企业官网建设流程全解析

演示视频​​​www.bilibili.com/video/BV1aziZBBENk/https://www.bilibili.com/video/BV1aziZBBENk/

项目简介

本项目是一个基于循环神经网络（RNN）的买家商品评论情感分析系统，旨在自动识别商品评论的情感倾向（正面/负面）。系统采用了PyTorch框架实现RNN模型，并结合Flask开发了一个直观的网页界面，方便用户进行情感分析操作。

功能特点

1. 模型训练：使用SNOWNLP库中的sentiment数据集训练RNN模型
2. 实时预测：支持输入评论进行实时情感分析
3. 随机抽取：可从数据集中随机抽取评论进行分析
4. 可视化展示：左侧显示情感概率和预测结果，包括：
   • 输入评论展示
   • 情感预测结果（正面/负面）
   • 情感概率分布（动态进度条）
5. 训练可视化：生成训练损失和准确率曲线
6. 模型评估：生成混淆矩阵和分类报告

技术栈

• 后端：Python 3.8, PyTorch 2.0+, Flask
• 前端：HTML, CSS, JavaScript
• 工具库：jieba（中文分词）, matplotlib, seaborn, scikit-learn

项目结构

buyer_sentiment_classify/ ├── app.py # Flask应用主程序 ├── generate_results_simple.py # 生成结果文件的简化脚本 ├── buyer_sentiment_classify.ipynb # 原始Jupyter Notebook ├── model_state_dict.pth # 训练好的模型权重 ├── vocabulary.pth # 词汇表 ├── pos.txt # 正面评论数据集 ├── neg.txt # 负面评论数据集 ├── stopwords.txt # 停用词表 ├── training_curves.png # 训练曲线 ├── requirements.txt # 依赖列表 └── templates/ └── index.html # 网页模板

数据集说明

本项目使用的数据集来自SNOWNLP库中的sentiment目录，包含：

• pos.txt：正面评论数据，约10,000条
• neg.txt：负面评论数据，约10,000条

数据格式：每行一条评论，已去除HTML标签和特殊字符

模型设计

RNN模型结构

SentimentClassifier( (emb): Embedding(vocab_size, 128) # 词嵌入层 (rnn): GRU(128, 256, num_layers=2, batch_first=True) # 2层GRU (fc): Linear(in_features=256, out_features=2, bias=True) # 全连接层 )

模型参数

• 词嵌入维度：128
• 隐藏层维度：256
• 层数：2
• 学习率：1e-2
• 批量大小：256
• 训练轮数：10
• 优化器：Adam
• 损失函数：CrossEntropyLoss

训练结果

训练曲线

模型性能

快速开始

1. 安装依赖

pip install -r requirements.txt

2. 启动Flask应用

python app.py

应用将在 http://127.0.0.1:5000 启动

3. 访问网页界面

打开浏览器访问 http://127.0.0.1:5000，即可使用情感分析功能：

• 在右侧文本框输入评论，点击"分析情感"按钮
• 或点击"随机抽取评论"按钮，系统将自动抽取并分析
• 左侧将显示分析结果，包括输入评论、预测结果和情感概率

生成结果文件

生成训练曲线和混淆矩阵

python generate_results_simple.py

运行后将生成：

• training_curves.png：训练和测试的损失和准确率曲线
• confusion_matrix.png：混淆矩阵热力图
• classification_report.txt：分类报告

核心代码说明

数据处理

# 数据集类定义 class SentenceDataset(Dataset): def __init__(self, pos_file='pos.txt', neg_file='neg.txt', vocab=None): # 加载数据、停用词，构建词汇表 # ... def __getitem__(self, idx): # 分词、过滤停用词、编码转换 # ...

模型定义

class SentimentClassifier(nn.Module): def __init__(self, vocab_size, embed_dim, hidden_dim, output_dim, n_layers=1): super().__init__() self.emb = nn.Embedding(vocab_size, embed_dim) self.rnn = nn.GRU(embed_dim, hidden_dim, num_layers=n_layers, batch_first=True) self.fc = nn.Linear(hidden_dim, output_dim) def forward(self, x, lengths): # 前向传播 # ...

预测函数

def predict_sentiment(sentence): # 分词、编码、模型预测、返回概率 # ...

网页界面说明

右侧输入区

• 文本框：输入要分析的商品评论
• 分析情感按钮：提交评论进行分析
• 随机抽取评论按钮：从数据集中随机抽取一条评论

左侧结果区

• 输入评论：显示当前分析的评论内容
• 预测结果：显示情感倾向（正面/负面），不同颜色区分
• 情感概率：显示正面和负面情感的概率，动态进度条展示

技术亮点

1. 高效的RNN模型：采用2层GRU结构，在商品评论情感分析任务上表现优异
2. 中文处理优化：结合jieba分词和停用词过滤，提高文本表示质量
3. 用户友好界面：直观的网页设计，左侧结果展示，右侧操作区
4. 实时响应：模型预测速度快，用户体验流畅
5. 完整的评估体系：生成训练曲线、混淆矩阵和分类报告，便于模型分析

总结

本项目成功实现了基于RNN的买家商品评论情感分析系统，结合了深度学习和Web开发技术，提供了一个功能完整、易于使用的情感分析工具。系统不仅可以用于学术研究，也可以集成到电商平台中，帮助商家了解消费者反馈，改进产品和服务。

截图