基于深度学习的影评情感分析系统设计与实现

1. 项目概述

中文影评情感分析是自然语言处理领域的一个重要应用方向。本项目基于深度学习技术，实现了两种不同的神经网络模型——Spatial Dropout-GRU和TextCNN，用于对中文电影评论进行情感极性分类（正面/负面）。在迭代5次的训练条件下，Spatial Dropout-GRU模型达到了84%的准确率，TextCNN模型达到了82%的准确率。

这个毕设项目完整实现了从前端界面到后端算法的全栈开发，采用Spring Boot+Vue的技术架构，集成了用户管理、数据标注、模型训练和情感分析等功能模块。对于计算机专业的学生来说，这不仅是一个深度学习实践项目，更是一个完整的软件系统开发案例。

2. 核心算法解析

2.1 Spatial Dropout-GRU模型

GRU（Gated Recurrent Unit）是RNN的一种改进结构，相比传统LSTM更加简洁高效。本项目中，我们在GRU层前加入了Spatial Dropout层，这是一种专门为序列数据设计的正则化技术。

Spatial Dropout与传统Dropout的区别在于：

• 传统Dropout随机丢弃单个神经元
• Spatial Dropout随机丢弃整个特征图（对文本而言就是随机丢弃某些词的所有特征）

这种设计能有效防止GRU网络对某些特定词语的过度依赖，提高模型的泛化能力。我们的实现中，Spatial Dropout率设置为0.2，GRU单元数为128。

2.2 TextCNN模型

TextCNN是应用卷积神经网络处理文本分类任务的经典模型。我们的实现包含以下关键组件：

1. 嵌入层：将词索引映射为300维词向量
2. 卷积层：使用3种不同尺寸的卷积核（3,4,5）并行处理
3. 最大池化层：提取各卷积通道的最显著特征
4. 全连接层：将特征组合后输出分类结果

特别地，我们在嵌入层后也加入了Dropout（0.5）以防止过拟合。多尺寸卷积核的设计使模型能同时捕捉不同粒度的文本特征。

3. 系统架构设计

3.1 技术栈选型

后端技术栈：

• Spring Boot 2.7：提供RESTful API和业务逻辑处理
• MyBatis-Plus：简化数据库操作
• Shiro：负责认证和授权
• TensorFlow