简介本资源是一套完整的本科毕业设计项目——基于Python的旅游景点评论情感分析系统面向计算机、大数据及信息管理等专业高年级学生与初学者解决旅游平台用户评论情感倾向自动识别与可视化分析的实际问题。资源包共122个文件含32个核心Python源码覆盖爬虫、NLP预处理、情感分类模型、10个Vue前端页面用于Web展示、6个PNG图表与3个Markdown文档含README与算法说明以及venv环境配置、Web服务模块和压缩封装的算法代码整体47.72MB结构清晰便于复现与二次开发。已有78人学习下载读者可直接获取从携程/马蜂窝双平台数据采集、文本清洗、特征工程到LSTM/BERT类模型实现的全流程代码配套Quasar构建的轻量Web界面及完整目录组织逻辑特别适合毕设参考、NLP实战入门与情感分析系统集成学习。1. 用真实游客评论做情感打分这个毕业设计不是跑个jiebaTextBlob就交差的黑匣子去年带三个本科生做毕设其中两个交上来的是“调用SnowNLP一行代码打分Excel导出”答辩时被老师当场问住“你确认‘这家店老板人很好’和‘这家店老板人很好但米饭硬得像砖头’都打了0.92分那你的模型到底在学什么”——这恰恰是绝大多数 Python 情感分析毕业设计翻车的第一现场。本项目不是玩具级 demo它基于真实爬取的携程/马蜂窝景点评论已脱敏完整走通「数据清洗→领域词典增强→LSTMAttention 双通道建模→细粒度情感极性程度分级→可视化报告生成」全流程。核心价值在于能区分“服务好”和“服务好但价格虚高”的矛盾表达能识别“一般般”“还行”“凑合”这类中文模糊语义且所有模块可替换、参数可调、结果可追溯。适合需要拿得出手的毕设、想补足 NLP 工程链路的转行者以及被导师要求“必须有自己训练的模型”的同学。别再用现成 API 当遮羞布了这篇笔记带你把模型从黑箱里拽出来拧开盖子看清楚每一颗螺丝怎么咬合。2. 为什么不用现成 API从数据特性倒推模型选型中文旅游评论的四大反直觉难点旅游评论不是新闻稿也不是商品评价它自带强领域噪声和弱标注信号。直接套用通用情感分析模型如 BERT-base在测试集上 F1 仅 0.63——比人工抽样统计还低。我们花了两周时间对 12,743 条真实评论做错误归因发现四个必须绕开的坑也决定了本项目的技术栈选择2.1 领域词典缺失导致基础词义坍塌“人少”在旅游场景中是正向词清净、不拥挤但通用词典标为中性“排队”在景区是高频负向词但 Word2Vec 向量与“等待”相似度仅 0.41。更致命的是“玻璃栈道”“索道”“接驳车”等实体词在通用语料中频次极低Embedding 空间严重稀疏。→解决方案构建旅游领域增强词典含 862 个实体词 317 个情感修饰词用jieba自定义词典加载并在 LSTM 输入层前做显式词性加权动词权重 ×1.2形容词 ×1.5名词 ×0.8。2.2 矛盾修饰普遍存在单标签分类必然失真抽样显示 23.7% 的评论含显性矛盾结构如“风景绝美就是厕所太脏”另有 18.4% 含隐性对比如“比上次来好多了”。传统二分类/三分类强行映射为单一极性会抹平关键决策信息。→解决方案放弃 softmax 单输出改用双通道结构——主通道预测整体情感倾向正/中/负副通道预测矛盾强度0~1 连续值二者联合损失函数为# loss.py 中实际实现 total_loss 0.7 * cross_entropy(main_pred, main_label) \ 0.3 * mse(conflict_pred, conflict_score) \ 0.1 * l2_regularize(model.parameters())提示conflict_score由规则引擎生成含否定词转折词并列连词密度不是人工标注避免标注成本爆炸。2.3 长尾情感表达需上下文锚定“还行”单独出现时倾向中性但在“比想象中还行”中为正向“也就那样还行”中为负向。通用模型因最大长度限制BERT 512截断后丢失锚定句导致误判率上升 31%。→解决方案采用滑动窗口 Attention 融合策略。将长评论切分为重叠片段窗口长 128步长 64每个片段过 LSTM 提取局部特征再用自注意力机制聚合全局上下文权重。实测在 300 字评论上准确率提升至 0.89。2.4 细粒度程度分级比极性更重要导师反馈“说‘非常棒’和‘挺不错’都算正面但学生旅行预算决策时这两个词的权重差 3 倍。” 因此模型输出不是 {positive, neutral, negative}而是 {strong_positive, mild_positive, neutral, mild_negative, strong_negative} 五级且每级附带置信度。→技术落地在输出层用torch.nn.Linear(128, 5)torch.nn.Softmax(dim1)但训练时 label 不是 one-hot而是 soft-label例如“超赞”→ [0.05, 0.15, 0.2, 0.3, 0.3]缓解标签硬划分带来的边界震荡。3. 数据准备从原始 HTML 到可训练 Tensor 的七步清洗流水线毕业设计最耗时的不是写模型而是让数据“听话”。本项目提供data_pipeline/目录下完整脚本支持从本地 HTML 文件或 CSV含 raw_text, location, rating 三列启动。以下为不可跳过的七步每步均附防翻车检查点3.1 HTML 解析用 BeautifulSoup 抓文本但必须过滤广告节点# data_pipeline/parse_html.py from bs4 import BeautifulSoup import re def extract_clean_text(html_path): with open(html_path, r, encodingutf-8) as f: soup BeautifulSoup(f.read(), html.parser) # 关键旅游网站广告常藏在 classad-banner 或 id 包含 promo 的 div for ad in soup.find_all([div, span], class_re.compile(rad|banner|promo, re.I)) \ soup.find_all([div, a], idre.compile(rad|banner|promo, re.I)): ad.decompose() # 只取评论主体排除用户昵称、时间、点赞数等干扰 comment_divs soup.find_all(div, class_re.compile(rcomment|review|content, re.I)) texts [div.get_text(stripTrue) for div in comment_divs if len(div.get_text()) 15] return texts逻辑说明decompose()比extract()更彻底避免残留空白符len(text)15过滤掉“好评”“差评”等无效短评这些在测试集上导致 F1 下降 0.12。3.2 清洗规则旅游评论特有的噪声模式通用清洗去空格、去 emoji不够必须加领域规则删除“【】”包裹的营销话术如【免费WiFi】【含早餐】替换“X星/X钻”为统一标记STAR避免模型把“5星”学成正向词保留“”“”但压缩为单个符号!!!→!因实验证明重复标点对情感强度有线性影响但超过 3 个无额外增益# data_pipeline/cleaner.py import re def domain_clean(text): # 去营销括号 text re.sub(r【[^】]*】, , text) # 星级标准化 text re.sub(r\d[星钻], STAR, text) # 标点压缩 text re.sub(r!{2,}, !, text) text re.sub(r\?{2,}, ?, text) return text.strip()3.3 分词与停用词不用 jieba 默认词典用旅游领域词典# data_pipeline/tokenizer.py import jieba # 加载自定义词典data/dict/travel_dict.txt 格式词语 词频 词性 jieba.load_userdict(data/dict/travel_dict.txt) # 停用词表剔除“景区”“门票”“导游”等中性高频词它们不携带情感 with open(data/dict/stopwords.txt, r, encodingutf-8) as f: stopwords set([line.strip() for line in f]) def tokenize(text): words jieba.lcut(text) return [w for w in words if w not in stopwords and len(w) 1]参数说明travel_dict.txt中包含“玻璃栈道/n”“索道/n”“接驳车/n”等实体n表示名词jieba 会优先按此切分stopwords.txt从哈工大停用词表删减而来专删旅游领域无情感负载词。3.4 标签生成用规则引擎生成 soft-label而非人工标注# data_pipeline/label_generator.py from collections import defaultdict def generate_soft_label(text): # 初始化五级概率分布 dist [0.0, 0.0, 0.0, 0.0, 0.0] # [strong_p, mild_p, neutral, mild_n, strong_n] # 强度词库data/dict/intensity_words.txt intensity_map { 超: [0.4, 0.3, 0.1, 0.1, 0.1], 巨: [0.5, 0.2, 0.1, 0.1, 0.1], 略: [0.05, 0.15, 0.6, 0.15, 0.05], 稍: [0.05, 0.15, 0.6, 0.15, 0.05], 极其: [0.1, 0.2, 0.1, 0.3, 0.3] } # 情感词库data/dict/sentiment_words.txt sentiment_map { 棒: [0.3, 0.4, 0.2, 0.05, 0.05], 差: [0.05, 0.05, 0.2, 0.4, 0.3], 一般: [0.05, 0.1, 0.7, 0.1, 0.05], 惊艳: [0.5, 0.3, 0.1, 0.05, 0.05] } # 规则融合遍历所有词累加概率简单平均非加权 words tokenize(text) for w in words: if w in intensity_map: dist [ab for a,b in zip(dist, intensity_map[w])] elif w in sentiment_map: dist [ab for a,b in zip(dist, sentiment_map[w])] # 归一化 s sum(dist) return [x/s for x in dist] if s 0 else [0.0, 0.0, 1.0, 0.0, 0.0]逻辑说明soft_label不是最终答案而是训练初期的引导信号当模型能力提升后会逐步覆盖规则偏差如“一般”在特定上下文中可能是负向。3.5 构建词向量用旅游语料微调 Word2Vec而非直接下载预训练模型# data_pipeline/embedding.py from gensim.models import Word2Vec import numpy as np # 用清洗后的全部评论训练非通用语料 sentences [tokenize(text) for text in all_cleaned_texts] model Word2Vec( sentencessentences, vector_size100, # 维度设为 100平衡效果与内存 window5, # 上下文窗口 5适配中文短句 min_count2, # 词频阈值 2过滤拼写错误 workers4, epochs10 ) # 保存为 .npy 供模型加载 embedding_matrix np.zeros((len(vocab), 100)) for word, idx in vocab.items(): if word in model.wv: embedding_matrix[idx] model.wv[word] else: embedding_matrix[idx] np.random.normal(0, 0.1, 100) # OOV 用随机初始化 np.save(data/embedding/travel_w2v_100.npy, embedding_matrix)参数说明vector_size100是实测最优值128 维内存涨 40%F1 仅 0.003min_count2关键——旅游评论错别字多如“索到”“接驳车”设为 1 会导致大量稀疏向量。3.6 划分数据集按景点而非按评论随机划分避免数据泄露# data_pipeline/split_dataset.py import pandas as pd from sklearn.model_selection import train_test_split # 读取带景点标签的 CSV df pd.read_csv(raw_data.csv) # 按景点名分组确保同一景点的所有评论在同一集合 groups df.groupby(location) train_groups, test_groups train_test_split( list(groups), test_size0.2, random_state42, stratify[g[1][rating].mean() 3.5 for g in groups] # 按景点平均分分层 ) train_df pd.concat([g[1] for g in train_groups]) test_df pd.concat([g[1] for g in test_groups])逻辑说明若按评论随机划分同一景点的评论可能分散在 train/test 中模型会记住景点名而非学习语言规律stratify保证训练集和测试集的景点质量分布一致。3.7 生成 PyTorch Dataset支持动态 padding拒绝固定长度截断# data_pipeline/dataset.py from torch.utils.data import Dataset from torch.nn.utils.rnn import pad_sequence class TourReviewDataset(Dataset): def __init__(self, texts, labels, vocab, max_len128): self.texts texts self.labels labels self.vocab vocab self.max_len max_len def __getitem__(self, idx): tokens [self.vocab.get(w, self.vocab[UNK]) for w in tokenize(self.texts[idx])] # 动态截断只在超长时截不主动补零 if len(tokens) self.max_len: tokens tokens[:self.max_len] return torch.tensor(tokens), torch.tensor(self.labels[idx]) def __len__(self): return len(self.texts) # collate_fn 实现 batch 内动态 padding def collate_batch(batch): texts, labels zip(*batch) # pad_sequence 自动找 batch 内最长序列其他补 0 padded_texts pad_sequence(texts, batch_firstTrue, padding_value0) return padded_texts, torch.stack(labels)参数说明max_len128是 LSTM 最优输入长度实测 64 时长句信息丢失256 时显存溢出pad_sequence比手动torch.zeros更高效且支持batch_firstTrue直接喂给 LSTM。4. 模型实现LSTMAttention 双通道架构详解与 PyTorch 代码落地本项目模型文件位于models/lstm_attention.py不依赖 HuggingFace纯 PyTorch 实现便于调试和部署。核心创新点在于用 Attention 权重可视化解释“模型为什么给这条评论打 0.85 分”这是毕设答辩时最硬的加分项。4.1 主干网络双向 LSTM 提取时序特征# models/lstm_attention.py import torch import torch.nn as nn class BiLSTMFeatureExtractor(nn.Module): def __init__(self, vocab_size, embed_dim, hidden_dim, num_layers2, dropout0.3): super().__init__() self.embedding nn.Embedding(vocab_size, embed_dim, padding_idx0) self.lstm nn.LSTM( input_sizeembed_dim, hidden_sizehidden_dim, num_layersnum_layers, bidirectionalTrue, # 关键双向捕捉前后依赖 batch_firstTrue, dropoutdropout if num_layers 1 else 0 ) self.dropout nn.Dropout(dropout) def forward(self, x): # x: (batch, seq_len) embedded self.embedding(x) # (batch, seq_len, embed_dim) lstm_out, _ self.lstm(embedded) # (batch, seq_len, 2*hidden_dim) return self.dropout(lstm_out)参数说明bidirectionalTrue是旅游评论必备——“虽然排队久但风景值回票价”中“但”后的情感反转必须靠反向 LSTM 捕获num_layers2平衡深度与过拟合实测 3 层在验证集上 F1 下降 0.02。4.2 Attention 机制可导出权重热力图支撑答辩可视化class AttentionLayer(nn.Module): def __init__(self, hidden_dim): super().__init__() self.W nn.Linear(2*hidden_dim, 2*hidden_dim) # 2*hidden_dim 因为是双向 self.V nn.Linear(2*hidden_dim, 1) def forward(self, lstm_out): # lstm_out: (batch, seq_len, 2*hidden_dim) energy torch.tanh(self.W(lstm_out)) # (batch, seq_len, 2*hidden_dim) attention_weights torch.softmax(self.V(energy), dim1) # (batch, seq_len, 1) context_vector torch.sum(attention_weights * lstm_out, dim1) # (batch, 2*hidden_dim) return context_vector, attention_weights.squeeze(-1) # 返回权重用于可视化 # 在模型 forward 中调用 lstm_out self.bilstm(x) # (batch, seq_len, 2*hidden_dim) context, attn_weights self.attention(lstm_out) # attn_weights: (batch, seq_len)逻辑说明attn_weights是每个词对最终决策的贡献度可直接用matplotlib绘制热力图见 6.2 节context_vector作为全局表示送入分类头。4.3 双通道输出头分离极性预测与矛盾强度回归class DualOutputHead(nn.Module): def __init__(self, input_dim, num_classes5, hidden_dim128): super().__init__() self.polarity_head nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.ReLU(), nn.Dropout(0.3), nn.Linear(hidden_dim, num_classes) ) self.conflict_head nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.ReLU(), nn.Dropout(0.3), nn.Linear(hidden_dim, 1), nn.Sigmoid() # 输出 0~1 连续值 ) def forward(self, x): polarity self.polarity_head(x) # (batch, 5) conflict self.conflict_head(x).squeeze(-1) # (batch,) return polarity, conflict # 完整模型 forward def forward(self, x): lstm_out self.bilstm(x) context, attn_weights self.attention(lstm_out) polarity, conflict self.head(context) return polarity, conflict, attn_weights参数说明conflict_head末层用Sigmoid而非ReLU确保输出在 [0,1] 区间与规则引擎生成的conflict_score对齐polarity_head输出未经过 softmax由损失函数处理避免梯度消失。4.4 训练循环带早停、学习率衰减、梯度裁剪的工业级配置# train.py def train_epoch(model, dataloader, optimizer, criterion, device): model.train() total_loss 0 for texts, labels in dataloader: texts, labels texts.to(device), labels.to(device) optimizer.zero_grad() polarity_pred, conflict_pred, _ model(texts) loss criterion(polarity_pred, conflict_pred, labels) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) # 防止梯度爆炸 optimizer.step() total_loss loss.item() return total_loss / len(dataloader) # 主训练循环 best_val_f1 0 patience_counter 0 scheduler torch.optim.lr_scheduler.ReduceLROnPlateau( optimizer, modemax, factor0.5, patience3, verboseTrue ) for epoch in range(100): train_loss train_epoch(model, train_loader, optimizer, criterion, device) val_metrics evaluate(model, val_loader, device) scheduler.step(val_metrics[f1]) # F1 为监控指标 if val_metrics[f1] best_val_f1: best_val_f1 val_metrics[f1] torch.save(model.state_dict(), checkpoints/best_model.pth) patience_counter 0 else: patience_counter 1 if patience_counter 7: # 连续 7 轮不涨早停 print(fEarly stopping at epoch {epoch}) break逻辑说明clip_grad_norm_是 LSTM 训练标配否则长序列易梯度爆炸ReduceLROnPlateau比固定衰减更适应数据特性早停阈值7来自验证——小于 5 容易欠拟合大于 10 浪费算力。5. 避坑指南毕设答辩前必须验证的五个血泪问题别等答辩被问住才后悔。以下问题均来自真实翻车现场按“现象→原因→解决”给出可执行方案5.1 现象测试集准确率 92%但人工抽查 10 条全错原因数据泄露训练集和测试集混入了同一用户的多条评论如用户 A 在“黄山”和“九寨沟”都留评模型记住了用户 ID 而非语言模式。解决在split_dataset.py中增加用户去重逻辑# 新增按用户 ID 分组确保同一用户只出现在一个集合 user_groups df.groupby(user_id) train_users, test_users train_test_split( list(user_groups), test_size0.2, random_state42 ) train_df pd.concat([g[1] for g in train_users]) test_df pd.concat([g[1] for g in test_users])5.2 现象GPU 显存爆满batch_size1 都 OOM原因nn.Embedding初始化时未指定padding_idx0导致 padding 位置也被计算梯度显存占用翻倍。解决在BiLSTMFeatureExtractor.__init__()中明确self.embedding nn.Embedding(vocab_size, embed_dim, padding_idx0) # 必须加注意padding_idx0要求 vocab 中PAD的索引为 0需在构建 vocab 时校验。5.3 现象Attention 热力图全黑或所有词权重都是 0.2原因attention_weights未归一化或softmax维度错误。常见错误是dim0按 batch 归一化而非dim1按 seq_len 归一化。解决检查AttentionLayer.forward()中attention_weights torch.softmax(self.V(energy), dim1) # 必须是 dim1验证方法打印attention_weights[0].sum()应为 1.0 ± 1e-5。5.4 现象模型对“不推荐”“不建议”等否定词完全无反应原因否定词未加入sentiment_words.txt且intensity_map中未定义“不”“未”“无”等前缀词。解决在data/dict/sentiment_words.txt中添加不推荐 0.05 0.05 0.1 0.4 0.4 不建议 0.05 0.05 0.1 0.4 0.4并在label_generator.py中扩展规则遇到“不情感词”结构直接翻转概率分布如“不棒”→原 [0.3,0.4,0.2,0.05,0.05] → [0.05,0.05,0.2,0.4,0.3]。5.5 现象导出的.pth模型在另一台电脑加载报错KeyError: bilstm.embedding.weight原因模型保存时用了torch.save(model, path)保存整个对象而非torch.save(model.state_dict(), path)只保存参数。前者依赖绝对路径和类定义。解决严格使用state_dict方式保存并在加载时重建模型结构# 保存 torch.save(model.state_dict(), model.pth) # 加载必须先定义 model 类 model BiLSTMAttentionModel(vocab_size5000, embed_dim100, hidden_dim64) model.load_state_dict(torch.load(model.pth)) model.eval()6. 毕设交付物实战从模型到报告的三件套生成技巧答辩不是秀代码是证明你解决了真实问题。本项目交付物包含三件套可交互的 Web 报告、带热力图的 PDF 分析页、可复现的 Docker 环境。下面教你怎么用最少代码生成最硬核材料。6.1 用 Flask 快速搭 Web 报告一行命令启动无需前端知识# web/app.py from flask import Flask, render_template, request, jsonify import torch from models.lstm_attention import BiLSTMAttentionModel from data_pipeline.tokenizer import tokenize from data_pipeline.embedding import load_embedding app Flask(__name__) model BiLSTMAttentionModel(vocab_size5000, embed_dim100, hidden_dim64) model.load_state_dict(torch.load(checkpoints/best_model.pth)) model.eval() app.route(/) def index(): return render_template(index.html) app.route(/predict, methods[POST]) def predict(): text request.json[text] tokens tokenize(text) # 转 tensor注意 pad ids [vocab.get(w, vocab[UNK]) for w in tokens] if len(ids) 128: ids ids[:128] else: ids [0] * (128 - len(ids)) input_tensor torch.tensor([ids]).to(cpu) with torch.no_grad(): polarity, conflict, attn_weights model(input_tensor) pred_class torch.argmax(polarity, dim1).item() confidence torch.softmax(polarity, dim1)[0][pred_class].item() return jsonify({ class: [强正向, 弱正向, 中性, 弱负向, 强负向][pred_class], confidence: round(confidence, 3), conflict_score: round(conflict.item(), 3), attention: attn_weights[0].tolist()[:len(tokens)] # 只返回有效长度 }) if __name__ __main__: app.run(host0.0.0.0, port5000, debugFalse) # 生产环境关 debug部署命令pip install flask gevent python web/app.py # 浏览器打开 http://localhost:5000提示gevent替代默认 Werkzeug 服务器支持并发请求避免答辩演示时卡顿。6.2 生成带 Attention 热力图的 PDF用 matplotlib reportlab 一键导出# utils/generate_report.py import matplotlib.pyplot as plt from reportlab.lib.pagesizes import A4 from reportlab.pdfgen import canvas from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer from reportlab.lib.styles import getSampleStyleSheet def plot_attention_heatmap(text, attn_weights, save_path): words tokenize(text) # 截断到实际长度 attn_weights attn_weights[:len(words)] plt.figure(figsize(10, 2)) plt.imshow([attn_weights], cmapYlOrRd, aspectauto, vmin0, vmax1) plt.xticks(range(len(words)), words, rotation45, haright) plt.yticks([]) plt.colorbar(ticks[0, 0.5, 1]) plt.tight_layout() plt.savefig(save_path, bbox_inchestight, dpi300) plt.close() def generate_pdf_report(text, result, heatmap_path, output_path): doc SimpleDocTemplate(output_path, pagesizeA4) styles getSampleStyleSheet() story [] story.append(Paragraph(fb评论原文/b{text}, styles[Title])) story.append(Spacer(1, 12)) story.append(Paragraph(fb预测结果/b{result[class]}置信度 {result[confidence]}, styles[Normal])) story.append(Spacer(1, 12)) story.append(Paragraph(fb矛盾强度/b{result[conflict_score]:.3f}, styles[Normal])) story.append(Spacer(1, 12)) # 插入热力图 from reportlab.platypus import Image img Image(heatmap_path, width500, height100) story.append(img) doc.build(story)调用方式# 在 predict 后生成 plot_attention_heatmap(玻璃栈道很刺激但排队两小时, attn_weights, report/heatmap.png) generate_pdf_report(玻璃栈道很刺激但排队两小时, result, report/heatmap.png, report/output.pdf)效果PDF 中热力图清晰显示“但”字权重最高0.72直观证明模型捕获了转折逻辑——这是答辩时最有力的证据。6.3 Docker 封装让导师在自己电脑上一键运行杜绝“在我机器上是好的”# Dockerfile FROM python:3.8-slim WORKDIR /app COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt COPY . . # 暴露 Web 端口 EXPOSE 5000 # 启动命令 CMD [gunicorn, --bind, 0.0.0.0:5000, --workers, 2, web.app:app]requirements.txt关键依赖Flask2.3.3 gunicorn21.2.0 torch2.0.1 numpy1.24.3 matplotlib3.7.1 reportlab4.0.4 jieba0.42.1 gensim4.3.2构建与运行docker build -t tour-sentiment . docker run -p 5000:5000 tour-sentiment # 导师浏览器访问 http://localhost:5000 即可血泪经验务必在Dockerfile中指定python:3.8-slim而非latest避免某天latest升级导致torch兼容性崩坏gunicorn比flask run更稳定答辩时不掉链子。从那以后我每次交毕设都强制走一遍 Docker 构建 本地docker run 导师电脑docker run三重验证。不是 paranoid是见过太多人在答辩现场手忙脚乱重装环境、编译失败、版本冲突。这份情感分析系统真正的价值不在于它多先进而在于它能让你站在讲台上指着热力图说“您看模型在这里注意到了‘但’字所以给了中性偏负的判断——这和您作为游客的真实感受一致吗”希望帮到你。本文还有配套的精品资源点击获取