-

🛒 基于深度学习的电商评论情感分析系统

Graduation Project: E-commerce Review Sentiment Analysis System based on Deep Learning

本项目是一个基于 LSTM (长短期记忆网络) 的情感分析系统，旨在自动识别电商/酒店评论的情感倾向（好评/差评）。系统包含完整的模型训练脚本以及一个可视化的 Web 操作界面，支持单条文本测试和批量 CSV 文件分析。

---

📂 项目结构说明

• model/run_model.py：核心训练脚本。

• 负责读取数据、预处理、搭建 LSTM 网络、训练模型，并最终保存模型参数 (sentiment_model.pth)。

• model/web_demo.py：可视化演示系统。

• 基于 Streamlit 搭建的网页应用。加载训练好的模型，提供“单条测试”和“批量文件分析”两种功能。

• data/：存放数据集文件（如 ChnSentiCorp_htl_all.csv）。
• sentiment_model.pth：训练好的模型权重文件（运行训练脚本后生成）。

---

🛠️ 环境配置

在运行本项目前，请确保安装了以下依赖库：

pip install torch pandas jieba streamlit

---

🚀 快速开始 (Usage)

第一步：训练模型 (可跳过)

如果你想重新训练模型，请在终端运行以下命令。训练完成后，会自动生成/更新 sentiment_model.pth 文件。

# 请在项目根目录下运行
python model/run_model.py

提示：控制台会显示每一轮 (Epoch) 的 Loss 和准确率，训练结束后会提示“模型参数已保存”。

第二步：启动可视化界面 (推荐)

这是本项目的核心演示功能。请在终端运行：

# 启动 Streamlit 网页服务
streamlit run model/web_demo.py

运行后将自动在浏览器打开网页，你将看到以下功能：

1. 单条测试模式：

• 模拟客服场景。手动输入一段评论（如：“房间很干净，服务也好”），点击分析，AI 会实时判断情感并给出置信度。

1. 批量分析模式：

• 模拟后台数据处理。上传包含 review 列的 .csv 文件，系统将自动分析所有评论，生成统计图表，并支持导出结果。

---

🧠 模型技术细节

• 模型架构：Embedding 层 -> LSTM 层 -> 全连接层 (Linear)。
• 分词工具：Jieba 中文分词。
• 序列处理：统一填充/截断长度为 50 (MAX_LEN)。
• 性能指标：测试集准确率约 83% - 85%。

---

📝 注意事项

1. 请确保运行命令时，终端路径位于项目的根目录（例如 D:\毕设\-），而不是 model 文件夹内部，否则可能会报“找不到文件”的错误。
2. 如果启动 Web 界面时提示找不到模型，请先运行 run_model.py 生成模型文件。

---