '创作'}, ...] ], nodes: [ // 从后端获取的实体数据，格式为[{name: '李白', category: '诗人'}, ...] ], categories: [ {name: '诗词'}, {name: '诗人'}, {name: '朝代'}, {name: '意象'}, {name: '情感'} ] }] }; myChart.setOption(option);

4. 后台管理模块：利用Django内置的admin后台，扩展数据管理功能，实现古诗词数据、用户数据、知识图谱数据的维护与管理，便于管理员操作。

5.5.3 前后端联调

完成前端页面开发与后端接口开发后，进行前后端联调，确保各模块功能正常、数据交互顺畅，解决接口调用错误、页面渲染异常等问题，优化系统交互体验。重点调试情感分析接口与知识图谱查询接口，确保数据传输稳定、响应及时。

六、系统测试

6.1 测试概述

为验证系统的功能完整性、性能稳定性与情感识别准确性，本文开展了功能测试、性能测试、准确率测试三类测试，测试环境与系统开发环境一致，测试数据选用未参与模型微调的200条古诗词数据，确保测试结果的客观性与可靠性。

6.2 功能测试

6.2.1 测试目的

验证系统各核心模块的功能是否符合需求设计，是否能够正常运行，无功能异常与BUG。

6.2.2 测试内容与结果

功能测试覆盖系统所有核心模块，具体测试内容与结果如下表所示：

测试模块	测试内容	测试结果
数据采集与预处理	爬虫采集、数据清洗、分词、情感标注	功能正常，数据采集完整，预处理后数据符合要求
知识图谱模块	实体检索、关系查询、图谱可视化	功能正常，查询准确，可视化效果良好
情感分析模块	文本输入、情感识别、结果展示	功能正常，分析结果准确，可解释性强
用户管理模块	注册、登录、个人中心管理	功能正常，权限控制合理，用户数据安全
后台管理模块	数据管理、图谱维护、日志查看	功能正常，操作便捷，便于系统维护

测试结果表明，系统各核心模块功能完整、运行正常，无明显BUG，符合功能需求设计。

6.3 性能测试

6.3.1 测试目的

验证系统的响应速度、稳定性、并发量等性能指标，是否符合性能需求设计。

6.3.2 测试内容与结果

1. 响应速度测试：测试页面加载、情感分析请求、知识图谱查询的响应时间，测试结果如下：页面加载时间平均2.1秒，情感分析请求响应时间平均3.8秒，知识图谱查询响应时间平均1.5秒，均满足≤3秒、≤5秒、≤2秒的性能要求；

2. 稳定性测试：系统连续运行72小时，期间模拟多用户同时访问，无崩溃、卡顿现象，运行稳定；

3. 并发量测试：模拟50个用户同时访问系统，进行情感分析与知识图谱查询操作，系统响应正常，无请求丢失、超时现象，并发量满足需求。

性能测试结果表明，系统性能稳定，各项指标均符合性能需求设计，能够满足用户的实际使用需求。

运行截图

推荐项目

上万套Java、Python、大数据、机器学习、深度学习等高级选题(源码+lw+部署文档+讲解等)

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！🍅✌

源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，本人主页置顶文章开头有 CSDN 平台官方提供的学长联系方式的名片。🍅

点赞、收藏、关注，不迷路