1. 项目背景与核心需求
微博作为国内最大的社交媒体平台之一,每天产生海量的用户生成内容。这些文本数据蕴含着丰富的情绪信息,对舆情监控、产品反馈分析、社会心态研究等领域具有重要价值。传统的情感分析方法主要基于词典规则或简单的机器学习模型,但在面对微博特有的网络语言、表情符号和短文本特性时,准确率往往不尽如人意。
这个毕业设计项目采用Django+Vue全栈架构,结合深度学习技术,构建了一个端到端的微博情感分析系统。核心创新点在于:
- 针对微博文本特点优化了文本预处理流程,特别处理了网络用语、表情符号和话题标签
- 采用BERT+BiLSTM混合模型架构,在公开微博数据集上达到了89.7%的准确率
- 实现了完整的数据可视化分析功能,支持多维度的情绪分布统计
提示:微博情感分析的难点在于短文本的语义稀疏性和网络语言的多样性,需要特别设计预处理流程和模型结构。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构设计
2.1 整体架构
系统采用前后端分离的设计模式:
- 前端:Vue3 + Element Plus + ECharts
- 后端:Django REST Framework + Django Channels
- 算法层:PyTorch + Transformers + Jieba
- 数据存储:MySQL + Redis
mermaid复制graph TD
A[用户界面] -->|HTTP请求| B[Django REST API]
B --> C[BERT情感分析模型]
C --> D[MySQL数据库]
D --> E[Redis缓存]
E --> B
B -->|WebSocket| F[实时数据看板]
2.2 关键技术选型
-
BERT预训练模型:
- 选用哈工大开源的BERT-wwm-ext模型,专门针对中文优化
- 在最后四层进行动态权重融合,增强特征提取能力
-
BiLSTM增强层:
- 隐藏单元数设为256
- 采用Layer Normalization缓解梯度消失
- 添加0.3的Dropout防止过拟合
-
混合注意力机制:
python复制class HybridAtten
