基于深度学习 LSTM + BERT 词向量的混合架构的药品评论情感分析系统源码（可自动分析药品评论的情感倾向（积极、中性、消极...

# 药品评论情感分析系统 基于深度学习的药品评论情感分析系统，可以自动分析药品评论的情感倾向（积极、中性、消极）。本项目采用 LSTM + BERT 词向量的混合架构，并提供了友好的 Web 界面。 ## 🌟 功能特点 - 支持单条评论和批量评论的情感分析 - 提供直观的 Web 界面，便于使用 - 显示详细的情感概率分布 - 支持 CSV 文件批量处理 - 集成 TensorBoard 可视化训练过程 - 多语言支持 ## 🛠️ 技术架构 - **前端界面**: Gradio - **深度学习框架**: PyTorch - **预训练模型**: BERT (bert-base-uncased) - **模型结构**: LSTM + 注意力机制 - **数据处理**: Pandas, NumPy - **可视化**: TensorBoard ## 📦 安装说明 1. 克隆仓库 ```bash git clone cd drug-review-sentiment ``` 2. 安装依赖 ```bash pip install -r requirements.txt ``` ## 🚀 使用方法 ### 训练模型 ```bash python train.py \ --train_file review/drugsComTrain_raw.csv \ --val_file review/drugsComTest_raw.csv \ --model_dir checkpoints \ --batch_size 32 \ --epochs 10 ``` ### 启动 Web 界面 ```bash python app.py ``` ### 命令行推理 ```bash # 单条评论分析 python inference.py text \ --model_path checkpoints/best_model.pth \ --text "This medicine helped me a lot with minimal side effects." # 批量分析 python inference.py batch \ --test_file data/test.csv \ --model_path checkpoints/best_model.pth \ --output_file predictions.csv ``` ## 📊 模型性能 - 准确率: 85%+ - F1 分数: 0.83 - 支持 3 类情感分析（积极、中性、消极） ## 📁 项目结构 ``` drug-review-sentiment/ ├── app.py # Web 界面实现 ├── train.py # 模型训练脚本 ├── inference.py # 推理脚本 ├── model.py # 模型定义 ├── dataset.py # 数据集处理 ├── requirements.txt # 项目依赖 ├── checkpoints/ # 模型检查点 └── data/ # 数据目录 ``` ## 📝 数据格式 训练数据需要包含以下列： - `review`: 评论文本 - `rating`: 评分 (1-10) ## 🔧 参数配置 主要可调参数： - `max_length`: 文本最大长度 (默认: 128) - `embedding_dim`: 词嵌入维度 (默认: 100) - `lstm_units`: LSTM 单元数 (默认: 64) - `dropout_rate`: Dropout 比率 (默认: 0.2) - `learning_rate`: 学习率 (默认: 0.001) ## 📈 可视化 启动 TensorBoard: ```bash tensorboard --logdir=checkpoints/tensorboard_logs ```