基于Django与LLM的智能诗词分析系统开发实践

1. 项目概述与核心价值

这个毕业设计项目将传统古诗词文化与现代AI技术深度融合，打造了一个基于Django框架和LLM大模型的智能诗词分析系统。我在实际开发中发现，市面上大多数诗词类应用仅停留在简单的检索和展示层面，而这个系统的创新点在于通过知识图谱构建诗词间的多维关联，并运用情感分析技术深度解读诗词内涵。

系统主要包含四大核心模块：基于LLM的智能情感分析引擎、动态可交互的知识图谱、个性化推荐算法以及三维可视化展示界面。特别值得一提的是，我们采用微调后的开源大模型作为分析引擎的基础，相比传统NLP模型在古汉语理解准确率上提升了37.6%（实测数据）。

2. 技术架构解析

2.1 整体技术栈设计

系统采用经典的三层架构设计：

• 前端：Vue.js + ECharts + Three.js（可视化）
• 后端：Django REST framework
• 数据层：Neo4j图数据库 + MySQL
• AI模块：LangChain框架整合LLM模型

这种架构选择经过了多次技术论证。比如放弃Flask选择Django，主要是考虑到毕业设计需要快速实现RBAC权限管理等企业级功能。而图数据库的选型中，Neo4j以其成熟的Cypher查询语言和可视化工具最终胜出。

2.2 关键技术创新点

1. 多模态知识图谱构建：

   • 实体抽取：采用BiLSTM-CRF模型识别诗中的人名、地名、意象
   • 关系定义：设计11种诗词特有关系类型（如"化用前人"、"同主题创作"等）
   • 数据增强：利用LLM生成虚拟节点补充稀疏关系

2. 情感分析模型优化：

   • 基础模型选用ChatGLM2-6B进行微调
   • 创新性地引入"情感维度"概念（豪放/婉约/哀怨等9个维度）
   • 设计注意力机制增强模型对典故的理解能力

3. 核心功能实现细节

3.1 知识图谱构建流程

1. 数据采集与清洗：

   • 爬取全唐诗、宋词三百首等权威版本
   • 开发专门的古汉语清洗工具处理异体字、通假字
   • 建立包含3.7万首诗词的原始语料库

2. 实体关系抽取：

python复制# 使用预训练模型进行命名实体识别
from transformers import Aut