简介这份资源是面向计算机相关专业毕业设计、课程设计与期末大作业场景的深度学习实战项目聚焦电商购物评论的情感分析任务采用LSTM模型完成中文文本的正负情感判别。项目包含完整源码与全部数据下载后可直接运行适合正在准备毕设或需要Python项目实战练习的学习者参考。压缩包共39个文件约164.29MB其中8个py脚本承担数据爬取、模型训练与预测流程6组data、index、meta文件为TensorFlow模型权重与检查点另有checkpoint、model、cfg等配置文件和7张png结果图、3个txt说明文档结构清晰便于按模块阅读。目前已有405人学习下载。读者可借此掌握从京东评论采集、中文分词与停用词处理到LSTM建模、训练、评估与情感预测的完整链路并参考readme与使用说明快速复现实验为论文撰写和答辩提供可落地的案例支撑。1. 电商评论里的 LSTM 情感分析一份毕业设计源码能跑通的关键在哪电商评论区的文本短、碎、口语化还夹着反讽和表情符号。用传统词典法做情感分析遇到“质量真好用了三天就坏了”这种句子直接翻车。LSTM 之所以在这个场景里被反复提起是因为它的门控结构能记住前文语境把“三天就坏了”对“质量真好”的语义反转捕捉到。这份毕业设计打包了源码和全部数据核心就是一套基于 LSTM 的电商购物评论情感二分类或多分类流程。它适合正在做深度学习方向毕业设计、需要一份能跑通、能改、能写进论文的完整项目的同学也适合想快速了解 LSTM 文本分类落地路径的初级工程师。拿到压缩包之后真正决定你能不能跑出结果的不是模型多深而是数据清洗、词表构建、序列对齐和训练配置这几个环节有没有踩对。2. LSTM 做电商评论情感分析原理和选型理由得先立住2.1 为什么电商短文本更适合 LSTM 而不是朴素贝叶斯电商评论的情感分析本质上是一个文本分类任务。输入是一段用户评价输出是正面、负面有时还加中性。朴素贝叶斯和 SVM 在词袋模型上能跑出不错的基础分但它们丢掉了词序。词序在电商评论里恰恰很要命。“不推荐”和“推荐”只差一个字词袋模型可能把“不”当成噪声而 LSTM 的遗忘门和输入门会决定前一个词对当前状态的影响程度从而保留否定前缀的作用。LSTM 相比普通 RNN多了细胞状态和三个门遗忘门决定丢弃哪些旧信息输入门决定写入哪些新信息输出门决定当前时刻暴露什么。这套机制在长评论里能缓解梯度消失在短评论里也能把关键情感词前后的修饰语关联起来。电商评论通常不长但情感表达密集LSTM 的序列建模能力刚好匹配。选型时还要考虑一个现实问题毕业设计的时间预算。Transformer 和 BERT 效果更好但训练成本高调参复杂对显卡有要求。LSTM 在中等规模数据上用 CPU 也能跑出可接受的结果代码结构清晰论文里好画图、好解释。常见做法是先用 LSTM 跑通基线再考虑要不要换模型做对比实验。2.2 从原始评论到模型输入数据管道的四个环节拿到数据后不能直接喂给模型。电商评论里混着 HTML 标签、表情符号、重复标点、无意义的口语词。数据管道一般分四步清洗、分词、建词表、序列对齐。清洗阶段去掉 HTML 标签、URL、特殊符号统一全半角。中文分词用 jieba 比较稳电商领域可以加自定义词典把“包邮”“性价比”“翻车”这类词固定下来。建词表时统计词频保留高频词低频词统一映射为UNK。序列对齐是设定一个最大长度比如 128 或 256短的补零长的截断。下面是一个可复现的数据预处理脚本片段假设原始数据是 CSV两列review和label。import pandas as pd import jieba import re from collections import Counter # 读取原始数据 df pd.read_csv(data/reviews.csv) print(df.head()) print(df[label].value_counts()) # 清洗函数 def clean_text(text): text re.sub(r.*?, , text) # 去 HTML 标签 text re.sub(rhttp\S, , text) # 去 URL text re.sub(r[^\u4e00-\u9fa5a-zA-Z0-9。], , text) # 保留中文、英文、数字和常用标点 text text.strip() return text df[clean_review] df[review].astype(str).apply(clean_text) # 分词 def tokenize(text): return list(jieba.cut(text)) df[tokens] df[clean_review].apply(tokenize) # 统计词频构建词表 all_tokens [token for tokens in df[tokens] for token in tokens] word_counter Counter(all_tokens) # 保留出现次数 2 的词 vocab {word: idx 2 for idx, (word, count) in enumerate(word_counter.most_common()) if count 2} vocab[PAD] 0 vocab[UNK] 1 print(f词表大小: {len(vocab)}) # 转成索引序列 def to_index(tokens, vocab, max_len128): ids [vocab.get(token, vocab[UNK]) for token in tokens] if len(ids) max_len: ids ids [vocab[PAD]] * (max_len - len(ids)) else: ids ids[:max_len] return ids df[input_ids] df[tokens].apply(lambda x: to_index(x, vocab)) print(df[[clean_review, input_ids]].head())这段代码的逻辑是先清洗掉干扰字符再用 jieba 切词然后基于词频建词表最后把每条评论转成固定长度的索引序列。参数上max_len128是电商短文本的常用值评论特别长可以调到 256。词频阈值count 2是为了过滤只出现一次的低频词减少词表噪声。如果数据量很小可以放宽到 1但要注意过拟合。提示词表构建必须在训练集上做验证集和测试集只能用训练集的词表映射否则会造成数据泄露。2.3 LSTM 模型结构怎么搭嵌入层、LSTM 层、全连接层的参数含义模型部分用 PyTorch 写比较直观。一个典型的 LSTM 情感分类模型包含嵌入层、LSTM 层、全连接层。嵌入层把词索引映射成稠密向量LSTM 层处理序列全连接层输出类别概率。import torch import torch.nn as nn class LSTMClassifier(nn.Module): def __init__(self, vocab_size, embed_dim128, hidden_dim256, num_layers2, num_classes2, dropout0.5): super(LSTMClassifier, self).__init__() self.embedding nn.Embedding(vocab_size, embed_dim, padding_idx0) self.lstm nn.LSTM( input_sizeembed_dim, hidden_sizehidden_dim, num_layersnum_layers, batch_firstTrue, bidirectionalTrue, dropoutdropout if num_layers 1 else 0 ) self.dropout nn.Dropout(dropout) self.fc nn.Linear(hidden_dim * 2, num_classes) # 双向 LSTM 输出拼接 def forward(self, x): # x: (batch_size, seq_len) embedded self.embedding(x) # (batch, seq_len, embed_dim) lstm_out, (hidden, cell) self.lstm(embedded) # 取最后一个时间步的输出双向拼接 last_output lstm_out[:, -1, :] # (batch, hidden_dim * 2) out self.dropout(last_output) out self.fc(out) return out # 实例化模型 model LSTMClassifier(vocab_sizelen(vocab), embed_dim128, hidden_dim256, num_layers2, num_classes2) print(model)参数说明embed_dim128是词向量维度数据量大可以加到 256hidden_dim256是 LSTM 隐藏状态维度双向之后输出维度翻倍num_layers2表示两层 LSTM层数越多拟合能力越强但容易过拟合dropout0.5在嵌入层和全连接层前做正则化bidirectionalTrue让模型同时看前文和后文对情感分析通常有提升。padding_idx0告诉嵌入层忽略填充位置不参与梯度更新。训练时用交叉熵损失优化器选 Adam学习率一般设 1e-3 到 1e-4。批次大小 32 或 64根据显存调整。训练轮数看验证集损失通常 5 到 10 轮就能看出趋势。3. 把源码跑起来环境、训练、评估的完整操作路径3.1 环境依赖和目录结构确认拿到压缩包后先看目录结构。常见布局是data/放原始数据src/放源码models/存训练好的权重notebooks/放实验记录。不要急着改代码先确认 Python 版本和依赖。# 建议用 conda 建独立环境 conda create -n lstm_sentiment python3.8 conda activate lstm_sentiment # 安装核心依赖 pip install torch1.12.0 pandas jieba scikit-learn numpy matplotlib如果源码里有requirements.txt直接pip install -r requirements.txt。注意 PyTorch 版本和 CUDA 版本的匹配没有 GPU 就用 CPU 版训练会慢但能跑通。检查数据文件是否完整CSV 编码常见是 UTF-8 或 GBK用 pandas 读取时报编码错误就换encodinggbk试。3.2 训练脚本的关键参数和运行命令训练脚本一般包含数据加载、模型定义、训练循环、验证、保存权重。下面是一个简化的训练流程展示关键参数怎么设。from torch.utils.data import DataLoader, TensorDataset import torch.optim as optim from sklearn.model_selection import train_test_split # 准备数据 X torch.tensor(df[input_ids].tolist(), dtypetorch.long) y torch.tensor(df[label].tolist(), dtypetorch.long) X_train, X_val, y_train, y_val train_test_split(X, y, test_size0.2, random_state42, stratifyy) train_dataset TensorDataset(X_train, y_train) val_dataset TensorDataset(X_val, y_val) train_loader DataLoader(train_dataset, batch_size64, shuffleTrue) val_loader DataLoader(val_dataset, batch_size64, shuffleFalse) # 设备 device torch.device(cuda if torch.cuda.is_available() else cpu) model LSTMClassifier(vocab_sizelen(vocab), embed_dim128, hidden_dim256, num_layers2, num_classes2).to(device) # 损失和优化器 criterion nn.CrossEntropyLoss() optimizer optim.Adam(model.parameters(), lr1e-3, weight_decay1e-5) # 训练循环 num_epochs 10 best_val_acc 0.0 for epoch in range(num_epochs): model.train() total_loss 0 for batch_x, batch_y in train_loader: batch_x, batch_y batch_x.to(device), batch_y.to(device) optimizer.zero_grad() outputs model(batch_x) loss criterion(outputs, batch_y) loss.backward() optimizer.step() total_loss loss.item() # 验证 model.eval() correct 0 total 0 with torch.no_grad(): for batch_x, batch_y in val_loader: batch_x, batch_y batch_x.to(device), batch_y.to(device) outputs model(batch_x) _, predicted torch.max(outputs, 1) total batch_y.size(0) correct (predicted batch_y).sum().item() val_acc correct / total print(fEpoch {epoch1}, Loss: {total_loss/len(train_loader):.4f}, Val Acc: {val_acc:.4f}) if val_acc best_val_acc: best_val_acc val_acc torch.save(model.state_dict(), models/best_lstm.pth) print(f最佳验证准确率: {best_val_acc:.4f})运行命令就是python train.py如果源码里参数是写在配置文件里的改配置文件再运行。关键参数batch_size64影响训练稳定性和速度lr1e-3是 Adam 的常用起点训练不收敛就降到 1e-4weight_decay1e-5做 L2 正则防止过拟合。验证集准确率不再提升就可以停不用死磕轮数。3.3 评估指标怎么看准确率之外的精确率和召回率情感分析如果类别不平衡准确率会骗人。比如 90% 是正面模型全猜正面也有 90% 准确率但负面评论一条都抓不到。所以要看精确率、召回率和 F1。from sklearn.metrics import classification_report, confusion_matrix model.eval() all_preds [] all_labels [] with torch.no_grad(): for batch_x, batch_y in val_loader: batch_x, batch_y batch_x.to(device), batch_y.to(device) outputs model(batch_x) _, predicted torch.max(outputs, 1) all_preds.extend(predicted.cpu().numpy()) all_labels.extend(batch_y.cpu().numpy()) print(classification_report(all_labels, all_preds, target_names[负面, 正面])) print(confusion_matrix(all_labels, all_preds))classification_report会输出每个类别的精确率、召回率、F1 和支持度。如果负面类别的召回率很低说明模型对负面评论不敏感可能是负面样本太少或者词表里负面情感词覆盖不够。解决办法过采样负面样本、调整类别权重、补充领域词典。4. 避坑与排查LSTM 情感分析毕业设计里最容易翻车的五件事4.1 损失不下降准确率卡在 50% 左右现象训练几轮后loss 几乎不变验证准确率在随机水平附近。原因通常是学习率太大导致震荡或者数据标签没对齐或者词表映射全错。解决先把学习率降到 1e-4 试检查input_ids是不是全零或全同一个值打印几条样本的原始文本、分词结果和标签确认没有错位。另一个常见原因是padding_idx设错填充符参与了梯度更新把模型带偏。4.2 验证集准确率很高测试集一塌糊涂现象验证集 95%换一批数据掉到 60%。原因是数据泄露比如词表用了全量数据构建或者训练集和验证集有重复样本。解决严格按训练集建词表验证集和测试集只用训练集词表去重后再划分数据集如果数据本身有同质化检查是不是同一个用户的评论被分到了不同集合。4.3 显存不够batch_size 调小后训练不稳定现象GPU 显存不足把 batch_size 从 64 降到 8loss 波动很大。原因是小批次梯度噪声大Adam 的自适应学习率在小批次下表现不稳定。解决用梯度累积比如每 8 个批次更新一次参数等效于 batch_size64或者换用 CPU 训练虽然慢但稳定还可以减小hidden_dim和num_layers降低模型参数量。4.4 中文分词把情感词切碎了现象模型对“不推荐”“超级好”这类词不敏感。原因是 jieba 默认词典把“不推荐”切成“不”和“推荐”否定信息被稀释。解决加自定义词典把电商领域的情感短语固定成词或者在预处理阶段做否定前缀处理把“不”和后面的词合并还可以用字符级模型做对比字符级能保留更多细节但序列会变长。4.5 训练完模型不会用预测新评论报错现象训练脚本跑通了但写预测脚本时输入一条新评论模型报维度错误。原因是预测时的预处理和训练时不一致比如没做清洗、没转索引、没对齐长度。解决把训练时的预处理函数封装成独立模块预测时调用同一个函数确保max_len和词表路径一致输入用torch.tensor包一层维度对到(1, seq_len)。5. 让毕业设计多拿几分LSTM 情感分析的进阶技巧和验证习惯5.1 用预训练词向量初始化嵌入层随机初始化的嵌入层需要大量数据才能学好。如果手头有 Word2Vec 或 GloVe 的中文词向量可以加载进来初始化nn.Embedding的权重。做法是读取词向量文件对词表里每个词找到对应向量组成矩阵赋值给embedding.weight.data。训练时可以冻结嵌入层也可以微调。冻结适合数据量小的情况微调适合数据量中等偏上。这一步在论文里可以写成“基于预训练词向量的迁移学习”比纯随机初始化更有说服力。5.2 加注意力机制让模型聚焦情感词LSTM 的最后一个时间步输出不一定能代表整句的情感。加一个注意力层让模型对不同时间步的输出加权求和权重高的位置就是情感词所在。实现上用一个线性层计算每个时间步的分数softmax 归一化后对 LSTM 输出做加权平均。代码改动不大但效果通常有提升论文里也多了一个创新点。class LSTMAttention(nn.Module): def __init__(self, vocab_size, embed_dim128, hidden_dim256, num_layers2, num_classes2, dropout0.5): super(LSTMAttention, self).__init__() self.embedding nn.Embedding(vocab_size, embed_dim, padding_idx0) self.lstm nn.LSTM(embed_dim, hidden_dim, num_layers, batch_firstTrue, bidirectionalTrue, dropoutdropout) self.attention nn.Linear(hidden_dim * 2, 1) self.dropout nn.Dropout(dropout) self.fc nn.Linear(hidden_dim * 2, num_classes) def forward(self, x): embedded self.embedding(x) lstm_out, _ self.lstm(embedded) # (batch, seq_len, hidden*2) scores self.attention(lstm_out) # (batch, seq_len, 1) weights torch.softmax(scores, dim1) context torch.sum(weights * lstm_out, dim1) # (batch, hidden*2) out self.dropout(context) out self.fc(out) return out注意力层的参数只有一个线性映射计算量增加很少。训练时注意padding位置不应该参与注意力权重可以在计算 scores 后把填充位置的分数设成负无穷再 softmax这里为了简洁没加实际项目里建议补上。5.3 交叉验证和随机种子让结果可复现毕业设计的实验结果要经得起追问。单次划分的验证集准确率波动可能很大用 5 折交叉验证取平均结果更可信。同时固定随机种子包括 Python、NumPy、PyTorch 的种子确保每次运行结果一致。import random import numpy as np def set_seed(seed42): random.seed(seed) np.random.seed(seed) torch.manual_seed(seed) torch.cuda.manual_seed_all(seed) torch.backends.cudnn.deterministic True torch.backends.cudnn.benchmark False set_seed(42)cudnn.deterministic True会让 GPU 计算变慢但结果可复现。如果追求速度可以关掉但论文里报告的结果要注明是否固定种子。5.4 我踩过的坑和现在的习惯我最早做 LSTM 情感分析时把测试集也拿去建词表了结果验证准确率虚高答辩时被老师问了一句“测试集参与训练了吗”当场卡住。后来养成习惯数据划分、词表构建、标准化全部只在训练集上做验证集和测试集只做 transform。另一个血泪经验是不要迷信最后一轮模型验证集最好的那一轮才是你要保存的。训练日志里记下每轮的 loss 和验证指标画成曲线论文里直接放图。最后预测脚本一定要单独写一个用训练好的权重加载输入几条手工构造的评论看输出是否符合直觉。这个习惯帮我提前发现了好几次预处理不一致的问题。希望帮到你。本文还有配套的精品资源点击获取