简介面向毕业设计场景的Python机器学习情感分析项目聚焦酒店中文评论的情感极性分类适合需要完成相关课题的高校学生以及NLP、机器学习入门学习者参考实践。资源共2000余个文件压缩包整体7.47MB主要包含txt格式的评论语料含2000条正向与2000条负向酒店评论以及分词、去停用词后的处理结果、5个Python脚本覆盖句子切分、停用词过滤、词向量构造、PCA降维与SVM分类建模并配套设计报告Word文档和csv、xml等辅助文件目录结构清晰便于对照查阅与复现。已有951人学习下载。借助这套资源可完整看到从原始评论预处理、特征提取到模型训练与情感预测的实践链路源码、数据与设计报告相互配套为毕业设计写作、系统实现、结果验证乃至结题答辩展示提供了直接可用的参考。1. 酒店中文评论情感分析毕业设计为什么选这个方向每年毕业季不少学生会选情感分析作为毕设方向酒店中文评论情感分析又是其中最热门的选题之一。原因很直接数据能公开拿到Python生态里有完整的工具链从爬虫到分类模型再到Web展示每个环节都能体现工作量。但热门也意味着教程质量参差不齐很多教程只讲“用模型跑一下”就收工结果真正动手时在数据清洗、标注转换、结果评估这些环节踩坑。下面从一个实际做过的路线出发讲清楚基于Python实现酒店中文评论情感分析的完整链路——数据怎么准备、模型怎么选、系统怎么做、坑在哪里以及如何把准确率再往上提。适合正在做毕业设计、或想把这个方向落地成小项目的开发者。2. 数据准备公开数据集体检、爬虫方案与jieba分词2.1 公开数据集先做数据体检再动手建模酒店评论情感分析的公开数据集并不难找。在GitHub、百度AI Studio这些平台上搜“携程酒店评论”或“酒店评论情感分析”能找到不少整理好的版本常见格式是CSV或JSON字段一般包含评论ID、用户名、评论文本、评分、评论时间等。数据量从几百条到几万条都有毕业设计用几千条通常就够跑了。但拿到数据直接开工是新手最常见的翻车方式。我一般会先跑一段“数据体检”脚本看清楚几个关键指标import pandas as pd df pd.read_csv(hotel_reviews.csv, encodingutf-8) print(数据规模:, df.shape) print(字段列表:, df.columns.tolist()) print(评分分布:) print(df[rating].value_counts().sort_index()) print(空值数量:, df[review_text].isnull().sum()) print(评论字数统计:) print(df[review_text].str.len().describe())这段代码做四件事确认数据规模、查看字段、检查评分分布和空值情况、统计评论文本长度。评分分布尤其关键——如果5分评价占总量的60%以上直接拿原始标签做分类模型准确率看起来会很高但模型实际预测正面评论的倾向会明显失衡。文本长度分布也要留意若大量评论不足10个字说明数据源质量差情感特征太稀疏会直接影响后面模型的效果。参数说明读取中文CSV时encoding参数是头号踩坑点utf-8、gbk、gb18030三个候选编码需要依次尝试。实际操作中我见过很多次UnicodeDecodeError基本都是编码问题而不是数据本身的问题。数据体检后要处理标签。酒店评论的评分通常是1到5分而情感分析任务一般只分正面和负面两类。常见的映射策略有两种第一种是把4分和5分当作正面1分和2分当作负面3分直接丢弃第二种是把大于3分当作正面小于等于3分当作负面。我更推荐第一种因为3分评论里“还行”“一般”这类表达情感很模糊硬塞进训练集只会增加噪声。如果你想让毕设更有层次感可以做成三分类——正面、中性、负面标签映射时多保留一个类别就行后面的建模流程基本不变。2.2 自爬数据requests配合BeautifulSoup的落地框架如果公开数据集满足不了需求想自己爬携程或去哪儿的酒店评论这条路也能走通但要额外处理反爬机制、爬取速度慢以及数据合规风险。最常见的做法是用requests请求评论接口再用BeautifulSoup解析页面元素。这里给一个最小可用的框架import requests from bs4 import BeautifulSoup import time import csv import random def fetch_comments(page_url, headers, retry3): for attempt in range(retry): try: resp requests.get(page_url, headersheaders, timeout10) resp.encoding utf-8 if resp.status_code ! 200: print(fHTTP {resp.status_code}, 重试 {attempt1}/{retry}) continue soup BeautifulSoup(resp.text, html.parser) comments [] for item in soup.select(div.comment-item): text_node item.select_one(span.content) rating_node item.select_one(span.score) if text_node is None: continue text text_node.get_text(stripTrue) rating rating_node.get_text(stripTrue) if rating_node else 0 comments.append({text: text, rating: rating}) return comments except Exception as e: print(f第{attempt1}次请求异常: {e}) time.sleep(2) return [] headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 } all_data [] for page in range(1, 21): url fhttps://hotel.example/comments?page{page} page_comments fetch_comments(url, headers) if not page_comments: print(f第{page}页无数据停止抓取) break all_data.extend(page_comments) print(f第{page}页抓到{len(page_comments)}条累计{len(all_data)}条) time.sleep(random.uniform(2, 5)) with open(hotel_comments.csv, w, newline, encodingutf-8) as f: writer csv.DictWriter(f, fieldnames[text, rating]) writer.writeheader() writer.writerows(all_data)逻辑说明这段代码有几个关键设计——重试机制、异常处理和随机延时。fetch_comments内部对请求做了最多3次重试每次失败后间隔2秒再试这个机制能应对偶发的超时或网络抖动页面解析时通过select定位评论节点select_one取具体字段如果text_node为空就跳过避免把脏数据存进结果翻页过程中遇到连续空页就停止避免无意义的请求。爬取完成后用csv.DictWriter把数据落到本地。参数说明timeout设为10秒是一个比较稳妥的折中。random.uniform(2, 5)让两次请求之间的间隔在2到5秒随机分布同时兼顾了爬取速度和反爬规避。headers里的User-Agent是最精简的浏览器标识如果目标网站有更严格的反爬策略还需要加Referer和Cookie字段。需要强调的是自行爬取评论做毕设要提前确认数据使用合规性。国内很多酒店预订平台的用户评论受版权保护如果学校有数据来源审查要求建议以公开数据集为主自爬数据作为补充验证。2.3 分词与清洗jieba在酒店评论场景的正确用法中文情感分析绕不开分词这道工序。Python的jieba库是当前最通用的中文分词工具在酒店评论这个场景下默认词典已经覆盖了大部分常见词汇但领域词比如“隔音”“地段”“卫生”可能切分不理想。我会在清洗之后先做一轮分词效果检查确认没有明显的切分错误再继续。下面是清洗和分词的完整代码import re import jieba def clean_text(text): if not isinstance(text, str): return # 去HTML标签 text re.sub(r[^], , text) # 去URL text re.sub(rhttps?://\S, , text) # 去数字和字母酒店评论中电话、房号等信息对情感无帮助 text re.sub(r[a-zA-Z0-9], , text) # 保留中文和常用标点移除表情和特殊符号 text re.sub(r[^\u4e00-\u9fa5。、], , text) # 压缩连续重复标点 text re.sub(r([。、])\1, r\1, text) return text def tokenize(text): return jieba.lcut(text) df[clean_text] df[review_text].apply(clean_text) df[tokens] df[clean_text].apply(tokenize) # 抽查分词效果 for i in range(5): print(df.loc[i, tokens])清洗顺序是有讲究的先去HTML和URL再去数字字母最后统一过滤特殊字符。酒店评论里经常出现“房间号8888”“电话138xxxx”这类数字对情感判断没有贡献直接去掉能减少特征维度。表情符号在酒店评论中占比不高过滤掉影响不大如果你的数据里表情很多可以考虑把表情映射成情感词但这属于进阶玩法毕设阶段不建议在这上面花时间。分词后的效果检查是新手最容易省略的步骤。跑一下打印前几条评论的分词结果看看“性价比”有没有被切分开“前台”是不是被准确识别。如果有重要的领域词被切错了可以用jieba.add_word方法把词加进自定义词典比如jieba.add_word(性价比) jieba.add_word(隔音差)停用词过滤也在这步做。网上有哈工大停用词表等现成资源但酒店评论场景建议手动补充几个停用词比如“酒店”“入住了”“感觉”这类高频但情感权重低的词。加停用词不要太激进——“感觉很差”这种表达如果去掉“感觉”模型还能识别“很差”但有些情况下删掉情态词会影响否定语义的识别这块需要在建模后反过来验证。整个数据预处理的目标是让每条评论形成一个干净、稳定、可复现的分词序列后面所有模型都建立在这个序列之上。3. 建模选型TF-IDF基线、Word2Vec与TextCNN3.1 TF-IDF加逻辑回归先跑通一个可解释的基线情感分析本质上是文本分类问题。在动手上深度学习之前我建议先用TF-IDF把文本转成向量再训练一个逻辑回归模型作为基线。这样做有两个好处一是基线模型的准确率能快速反映数据质量如果基线F1值不到80%说明数据预处理或标签映射有问题应该回头检查而不是继续堆模型二是逻辑回归的权重可以直接查看能直观看到哪些词的正面情感权重高、哪些词负面权重高方便你向答辩老师解释模型行为。from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn.metrics import classification_report df[tokenized_text] df[tokens].apply(lambda x: .join(x)) df[label] df[rating].apply(lambda x: 1 if x 4 else 0) X_train, X_test, y_train, y_test train_test_split( df[tokenized_text], df[label], test_size0.2, random_state42, stratifydf[label] ) vectorizer TfidfVectorizer(max_features5000, ngram_range(1, 2)) X_train_vec vectorizer.fit_transform(X_train) X_test_vec vectorizer.transform(X_test) clf LogisticRegression(C1.0, max_iter1000) clf.fit(X_train_vec, y_train) y_pred clf.predict(X_test_vec) print(classification_report(y_test, y_pred, target_names[负面, 正面]))逻辑说明train_test_split里的stratify参数根据标签比例分层抽样保证训练集和测试集的正面负面比例一致这是处理类别不平衡时最基础的一招。TfidfVectorizer里的ngram_range设为(1,2)意思是同时保留单个词和相邻两个词的组合特征这样“不 好”和“不 错”这种双词模式可以被模型感知。逻辑回归的C值控制正则化强度C越小正则越强默认1.0在大多数场景下表现稳定。参数说明max_features设为5000是考虑到训练效率和特征稀疏度的平衡。酒店评论几万条数据全量特征可能有几万维但其中大量是低频词截断到5000维后模型性能下降一般在1个百分点以内而训练时间能快一个量级。如果你的语料明显偏小比如只有2000条评论建议把max_features降到3000以下。跑完这个基线你会拿到一组评价指标——精确率、召回率和F1值。如果正面类别的F1明显高于负面类别说明负面样本可能太少或负面表达多样性不足这时先不要急着换模型回去看数据分布和清洗结果更有效。3.2 Word2Vec加TextCNN把词序信息用起来TF-IDF是词袋模型完全忽略词序。虽然ngram_range(1,2)能捕捉部分局部词序但长距离的依赖关系依然丢失。如果你想让毕设有一定深度下一步可以换成Word2Vec词向量加TextCNN的路线。先用gensim在语料上训练词向量from gensim.models import Word2Vec sentences df[tokens].tolist() w2v_model Word2Vec( sentences, vector_size100, window5, min_count2, sg1, epochs10, workers4 ) w2v_model.wv.save_word2vec_format(w2v_model.txt, binaryFalse) print(w2v_model.wv.most_similar(隔音, topn5))逻辑说明Word2Vec的输入是分词后的句子列表每个句子是词的列表。vector_size设为100维window设为5表示每个词只看前后5个词内的上下文。sg1表示使用Skip-gram这个词向量训练方式在小规模语料上通常比CBOW效果更好因为Skip-gram对低频词更友好。min_count2过滤掉只出现过一次的词这些词没有足够的上下文信息来学习有意义的向量。参数说明epochs设为10次如果语料只有几千条评论训练会非常快几十秒就能完成。workers4是并行线程数按机器CPU核心数调整。训练完成后保存成文本格式的词向量文件方便后续用KeyedVectors重新加载。有了词向量接下来是TextCNN模型。TextCNN的核心思想是用多个不同尺寸的卷积核在词向量序列上滑动捕捉不同长度的n-gram模式import numpy as np import tensorflow as tf from tensorflow.keras import layers, models max_len 50 # 每条评论最多取50个词 vocab_size len(w2v_model.wv.key_to_index) 1 embedding_matrix np.zeros((vocab_size, 100)) for word, idx in w2v_model.wv.key_to_index.items(): embedding_matrix[idx] w2v_model.wv[word] model models.Sequential([ layers.Embedding(vocab_size, 100, weights[embedding_matrix], input_lengthmax_len, trainableFalse), layers.Conv1D(filters128, kernel_size3, activationrelu), layers.GlobalMaxPooling1D(), layers.Conv1D(filters128, kernel_size4, activationrelu), layers.GlobalMaxPooling1D(), layers.Dense(64, activationrelu), layers.Dropout(0.5), layers.Dense(1, activationsigmoid) ]) model.compile(optimizeradam, lossbinary_crossentropy, metrics[accuracy]) print(model.summary())逻辑说明这里用了两个卷积层分别配置kernel_size为3和4相当于同时捕捉3-gram和4-gram的特征模式。Embedding层加载预训练的词向量初始化矩阵trainableFalse表示训练过程中不再更新词向量这样能显著减少参数量避免在小数据集上过拟合。GlobalMaxPooling1D是对每个卷积核提取到的特征图取最大值保留最明显的模式。最后接sigmoid输出层做二分类。参数说明max_len设为50因此训练数据需要做padding和truncating处理常见做法是使用tensorflow的pad_sequences。Dropout设为0.5是在全连接层之后随机丢弃一半神经元这是对抗过拟合的常用手段。这里列出的TextCNN是简化版本。实际训练时还要把评论分词结果转换成整数序列并用pad_sequences统一长度。这一步的坑比较多新手最容易在词表构建和序列转换两个环节出错建议在跑通之前先打印几条转换后的序列确认长度是否正确。3.3 模型选型依据什么数据量用什么模型很多毕设新手会问到底要不要用深度学习这个问题没有标准答案但有一个非常实用的判断标准——数据量。如果你的有效训练数据在5000条以内深度学习模型的优势很难发挥出来反而因为参数量大容易过拟合这时TF-IDF加逻辑回归往往效果最好。只有当数据量到1万条以上深度学习模型的表达力才能真正体现出来。模型方案最少数据量参考训练速度可解释性适用场景TF-IDF 逻辑回归1000条秒级强快速验证、答辩基线Word2Vec TextCNN5000条分钟级中有GPU或在云平台跑BERT句向量 LR5000条分钟级推理中想在语义上提升准确率表格里的数据量是经验参考值不是绝对标准。如果评论数据分散在多个酒店类型上比如经济型和豪华型评论风格差异很大实际有效数据量还要打折。先跑通基线模型再用数据量判断是否值得上深度学习是成本最低的决策路径。从答辩角度看传统模型加深度学习模型本身就是一组对比实验。很多毕设评判标准并不要求用最前沿的模型而是要展示出对问题的理解、实验设计和结果分析能力。把逻辑回归作为基线、TextCNN作为改进方案、两条路线都跑出指标并给出分析比盲目上一个BERT然后说“效果很好”更让老师信服。4. 情感分析避坑指南五个高频问题与排查思路4.1 数据不平衡导致准确率虚高现象模型在测试集上准确率高达92%但查看分类报告时发现负面类别的召回率只有30%左右。模型几乎把所有评论都判成了正面。原因酒店评论数据中正面评价天然占多数很多公开数据集里5分评价占比超过50%。模型学到的最省事策略就是全部预测成正面因为这样准确率也不低。这是情感分析领域最常见、也最隐蔽的坑。解决先用分层抽样保证训练集和测试集正负比例一致然后调整模型的类别权重。scikit-learn中直接在LogisticRegression里设置class_weightbalancedfrom sklearn.linear_model import LogisticRegression clf LogisticRegression(C1.0, max_iter1000, class_weightbalanced) clf.fit(X_train_vec, y_train) y_pred clf.predict(X_test_vec) print(classification_report(y_test, y_pred, target_names[负面, 正面]))与之前的版本相比只增加了一个class_weightbalanced参数但负面类别的召回率往往能提升10到20个百分点。代价是总体准确率可能下降几个点这是正常现象——类别不平衡时准确率本来就不是好的评估指标应该多看F1值。4.2 分词粒度影响情感极性判断现象模型把“酒店位置很好”预测为正面把“酒店位置不太好”也预测为正面。打印分词结果后发现“不太好”被切成了“不”和“太好”两个词而模型只学到了“太”和“好”的正向特征。原因jieba默认词典切分否定词加褒义词的组合有时不理想。“不太好”被切成两个词后TF-IDF的词袋模型丢失了词序信息模型看不出这是否定表达。解决自定义停用词表时不要把“不”加进去。很多新手直接加载公开停用词表里面往往包含“不”这类否定词这是典型的矫枉过正。对策是去掉停用词表中的否定词和情态词并手动把高频否定词组加入词典import jieba jieba.add_word(不太好) jieba.add_word(不干净) jieba.add_word(不推荐) jieba.enable_paddle() print(jieba.lcut(酒店位置不太好, use_paddleTrue)) # 预期输出: [酒店, 位置, 不太, 好]paddle模式对否定结构的识别会更准确但依赖paddlepaddle库安装体积较大。如果本机装不上用jieba.add_word手动添加高频否定词组是更轻量的替代方案。建议先从训练数据中统计出现频率最高的“不副词”组合再分批加入词典。4.3 训练集测试集划分不当导致数据泄漏现象模型的交叉验证指标很高但用新数据验证时效果明显变差准确率比测试集上低10个百分点以上。原因有几类典型的泄漏方式——数据划分前就做了归一化归一化统计量来自整个数据集或者同一个酒店的多条评论同时出现在训练集和测试集模型学到的是“这家酒店是正面”而不是“这类表达是正面”。解决按评论ID或酒店ID分组划分确保训练集和测试集不包含同一来源的评论变体。所有基于词表的处理必须在训练集上完成测试集只做映射。一个简单的排查方法是检查训练集和测试集有没有评论文本重复train_texts set(X_train) test_texts set(X_test) overlap train_texts test_texts print(f重叠评论数: {len(overlap)}) if overlap: print(list(overlap)[:5])如果重叠数量不为零说明划分时没有去重需要先drop_duplicates再做train_test_split。数据泄漏的效果是模型评估结果虚高答辩现场用新数据演示时立刻现原形这个坑必须提前堵住。4.4 深度学习模型过拟合验证集loss不降反升现象TextCNN在训练集上的准确率一路升到98%以上但验证集loss在某个epoch后开始回升验证准确率停留在85%左右不再上涨。原因几百条到几千条的小数据上训练深度学习模型过拟合几乎必然发生。Embedding层trainableFalse虽然减少了参数量但卷积层和全连接层的参数量仍然不少模型很容易记住训练集中的噪声模式。解决使用早停法不要手动挑最优epochfrom tensorflow.keras.callbacks import EarlyStopping early_stop EarlyStopping( monitorval_loss, patience3, restore_best_weightsTrue ) history model.fit( X_train_pad, y_train, validation_data(X_test_pad, y_test), epochs30, batch_size64, callbacks[early_stop], verbose1 )EarlyStopping的monitor设为val_losspatience设为3表示验证集loss连续3轮不下降就停止训练restore_best_weights保证训练结束时自动回滚到效果最好的那组权重。相比手动在多个epoch之间比较早停既能防止过拟合又能节省时间。参数说明patience的值不是越大越好太大起不到早停作用太小容易在收敛前期误停。在酒店评论这种规模的数据上patience取2到4比较合适。另外给模型固定随机种子也很有必要否则每次运行的指标会有波动在答辩时比较被动。4.5 中文编码问题同一个代码换个机器就打不开现象代码在本机运行正常把数据和代码拷贝到另一台电脑后读取CSV时报UnicodeDecodeError或者打印出来全是乱码。原因CSV文件保存时用的编码和读取时指定的encoding参数不一致。Windows系统上Excel默认保存为gbk编码而很多编辑器默认保存为utf-8Python默认环境通常也是utf-8。这个问题的隐蔽性在于代码在本机怎么跑都没问题换个环境就翻车。解决在所有read_csv和open操作里显式指定encoding参数并统一用utf-8。如果数据源是gbk编码的Excel先用pandas读入后重新保存为utf-8# 先用gbk编码读入 df pd.read_csv(hotel_reviews_gbk.csv, encodinggbk) # 重新保存为统一编码 df.to_csv(hotel_reviews_utf8.csv, indexFalse, encodingutf-8-sig)这里用了utf-8-sig会自动写入BOM头很多Excel导出的文件也带BOM用普通utf-8读取时会在第一行出现一个不可见的“\ufeff”前缀影响字符串匹配。从数据接入第一步就统一编码后面所有处理都以这个编码为基准能省掉大量排查时间。5. 把模型变成系统Flask接口、前端面板与批量分析5.1 用Flask封装情感分析API毕设如果只交一个Jupyter Notebook工作量展示会大打折扣。把模型部署成一个小型Web系统既方便演示也能体现工程能力。常见做法是用Flask搭建一个轻量服务对外提供情感分析接口。from flask import Flask, request, jsonify import joblib import re import jieba app Flask(__name__) # 加载训练阶段保存的模型和向量器 vectorizer joblib.load(tfidf_vectorizer.pkl) clf joblib.load(lr_model.pkl) def clean_text(text): text re.sub(r[^], , text) text re.sub(r[a-zA-Z0-9], , text) text re.sub(r[^\u4e00-\u9fa5。、], , text) text re.sub(r([。、])\1, r\1, text) return text def predict_sentiment(text): cleaned clean_text(text) words jieba.lcut(cleaned) seq .join(words) vec vectorizer.transform([seq]) proba clf.predict_proba(vec)[0] label 正面 if clf.predict(vec)[0] 1 else 负面 positive_prob float(proba[1]) return label, positive_prob app.route(/predict, methods[POST]) def predict(): data request.get_json() text data.get(text, ) if not text: return jsonify({error: text field is required}), 400 label, prob predict_sentiment(text) return jsonify({label: label, positive_prob: prob}) if __name__ __main__: app.run(host0.0.0.0, port5000, debugFalse)逻辑说明核心是把训练阶段保存的TF-IDF向量器和逻辑回归模型用joblib加载对外提供POST接口。接口接收JSON请求体解析text字段后调用predict_sentiment函数返回情感标签和正面概率。整个流程和训练时保持一致——清洗、分词、向量化、预测。参数说明debugFalse在部署时是必须的debugTrue虽然方便调试但会暴露敏感信息。host0.0.0.0让服务能被局域网内的其他设备访问答辩现场老师用手机连同一个Wi-Fi就能测试接口。port5000是Flask默认端口如果被占用可以改成5001或其它端口。5.2 简单前端页面输入评论立刻看到结果后端接口完成后前端可以做一个非常简易的页面不需要Vue或React一个HTML文件加fetch请求就够了。这对毕设来说完全足够!DOCTYPE html html langzh-CN head meta charsetUTF-8 title酒店评论情感分析/title /head body h3酒店评论情感分析/h3 textarea idreview rows4 cols50 placeholder请输入酒店评论.../textarea br button onclickanalyse()分析/button p结果: span idresult等待输入/span/p script async function analyse() { const text document.getElementById(review).value; const resp await fetch(/predict, { method: POST, headers: {Content-Type: application/json}, body: JSON.stringify({text: text}) }); const data await resp.json(); const resultEl document.getElementById(result); if (data.label 正面) { resultEl.textContent 正面 ( (data.positive_prob * 100).toFixed(1) %); } else { resultEl.textContent 负面 ( ((1 - data.positive_prob) * 100).toFixed(1) %); } } /script /body /html逻辑说明页面的核心就一个fetch POST请求把用户输入的评论发给后端拿到JSON响应后把情感标签和置信度显示在页面里。正面概率和负面概率互补直接显示当前预测类别的置信度即可。整个页面只有几十行代码不需要引入任何前端框架答辩演示足够。参数说明fetch的headers里必须写Content-Type: application/json否则Flask的request.get_json()可能解析失败。toFixed(1)保留一位小数置信度显示为百分比更直观。5.3 批量分析Excel批量导入导出的实现思路接口演示一次只能分析一条评论。如果毕设需要展示批量分析能力比如一次导入500条评论返回每条的预测标签和置信度可以用pandas循环调用预测函数再生成结果Excelimport pandas as pd df_batch pd.read_excel(batch_comments.xlsx, engineopenpyxl) results [] for text in df_batch[comment]: label, prob predict_sentiment(text) results.append({评论: text, 情感标签: label, 正面概率: prob}) df_result pd.DataFrame(results) df_result.to_excel(batch_result.xlsx, indexFalse)逻辑说明批量分析的核心就是逐条调用predict_sentiment函数把结果存入列表后转成DataFrame输出。数据量在几千条以内时这种写法完全够用不需要并行化。如果数据量到了几万条可以用multiprocessing加快速度但毕设用不到这个深度。参数说明pd.read_excel需要指定engineopenpyxl来读取xlsx格式如果要读旧版xls格式则用xlrd。如果环境报错ModuleNotFoundError先pip install openpyxl。批量处理链路的价值在于可以直接做错误案例分析——把模型预测结果导出后筛选预测错误的评论分析是哪些表达方式让模型判断出错。答辩老师常问“你的模型在哪些情况下会错、为什么错”批量输出错误案例是准备这个问题的有效方法。6. 进阶验证BERT句向量与多模型对比如果基线模型在测试集上已经达到85%以上的F1值而你想让毕设的深度再进一步可以考虑用BERT生成句向量再训练逻辑回归。这种做法比直接微调BERT更稳尤其在数据量不够大时既拿到了预训练模型的语义表达能力又避开了微调阶段一堆参数调节的麻烦。from transformers import AutoTokenizer, AutoModel import torch tokenizer AutoTokenizer.from_pretrained(bert-base-chinese) model AutoModel.from_pretrained(bert-base-chinese) model.eval() def get_bert_vector(text): inputs tokenizer(text, max_length128, truncationTrue, paddingTrue, return_tensorspt) with torch.no_grad(): outputs model(**inputs) # 取[CLS]向量作为整句表示 return outputs.last_hidden_state[:, 0, :].numpy() X_train_bert np.vstack([get_bert_vector(t) for t in train_texts]) X_test_bert np.vstack([get_bert_vector(t) for t in test_texts]) clf_bert LogisticRegression(C1.0, max_iter1000) clf_bert.fit(X_train_bert, y_train) print(classification_report(y_test, clf_bert.predict(X_test_bert), target_names[负面, 正面]))逻辑说明取BERT输出中CLS位置的向量作为整句话的语义表示CLS是预训练时专门设计的全局语义汇聚位天然适合做分类特征。代码里的torch.no_grad()确保推理阶段不更新梯度节省显存。如果你的机器没有GPU这部分在CPU上跑一千条评论大约需要几分钟可以接受。对比验证上建议把三条路线的结果做成表格TF-IDF加逻辑回归、Word2Vec加TextCNN、BERT句向量加逻辑回归在同样的测试集上比较精确率、召回率和F1值。即使BERT方案没有明显超过TextCNN也可以从数据量、训练成本和可解释性等角度展开分析这本身就是毕设的加分项。最后说一个我的习惯每次训练完模型先把模型文件和向量器用joblib保存一份再额外备份一份带时间戳的版本。这样哪怕后面改代码改出了问题也能随时回退到之前效果最好的版本相当于给自己的实验上了后悔药。做毕设也是这样模型版本管理、数据集备份、关键结果截图这些看起来不重要的细节到了答辩前两天都可能是救命稻草。希望这些内容能帮到你把基于Python的酒店中文评论情感分析这个方向做得更扎实少走一些弯路。本文还有配套的精品资源点击获取
