湖南商務職業(yè)技術學院畢業(yè)設計

目錄

1引言.....................................................................1

1.1項目背景...........................................................1

1.2項目目標...........................................................1

1.3當下技術現狀.......................................................3

2相關技術與工具介紹.......................................................4

2.1Textcnn模型概述....................................................4

2.2分類識別技術.......................................................4

2.3Django框架技術....................................................5

2.42.4.開發(fā)環(huán)境與工具..................................................6

2.4.1python簡介...................................................6

2.4.2PyCharm簡介..................................................6

2.4.3第三方庫簡介..................................................7

3方法設計與實現...........................................................8

3.1數據集獲取..........................................................8

3.2數據分析...........................................................10

3.3模型設計...........................................................13

3.4模型評估與優(yōu)化.....................................................15

3.5前端設計與實現.....................................................17

4小結....................................................................19

參考文獻..................................................................21

I

湖南商務職業(yè)技術學院畢業(yè)設計

基于深度學習textcnn模型的社交媒體情感分析系

統(tǒng)設計

1引言

1.1項目背景

文本情感分析是自然語言處理領域的一個重要方向，其背景涉及到互聯網

和社交媒體的迅速發(fā)展，以及人們對于文本數據情感信息的需求。隨著互聯網

的普及和社交媒體平臺的興起，大量的文本數據被廣泛產生、傳播和共享。這

些文本數據包括社交媒體上的用戶發(fā)帖、微博、新聞報道、產品評論等，涵蓋

了各個領域的信息。在這樣的背景下，人們對于如何從海量的文本數據中獲取

有用的信息、理解用戶情感傾向等問題提出了新的挑戰(zhàn)和需求。

文本情感分析旨在自動識別和理解文本中的情感傾向，幫助人們更好地理

解和分析文本數據中所蘊含的情感信息。通過對文本數據進行情感分析，可以

將文本劃分為積極、消極或中性等情感類別，從而為用戶提供更加直觀和精準

的信息挖掘和決策支持。

在現實生活中，文本情感分析技術具有廣泛的應用價值。例如，在輿情監(jiān)

測領域，政府、企業(yè)等機構可以通過分析社交媒體上用戶的發(fā)帖和評論情感，

了解公眾對于特定事件、政策或產品的態(tài)度和情感傾向，及時調整和改進相關

措施。在產品管理和營銷推廣領域，電商平臺可以通過分析用戶對產品的評論

情感，了解產品的優(yōu)缺點，改進產品設計和服務質量，提升用戶滿意度和購買

體驗。此外，文本情感分析技術還可以應用于社交媒體管理、輿情分析、市場

調研、客戶服務等方面，為各個領域的信息處理和決策提供重要支持。

隨著深度學習和自然語言處理技術的不斷發(fā)展，文本情感分析技術取得了

顯著的進展。傳統(tǒng)的機器學習方法和基于規(guī)則的方法在一定程度上已經不能滿

足對于情感分析任務的需求，而深度學習方法通過神經網絡模型直接從原始文

本數據中學習特征表示，具有更好的表達能力和泛化能力，取得了在文本情感

分析任務上的顯著性能提升。因此，文本情感分析技術的和應用前景十分廣闊，

將繼續(xù)成為自然語言處理領域的一個重要方向。

1.2項目目標

網絡評論是社交媒體和網絡社區(qū)中的重要組成部分，它承載了大量的信息

和觀點，反映了網民對于各種話題和事件的態(tài)度、情感和觀點。在這個信息爆

1

湖南商務職業(yè)技術學院畢業(yè)設計

炸的時代，網絡評論的規(guī)模和數量呈指數級增長，成為了人們獲取信息、交流

觀點、表達情感的重要渠道。因此，對網絡評論進行情感分析具有重要的意義，

不僅可以幫助人們更好地理解網絡輿情、產品評價等方面的情感傾向，還可以

為企業(yè)、政府等提供決策支持和業(yè)務改進的依據。

了解公眾輿情和社會熱點：網絡評論是人們對于社會事件、熱點話題等的

集體表達，通過對網絡評論進行情感分析，可以了解公眾對于各種事件和話題

的態(tài)度和情感傾向。這有助于政府、媒體等機構及時掌握社會輿論動態(tài)，及時

調整政策、輿論引導等工作。

產品和服務評價：在電子商務平臺和社交媒體上，用戶會對購買的產品和

接受的服務進行評價和評論。通過對這些評論進行情感分析，可以了解用戶對

產品和服務的滿意度、體驗感受以及存在的問題和不足之處。這對于企業(yè)改進

產品設計、提升服務質量具有重要意義。

個人和品牌形象管理：個人和品牌在社交媒體上的形象和聲譽受到廣泛關

注，網絡評論中的情感傾向直接影響著個人和品牌的形象。通過對網絡評論進

行情感分析，可以及時發(fā)現并應對負面評價和輿情危機，保護個人和品牌的聲

譽。

市場調研和競爭分析：網絡評論中蘊含了大量的市場信息和競爭情報，通

過對網絡評論進行情感分析，可以了解市場需求、競爭對手的優(yōu)劣勢和市場趨

勢，為企業(yè)的市場調研和競爭分析提供重要參考。

產品改進和業(yè)務優(yōu)化：網絡評論中的用戶反饋和意見對于產品改進和業(yè)務

優(yōu)化具有重要價值。通過對網絡評論進行情感分析，可以及時發(fā)現用戶的需求

和不滿意之處，針對性地改進產品設計和優(yōu)化服務流程，提升用戶滿意度和忠

誠度。

輿情監(jiān)測和危機管理：網絡評論中可能存在一些負面情緒和言論，如果不

及時處理和應對，可能會引發(fā)輿情危機。通過對網絡評論進行情感分析，可以

及時發(fā)現并跟蹤負面輿情，采取相應的措施進行輿情引導和危機管理，維護社

會穩(wěn)定和品牌形象。

綜上所述，網絡評論情感分析在輿情監(jiān)測、產品評價、品牌形象管理、市

場調研等方面具有重要的應用價值，對于提升企業(yè)競爭力、改善用戶體驗、促

進社會和諧等都具有積極的作用和意義。隨著社交媒體和網絡技術的不斷發(fā)展，

網絡評論情感分析技術也將不斷完善和發(fā)展，為各個領域的信息處理和決策支

持提供更加智能和有效的解決方案。

2

湖南商務職業(yè)技術學院畢業(yè)設計

1.3當下技術現狀

當前，文本情感分析領域的機器學習和深度學習技術得到了廣泛的應用和，

取得了顯著的進展。以下是當前主要的機器學習和深度學習技術在文本情感分

析中的應用現狀：

傳統(tǒng)機器學習方法方面，傳統(tǒng)的機器學習方法如支持向量機（SVM）、樸素

貝葉斯分類器、決策樹等在文本情感分析中仍然具有一定的應用價值。這些方

法通常通過手工提取文本的特征，如詞袋模型（BagofWords）、TF-IDF等，

然后利用機器學習算法進行分類。盡管這些方法在某些情況下能夠取得較好的

效果，但在處理復雜的文本情感信息時，效果有限，且依賴于手工提取的特征。

深度學習方法方面，深度學習方法在文本情感分析領域取得了巨大的成功。

其中，循環(huán)神經網絡（RNN）、長短期記憶網絡（LSTM）、卷積神經網絡（CNN）

等是最常用的模型。這些模型能夠直接從原始文本數據中學習特征表示，無需

手工提取特征，具有更好的表達能力和泛化能力。特別是，CNN在文本分類任

務中的應用得到了廣泛的關注和應用，其能夠有效地捕獲局部特征，適用于處

理文本情感分析等任務。

預訓練語言模型方面，近年來，預訓練語言模型（Pre-trainedLanguage

Models）在文本情感分析中的應用日益普及。BERT（BidirectionalEncoder

RepresentationsfromTransformers）、GPT（GenerativePre-trained

Transformer）等預訓練語言模型通過大規(guī)模文本語料的預訓練，在文本理解和

生成任務中取得了令人矚目的成果。這些預訓練語言模型不僅能夠學習到豐富

的語義信息，還能夠根據具體任務進行微調，提升文本情感分析的效果。

注意力機制和自注意力機制方面，注意力機制和自注意力機制被廣泛應用

于文0本情感分析任務中，幫助模型更好地理解和利用文本序列中的重要信息。

通過引入注意力機制，模型能夠自動地學習到文本序列中不同位置的重要性，

從而更有效地進行情感分析。

模型融合和集成學習方面，在實際應用中，模型融合和集成學習技術被廣

泛用于提升文本情感分析的性能。通過結合多個不同的模型或多個訓練數據集，

可以降低模型的過擬合風險，提高分類準確率和泛化能力。

綜上所述，當前文本情感分析領域主要應用了傳統(tǒng)的機器學習方法和深度

學習方法，其中深度學習方法在性能上具有顯著優(yōu)勢。預訓練語言模型和注意

力機制等技術的引入進一步提升了模型的性能。未來，隨著深度學習技術的不

斷發(fā)展和完善，以及更多新穎技術的引入，文本情感分析技術將不斷進步，并

在各個領域發(fā)揮越來越重要的作用。

3

湖南商務職業(yè)技術學院畢業(yè)設計

2相關技術與工具介紹

2.1Textcnn模型概述

TextCNN（TextConvolutionalNeuralNetwork）是一種基于卷積神經網

絡（CNN）的文本分類模型。其核心思想是將卷積神經網絡（CNN）應用到文本

分類中，以提取文本特征。

TextCNN模型的結構主要包括以下幾個部分：

輸入層：將輸入的文本轉化為詞向量表示。這通常通過使用預訓練好的詞

向量模型（如word2vec）實現，或者也可以在訓練過程中直接訓練出一套詞量。

Embedding層：這一層將輸入的自然語言文本編碼成分布式表示，即將文

本中的每個詞轉換為一個固定長度的向量。這樣，整個文本就被轉換為一個二

維矩陣，其中每行代表一個詞向量。

Convolution層：這一層通過卷積操作提取不同的n-gram特征。具體來說，

通過多個不同大小的卷積核對文本矩陣進行卷積操作，得到不同尺寸的特征圖。

每個卷積核都可以捕捉到文本中不同長度的局部特征，從而獲取不同尺度的特

征表示。

Pooling層：對卷積層輸出的特征圖進行池化操作，以降低特征的維度并

保留最重要的特征信息。常見的池化操作包括最大池化（MaxPooling）和平均

池化（AveragePooling）。

FullyConnected層：將池化得到的特征向量通過全連接層映射到標簽域，

并通過Softmax層得到文本屬于每一類的概率，取概率最大的類作為文本的標

簽。

TextCNN模型在文本分類任務中表現出色，尤其在短文本情感分析方面具

有較高的準確性和性能。由于卷積操作的并行性，TextCNN模型的訓練和推理

速度較快，適用于實時或大規(guī)模的情感分析應用?？偟膩碚f，TextCNN模型通

過結合卷積神經網絡和文本數據的特點，實現了對文本數據的有效處理和分類。

2.2分類識別技術

分類識別技術是一種通過計算機算法對輸入數據進行自動分類和識別的技

術。這種技術通常利用機器學習、數據挖掘等方法，對輸入的數據進行特征提

取和模式識別，從而訓練出能夠自動分類和識別數據的模型。分類識別技術廣

泛應用于多個領域，包括但不限于：

圖像識別：通過計算機視覺技術，對圖像進行分析、提取特征，并進行模

4

湖南商務職業(yè)技術學院畢業(yè)設計

式識別，實現圖像分類。應用領域包括人臉識別、車輛識別、食品安全檢測等。

語音識別：通過計算機語音處理技術，將語音轉換為文字，并進行分析和

識別，實現文本分類和語音命令操作。應用領域包括智能家居、智能客服、語

音翻譯等。

視頻識別：通過計算機視頻處理技術，對視頻流進行分析、提取特征，并

進行模式識別，實現視頻分類和事件檢測。應用領域包括智能監(jiān)控、安防識別、

智能交通等。

文本分類：通過自然語言處理技術，對文本進行分析、提取關鍵信息，并

依據分類規(guī)則實現文本分類。應用領域包括垃圾郵件過濾、情感分析、新聞分

類等。

在分類識別技術中，常見的分類方法包括基于距離的分類器、基于機器學

習的分類器和基于壓縮感知理論的分類器等。其中，最近鄰分類方法是一種常

用的分類方法，其基本思想是通過離測試樣本距離最近的訓練樣本的標簽來預

測測試樣本的類別。

此外，隨著深度學習技術的發(fā)展，圖像分類技術也取得了巨大的進步。深

度學習技術，特別是卷積神經網絡（CNNs），能夠自動從數據中學習到特征表示，

極大地提高了圖像分類的準確性和效率。這使得圖像分類技術在醫(yī)學影像、安

防監(jiān)控、工業(yè)檢測、農業(yè)圖像分析、自動駕駛等領域發(fā)揮著越來越重要的作用。

總之，分類識別技術是一種非常重要的人工智能技術，它通過模擬人類的

認知過程，實現對輸入數據的自動分類和識別，為各個領域的發(fā)展提供了有力

的支持。

2.3Django框架技術

Django框架提供了許多其他的功能和特性，如URL分發(fā)器模塊、表單驗證、

模板引擎、國際化系統(tǒng)等。這些功能和特性使得Django框架成為了Web開發(fā)領

域中的一款重要工具，被廣泛應用于各種Web應用程序的開發(fā)中。主要包括如

下特點：

開發(fā)快捷：Django框架基于MVC（模型-視圖-控制器）模式，這使得開發(fā)

人員可以快速地開發(fā)出可維護和可擴展的Web應用程序。使用Django，Python

的程序開發(fā)人員可以輕松地完成一個正式網站所需要的大部分內容，并進一步

開發(fā)出全功能的Web服務。

低耦合：Django遵循MVC的軟件設計模式，但使用了稍微不同的術語。這

種模式有助于分離關注點，使得數據庫操作更加抽象和易于管理，同時也使得

程序某一部分的重復利用成為可能。

5

湖南商務職業(yè)技術學院畢業(yè)設計

部署方便：Django框架支持多種部署方式，包括傳統(tǒng)的Web服務器（如

Apache或Nginx）和現代的云平臺（如AWS、Azure或Heroku）。這使得Django

應用程序可以輕松部署到各種環(huán)境中。

可重用性高：Django框架內置了許多可重用的組件和工具，如ORM（對象

關系映射）系統(tǒng)、表單處理、模板引擎等。這些組件和工具使得開發(fā)人員可以

更加高效地開發(fā)出高質量的Web應用程序。

維護成本低：由于Django框架的高可維護性和可擴展性，使得開發(fā)人員可

以更加輕松地維護和擴展Web應用程序。同時，Django框架也提供了強大的文

檔和社區(qū)支持，使得開發(fā)人員可以更加快速地解決問題和獲取幫助。

2.42.4.開發(fā)環(huán)境與工具

2.4.1python簡介

Python的語法清晰簡潔，易于理解和上手。它提供了大量的內置數據類型

和函數，可以快速地編寫小程序或腳本。

Python可以在多種操作系統(tǒng)上運行，包括Windows、Linux、MacOS等。

它支持面向對象編程（OOP），可以使用類和對象來組織代碼。Python是一種解

釋型語言，可以在開發(fā)過程中直接運行代碼，無需編譯。

Python擁有龐大的標準庫和第三方庫，可以輕松地完成各種任務。例如，

NumPy、Pandas、Matplotlib用于數據分析，Django、Flask用于網站開發(fā)，

TensorFlow、PyTorch用于機器學習和深度學習等。

Python擁有龐大的開發(fā)者社區(qū)，提供了大量的教程、文檔和示例代碼。遇

到問題時，可以在社區(qū)中尋求幫助。

Python是免費和開源的，可以自由地使用和修改。Python非常適合用于

編寫自動化腳本，可以處理重復性的任務。Python在人工智能和機器學習領域

非常流行，許多流行的庫和框架都是用Python編寫的。

Python是一種動態(tài)類型語言，可以在運行時改變變量的類型。它也支持多

種編程范式，包括函數式編程和過程式編程。

總之，Python是一種功能強大、易于學習和使用的編程語言，適用于多種

應用場景。無論是初學者還是經驗豐富的開發(fā)者，都可以從Python中受益。

2.4.2PyCharm簡介

PyCharm具有強大的代碼編輯功能，包括語法高亮、自動補全、代碼格式

化等。它還具有智能提示功能，可以根據上下文提供變量、函數和模塊的建議，

從而加速代碼編寫并減少錯誤。

6

湖南商務職業(yè)技術學院畢業(yè)設計

PyCharm支持跳轉到函數定義、查找引用、查找特定符號等操作，提供了

便捷的代碼導航體驗。

PyCharm集成了全面的調試器，支持設置斷點、單步調試、變量查看等功

能，幫助開發(fā)者快速定位和修復問題。此外，它還提供了對單元測試的支持，

可以方便地編寫、運行和分析測試用例。

PyCharm具有強大的項目管理功能，可以創(chuàng)建和管理多個項目。

PyCharm支持多種版本控制系統(tǒng)，如Git、Mercurial、Subversion等，并

提供了統(tǒng)一的VCS用戶界面。

PyCharm還包含如下特色功能：

支持Django：PyCharm自帶HTML、CSS和JavaScript編輯器，支持

Django框架下的專業(yè)Web開發(fā)。

支持GoogleAppEngine：用戶可以選擇使用Python2.5或2.7運行環(huán)境，

為GoogleAppEngine進行應用程序的開發(fā)，并執(zhí)行例行程序部署工作。

Python重構：用戶可以在項目范圍內輕松進行重命名、提取方法/超類、

導入域/變量/常量、移動和前推/后退重構等操作。

PyCharm分為專業(yè)版和社區(qū)版。專業(yè)版提供了更多的功能和工具，如

Django支持、數據庫工具、科學計算工具等，但需要付費購買授權。而社區(qū)版

則只提供Python的基本功能，并且是免費的，但僅限于非商業(yè)用途，并且支持

的平臺也相對較少。

PyCharm是一款功能強大、易于使用的PythonIDE，它提供了一整套高效

的開發(fā)工具，可以顯著提高Python開發(fā)的效率和質量。

2.4.3第三方庫簡介

Keras是一個高級神經網絡API，基于Python語言開發(fā)，可以作為

TensorFlow、Microsoft-CNTK和Theano的高階應用程序接口，用于深度學習

模型的設計、調試、評估、應用和可視化。

Pandas是一個強大且靈活的數據處理和分析庫，為Python編程語言提供

了快速、高效且易于使用的數據結構和數據分析工具。Pandas的名字來源于

“PanelData”（面板數據，包括時間序列和橫截面數據）和“PythonData

Analysis”（Python數據0分析）的組合。

numpy（NumericalPython的簡稱）是Python編程語言的一個核心庫，

用于處理大型多維數組和矩陣，以及進行一系列高級數學函數運算。它提供了

大量的數學函數來操作這些數組，如線性代數、統(tǒng)計、傅里葉變換、隨機數生

成等。

TensorFlow是一個由Google開發(fā)的開源機器學習框架，它允許開發(fā)者構

7

湖南商務職業(yè)技術學院畢業(yè)設計

建和訓練各種機器學習模型，包括深度學習模型。TensorFlow提供了豐富的

API和工具，使開發(fā)者能夠方便地進行數據處理、模型定義、訓練和評估。

3方法設計與實現

3.1數據集獲取

在本文的數據中，使用的是用戶對酒店的評論數據，其中主要包含不同的

用戶在美團、攜程、大眾點評等app上對不同住宿酒店的評論的情感，反映對

酒店評論的情感。評論的感情是分為好評和差評，從側面體現了用戶對酒店的

評價喜好，從客戶的角度反映了酒店的口碑。如下圖所示：

圖3-1評論數據來源

8

湖南商務職業(yè)技術學院畢業(yè)設計

從站點爬取的數據的代碼，如下圖所示：

圖3-2爬取評論數據

獲取評論數據后，對評論數據進行預處理。如下圖所示：

圖3-3評論數據處理

獲取評論數據后，存在在本地文件中，這些評論數據的每一行包括三個字

段：

標識符(index)：表示每條評論的唯一標識符。

標簽(label)：表示評論的情感極性，1可能代表積極的評論，0可能代表消

極的評論。

9

湖南商務職業(yè)技術學院畢業(yè)設計

評論(review)：包含了評論者對于酒店或住宿體驗的具體描述。

圖3-4評論數據本地展示

3.2數據分析

對所有數0據的情感傾向進行統(tǒng)計，可以看出其中正向情感的數據占比

68.5%，負向的占比是31.5%，從數據的總體分布來看，其中大眾用戶對于情感

的評價還是好評居多的。也為后續(xù)的情感分析做出了鋪墊。如下圖所示：

圖3-5類別占比

如圖3-6所示，我們運用LDA（潛在狄利克雷分配）算法對大量的數據進

行了深入的主題提取。在這個過程中，LDA算法發(fā)揮了其強大的文本分析和主

題建模能力，幫助我們從繁雜的數據中抽絲剝繭，揭示出隱藏在其中的主題結

構。

仔細觀察提取的結果，我們不難發(fā)現，這些主題詞匯主要圍繞著酒店服務

10

湖南商務職業(yè)技術學院畢業(yè)設計

和房間質量展開。這些詞匯不僅包括了酒店服務態(tài)度、服務效率等方面的描述，

也涉及到了房間清潔度、設施設備、裝修風格等細節(jié)方面的評價。這些詞匯的

出現，不僅直接反映了用戶在評論酒店時關注的焦點，也間接揭示了他們在選

擇酒店時的重要考量因素。

圖3-6主題提取

店服務的關注，可能反映了用戶對于良好入住體驗的期待；而對于房間質

量的評從用戶對于酒店評論的主題和詞匯傾向中，我們可以進一步解讀出他們

的需求和期望。例如，對于酒價，則可能體現了他們對于舒適居住環(huán)境的追求。

這些信息和洞察，對于酒店行業(yè)來說，無疑具有重要的指導意義，可以幫助他

們更好地理解客戶需求，優(yōu)化服務體驗，提升競爭力。

因此，通過LDA算法進行主題提取，我們不僅能夠從大量數據中提取出有

價值的信息，還能夠深入理解用戶的真實需求和期望，為酒店的運營和改進提

供有力的數據支持。

11

湖南商務職業(yè)技術學院畢業(yè)設計

圖3-7詞頻權重統(tǒng)計

詞頻權重數據似乎是對某個酒店評論或相關文本的詞頻統(tǒng)計結果。每個詞

語后面跟著的數字代表該詞語在文本中的權重，這通常是根據詞語出現的頻率

以及可能的其他因素（如逆文檔頻率、詞語在句子或文檔中的位置等）計算得

出的。

酒店：權重最高，達到278.31924277862635，這表示“酒店”這個詞語在

文本中出現的頻率非常高，或者該詞語在文本中的重要性被高度強調。

早餐、感覺、方便、入?。哼@些詞語的權重表明它們在評論中也占據了一

定的位置，評論者可能對早餐的質量、整體的感覺、酒店的便利性以及入住流

程有所提及。

圖3-8詞云圖

12

湖南商務職業(yè)技術學院畢業(yè)設計

從整體來看，這些詞頻權重數據表明評論者對酒店的整體評價是正面的，

尤其是關于酒店本身、房間和服務的質量。不過，具體的評論內容和情感傾向

還需要結合完整的文本內容進行分析。

圖3-9詞聚類

3.3模型設計

在本小節(jié)中，對模型設計進行介紹，如圖3-10所示的流程圖，展示了

word2vec+textcnn現有模型進行預測的時候的流程。

圖3-10模型設計

收集需要進行分類的文本數據，并將數據劃分為訓練集和測試集。

清洗數據包括去除特殊字符、標點符號、HTML標簽等，并進行分詞處理。

對于中文文本，可以使用Jieba等分詞工具。

使用Word2Vec模型將每個詞轉換為一個固定維度的向量?？梢允褂妙A訓

練的Word2Vec模型（如Google提供的Word2Vec模型）或者在自己的語料上

訓練一個新的Word2Vec模型。常用的Word2Vec工具有Gensim庫。

加載訓練好的Word2Vec模型，并將每個詞替換為其對應的詞向量。對于

13

湖南商務職業(yè)技術學院畢業(yè)設計

一個句子，可以將其轉換為一個二維矩陣，每一行對應一個詞的向量。

使用Keras或PyTorch等深度學習框架來構建TextCNN模型。

TextCNN使用多個不同窗口大小的卷積核來提取局部特征，隨后通過池化

層進行降維，最后通過全連接層進行分類。

圖3-10模型構建代碼圖

使用訓練好的模型對新的文本進行分類。

在訓練的過程中進行參數優(yōu)化具體的參數表如下所示：

表3-1模型優(yōu)化參數表

Embedding_size00=128

Batch_Size=64

Kernel=2

Filter_num=32

Epoch=50

Dropout=0.2

Learning_rate=0.01

num_classs=3

14

湖南商務職業(yè)技術學院畢業(yè)設計

在如上所示的參數中，對模型進行訓練調優(yōu)的時候，主要在Batch_Size、

Epoch、Dropout、Learning_rate等參數上設置區(qū)間，進行優(yōu)化訓練，使得模型

達到最佳的效果。

3.4模型評估與優(yōu)化

基于不同的算法進行，基于評價指標進行對比分析，驗證模型的有效性，

其中基于8:2的比例劃分驗證集和訓練集，具體的結果如下所示：

表3-2評價結果

模型AccuracyprecisionRecallF1score

Word2vec+svm0.890.770.750.78

Word2vec+樸素0.920.810.780.79

貝葉斯

Word2vec+text0.9030.7920.770.81

cnn

結果展示了使用不同模型進行文本情感分析的性能比較。以下是對這些結

果的分析：

Word2Vec+SVM：準確率較高，為0.89，說明模型在整體上能夠正確分類

大部分樣本。精確率和召回率都在0.75左右，F1分數為0.78，這表明模型在預

測正類別時有一定的準確性和召回率。

Word2Vec+樸素貝葉斯：準確率更高，為0.92，相較于Word2Vec+SVM

有所提升。精確率和召回率略低于SVM模型，但F1分數相對較低，為0.79，

這可能表明模型在預測正類別時存在一些問題，需要更好地平衡精確率和召回

率。

Word2Vec+TextCNN：準確率為0.903，介于SVM和樸素貝葉斯之間。精

確率和召回率都比SVM和樸素貝葉斯高，分別為0.792和0.77，而F1分數最

高，達到了0.81，這表明TextCNN模型在綜合考慮精確率和召回率時表現最佳。

15

湖南商務職業(yè)技術學院畢業(yè)設計

圖3-11結果分析

總體來說，三種模型在情感分析任務上都取得了不錯的性能，但各自有所

不同。SVM模型在準確率方面表現良好，樸素貝葉斯模型在準確率上略有提高，

但在精確率和召回率方面稍遜。而TextCNN模型在精確率、召回率和F1分數

上都表現出色，可能是更適合該任務的模型之一。綜合考慮模型的性能指標，

可以根據具體需求選擇最適合的模型。

圖3-12準確率分析

根據提供的…結果，可以看出不同模型在文本情感分析任務上的準確率表

現如下：Word2vec+SVM模型的準確率為0.89。Word2vec+樸素貝葉斯模型

的準確率為0.92。Word2vec+TextCNN模型的準確率為0.903。

這些準確率值可以幫助我們評估每個模型在整個數據集上的分類準確性。

從結果來看，Word2vec+樸素貝葉斯模型具有最高的準確率，達到了0.92，而

Word2vec+TextCNN模型緊隨其后，準確率為0.903。而Word2vec+SVM模型

的準確率稍低，為0.89。

16

湖南商務職業(yè)技術學院畢業(yè)設計

3.5前端設計與實現

在本小節(jié)對系統(tǒng)進行介紹，在后臺運行啟動app，然后后臺的顯示如下所

示：

圖3-13啟動頁面

然后在前臺訪問網址：:8001/，然后在谷歌瀏覽器中訪問，

顯示如下的界面。

圖3-14主要界面

在圖3-14所展示的主要界面中，用戶可以輸入一句話，并通過點擊“分析”

按鈕對該句子進行情感分析。情感分析是一種自然語言處理技術，旨在識別文

本中所包含的情緒或情感極性，通常分為積極和消極兩類。一旦用戶輸入并觸

發(fā)了分析操作，系統(tǒng)將對輸入的句子進行處理，并根據其所表達的情感判斷，

輸出相應的類別。

具體來說，如果分析結果顯示為0，則表示系統(tǒng)認為輸入的句子具有消極

情感；而如果顯示為1，則表示句子被分類為積極情感。這種分類結果為用戶

提供了一個簡單直觀的理解，使用戶能夠迅速了解文本所表達的情感傾向。這

種主要界面的設計使用戶能夠輕松地進行情感分析，無需復雜的操作即可快速

獲取文本情感信息，從而在各種應用場景中提供了便利和幫助。

17

湖南商務職業(yè)技術學院畢業(yè)設計

圖3-15檢測消極類別

圖3-16檢測積極類別

在圖中展示的分類結構中，我們可以清晰地看到，針對某一服務或產品的

評價被歸類為正向或負向情感。當輸入“早餐太差，無論去多少人，那邊也不

加食品的”這句話時，系統(tǒng)將其判定為0，即負向情感。這句話顯然表達了對

早餐的不滿，指出無論人數多少，供應的早餐食品都不會增加，傳遞出一種消

極、不滿意的情感。

然而，當輸入“不錯，在同等檔次酒店中應該是值得推薦的！”這句話時，

系統(tǒng)的反饋則截然不同。它顯示為1，即積極的評論。這句話表達了對酒店的

正面評價，認為在相同檔次的酒店中，這家酒店的表現是令人滿意的，甚至值

得向他人推薦。這種評價傳遞出一種積極、滿意的情感，與之前的負向評價形

成了鮮明的對比。

通過這樣的分類和判定，系統(tǒng)能夠快速地識別出用戶對于不同服務或產品

的情感態(tài)度，從而為企業(yè)或商家提供有價值的反饋，幫助他們了解顧客的滿意

度，進而改進服務質量或產品性能。

18

湖南商務職業(yè)技術學院畢業(yè)設計

圖3-17前端頁面代碼圖

4小結

基于深度學習、Word2Vec、TextCNN、SVM和樸素貝葉斯的文本情感分析

系統(tǒng)代表著文本處理領域的最新技術和應用趨勢。這個系統(tǒng)結合了深度學習的

強大特性和傳統(tǒng)機器學習算法的穩(wěn)健性，能夠有效地處理文本情感分析任務。

在這篇總結與展望中，我將回顧這個系統(tǒng)的關鍵技術和優(yōu)勢，并探討未來發(fā)展

的潛力和方向。

首先，該系統(tǒng)利用了深度學習中的Word2Vec技術，將文本數據轉換為連

續(xù)的詞向量表示。這種表示方法能夠捕捉單詞之間的語義信息，為后續(xù)的分類

任務提供了良好的輸入。而TextCNN模型則能夠在卷積操作中提取文本中的局

部特征，并通過池化操作得到全局特征表示，從而在文本分類任務中具有良好

的效果。此外，結合傳統(tǒng)的