本研究面向微博评论的情感分析任务，设计并实现了一个基于深度学习的文本情感分析系统。我们选取公开数据集 weibo_senti_100k 作为实验数据源，并针对其中的积极与消极情感进行二分类任务。
项目信息
编号：PDL-5
大小：752M
运行条件
Python开发环境：
– PyCharm的安装包：PyCharm: Python IDE for Professional Developers
– PyCharm的历史安装包：PyCharm: Python IDE for Professional Developers
– Anaconda的安装包：Anaconda | Start Coding Immediately
– Python开发版本：Python==3.9
需要安装依赖包：
– pip install flask== 5.15.11
– pip install transformers==4.38.1
– pip install torch==2.4.0
项目介绍
本研究面向微博评论的情感分析任务，设计并实现了一个基于深度学习的文本情感分析系统。我们选取公开数据集 weibo_senti_100k 作为实验数据源，并针对其中的积极与消极情感进行二分类任务。在数据预处理阶段，通过对微博文本进行清洗和分词，将文本映射为 input_ids 与 attention_mask 等输入特征；随后结合 BERT 预训练模型的强大文本表示能力和 LSTM 网络的时序特征提取，对文本进行更深层次的语义分析。
实验结果表明，模型在测试集上取得了约 98% 的 F1 值，准确率、召回率与 F1 值均达到较高水平，能够有效区分积极和消极情感。进一步的混淆矩阵分析与可视化结果也表明，该模型对于微博文本具有良好的情感分类性能，具有一定的通用性和实用价值。
项目文档
Tipps：提供专业的项目文档撰写服务，覆盖技术类、科研类等多种文档需求。我们致力于帮助客户精准表达项目目标、方法和成果，提升文档的专业性和说服力。
– 点击查看：写作流程
1.撰写内容
2.撰写流程
3.撰写优势
4.适用人群
期待与您的沟通！我们致力于为您提供专业、高效的项目文档撰写服务，无论是通过QQ、邮箱，还是微信，您都能快速找到我们。专业团队随时待命，为您的需求提供最优解决方案。立即联系，开启合作新篇章！
算法流程
Tipps：深入解析项目的算法流程，逐步探索技术实现的核心逻辑。从数据加载与预处理开始，到核心算法的设计与优化，再到结果的可视化呈现，每一步都将以清晰的结构和简洁的语言展现，揭示技术背后的原理与实现思路。
代码讲解
Tipps：我们致力于为您提供全面的项目代码解析服务，深入剖析核心实现、关键逻辑及优化策略，帮助您快速理解项目运行机制。同时，针对您在使用项目中可能遇到的难点，我们提供高效的后续答疑支持，确保问题得到及时、专业的解决。
无论您是初学者还是经验丰富的开发者，我们都能为您量身定制指导方案，助您从掌握到精通。如果您有任何需求或疑问，欢迎随时与我们联系！
1.服务优势
2.联系方式
欢迎随时联系我们！我们将竭诚为您提供高效、专业的技术支持，量身定制解决方案，助您轻松应对技术挑战。
数据说明
Tipps：实验数据来源及评价指标
本文将社交媒体平台微博数据集weibo_senti_100k作为实验数据集，每条评论都经过人工标注，标签由情感极性积极、消极构成。文件大小18.79MB，共计评论119987条数据，其中，积极、消极评论各5万条左右。数据集按照0.65：0.35的比例划分训练集和测试集，其具体内容如图所示，（数据集网址为：https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_senti_100k）
标注文件csv主要分为两个索引，分别为label、review两列。第一列表示为标签，0表示消极，1表示积极。第二列表示评论文本。
运行效果
运行 app.py
1.主界面
（1）用户输入文本后，点击“提交”按钮即可得到模型对该文本的情感预测结果。
（2）界面简洁明了，输入框与返回结果区分清晰。
2.情感分析结果-积极
当用户输入积极情绪相关文本（如“在社交和人际交往中，积极的态度…能带来更多信任”），系统返回“积极”
2.情感分析结果-消极
当用户输入消极情绪相关文本（如“当一个人长期处于消极的心理状态中…”），系统返回“消极”。
运行 main.py
从截图中的训练日志可见，模型在训练时进行了 3 个 epoch，主要输出了以下关键信息：
训练过程
epoch 1：
（1）损失值（loss）逐渐降低
（2）精确率（precision）、召回率（recall）和 F1 分数（f1-score）达到 0.97 左右
epoch 2：
（1）模型进一步收敛，f1-score 提升至 0.97 以上
epoch 3：
（1）训练完成时，f1-score 接近 0.978，且 precision、recall、f1-score 在两个类别（积极/消极）上都较高
分类报告
（1）precision：表示预测为该类中真正为该类的比例，模型达到了 0.97+
（2）recall：表示真实为该类的样本中被正确预测为该类的比例，也保持在 0.97+
（3）f1-score：综合精确率和召回率，最终可达 0.9779 左右
（4）support：各类别样本量，积极、消极两类数据量接近，训练相对均衡
综合来看，模型在两类情感上都取得了高精确率、高召回率和高 F1 值，说明该模型对积极与消极评论均能有效区分。
实验结果分析
训练效果
（1）损失值随着训练步数下降并趋于平稳，说明模型已成功收敛
（2）各类指标在多轮训练后逐步提高，模型对训练集的特征学习充分
预测表现
（1）测试阶段：当输入文本带有明显积极倾向时，模型返回“积极”；当文本含有负面、消极倾向时，模型返回“消极”
（2）由于 precision、recall、f1-score 均在 0.97~0.98 之间，说明模型漏判和误判都相对较少
系统实用性
（1）前端简洁的输入/输出界面，易于用户在实际场景下测试不同文本的情感倾向
（2）模型在中文文本情感分析任务上有较高的准确率和泛化能力
远程部署
Tipps：购买后可免费协助安装，确保运行成功。
– 远程工具：Todesk 、向日葵远程控制软件
– 操作系统：Windows OS
项目文件
文件目录
Tipps：完整项目文件清单如下：
通过这些完整的项目文件，不仅可以直观了解项目的运行效果，还能轻松复现，全面展现项目的专业性与实用价值！
评论(0)