簡介這是一份基于Python與MySQL的網(wǎng)絡輿情分析系統(tǒng)畢業(yè)論文資料包主要面向計算機專業(yè)學生、畢業(yè)設計開發(fā)者以及需要開展網(wǎng)絡言論管理的相關技術人員。論文從計算機技術對信息傳播與言論發(fā)布的影響切入闡明了輿情分析工作的現(xiàn)實需求并完成了整個系統(tǒng)的設計與實現(xiàn)系統(tǒng)采用Python語言開發(fā)以MySQL作為數(shù)據(jù)存儲介質功能覆蓋言論分析、言論管理、用戶管理等模塊同時支持以城市或地區(qū)為關鍵詞進行本地相關負面評論的快速檢索與查看為網(wǎng)絡管理部門提供了高效、可落地的監(jiān)測思路。資源包共1個文件為docx格式文檔整體大小約1.73MB文檔中除論文正文外還包含封面、獨創(chuàng)性聲明、中英文摘要等標準寫作模板便于使用者對照格式要求進行修改和提交。目前已有1262人學習下載適合正在撰寫輿情分析類畢業(yè)設計或希望系統(tǒng)了解PythonMySQL開發(fā)流程的讀者能夠幫助快速搭建論文框架并理解從數(shù)據(jù)庫設計到業(yè)務功能實現(xiàn)的關鍵環(huán)節(jié)。1. 基于python的網(wǎng)絡輿情分析系統(tǒng)一條從采集到預警的數(shù)據(jù)鏈路基于python的網(wǎng)絡輿情分析系統(tǒng)乍看是課程設計或畢設題目實際是一條從數(shù)據(jù)采集、清洗入庫、文本分析到可視化預警的完整數(shù)據(jù)鏈路。它解決的并不是“爬蟲能爬到多少數(shù)據(jù)”而是“拿到數(shù)據(jù)之后怎么變成可讀的輿情結論”某事件在哪個平臺發(fā)酵、負面占比多少、熱度峰值出現(xiàn)在幾點、源頭是哪篇文章。適合三類人準備做畢設但不想只交 demo 的學生、要給部門搭輕量輿情監(jiān)控的運維或后端工程師、以及需要給論文補“數(shù)據(jù)庫算法”完整閉環(huán)的研究者。我給你的一個反直覺結論是這個系統(tǒng)最耗時間的不是算法調優(yōu)而是數(shù)據(jù)采集穩(wěn)定性和文本清洗情感模型反而能用詞典法先跑通。2. 數(shù)據(jù)層設計與采集實現(xiàn)先把輿情數(shù)據(jù)存進 MySQL2.1 數(shù)據(jù)源與采集方案先劃定邊界再寫爬蟲做輿情系統(tǒng)前先想清楚數(shù)據(jù)源邊界。常見做法是優(yōu)先選三種新聞門戶的滾動列表、公開評論區(qū)和搜索引擎的新聞聚合結果這三類頁面結構相對穩(wěn)定、不需要登錄、字段也夠用。不要把目標一開始就定成“監(jiān)控全網(wǎng)”數(shù)據(jù)源越泛清洗規(guī)則越難寫后期論文里也沒法交代“數(shù)據(jù)從哪來、覆蓋范圍是什么”。采集層我首選 requests BeautifulSoup不用一上來就上 Scrapy。原因很簡單小規(guī)模輿情系統(tǒng)的采集目標是“每天幾千到幾萬條”單機多線程請求足夠Scrapy 的中間件、Pipeline 在數(shù)據(jù)量上去之后才是收益前期只會增加調試成本。下面這個腳本是一個新聞列表頁的最小采集實現(xiàn)import requests from bs4 import BeautifulSoup import hashlib, json, time HEADERS { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36, Referer: https://news.sina.com.cn/ } def fetch_news_list(url, timeout10): resp requests.get(url, headersHEADERS, timeouttimeout) # 不要把編碼寫死成 utf-8優(yōu)先用 apparent_encoding 兜底 resp.encoding resp.apparent_encoding soup BeautifulSoup(resp.text, html.parser) items [] for a in soup.select(a): href a.get(href, ).strip() title a.get_text(stripTrue) if not title or len(title) 8: continue if not href.startswith(http): continue # 用 md5(url) 作為去重指紋比直接存 url 做索引快得多 uid hashlib.md5(href.encode(utf-8)).hexdigest() items.append({id: uid, title: title, url: href}) return items if __name__ __main__: base_url https://news.sina.com.cn/roll/#page_{} for page in range(1, 3): data fetch_news_list(base_url.format(page)) with open(fnews_{page}.json, w, encodingutf-8) as f: json.dump(data, f, ensure_asciiFalse, indent2) time.sleep(1) # 限速是禮貌也是反封的第一步邏輯說明resp.encoding 用 apparent_encoding 是為了避免某些頁面 gbk 編碼導致標題亂碼md5 指紋是為后面 MySQL 去重做準備url 動輒幾百字符直接建索引會浪費空間。time.sleep(1) 是控制請求頻率的最低成本手段輿情采集不是搶購不需要高并發(fā)。這個腳本只輸出 json還沒入庫先看數(shù)據(jù)長什么樣再決定表結構。2.2 MySQL 表設計輿情主表、熱度表、詞典表數(shù)據(jù)庫選型上MySQL 是輿情系統(tǒng)最穩(wěn)的起步選擇事務保證寫入不丟、SQL 查詢方便、千萬級數(shù)據(jù)加索引仍然可查。PostgreSQL 也很好但如果你要給別人復現(xiàn)MySQL 的普及度更高。不要在這個階段引入 MongoDB輿情數(shù)據(jù)的核心操作是按時間和來源做聚合關系型數(shù)據(jù)庫的 GROUP BY 比文檔數(shù)據(jù)庫更順手。建表時我推薦拆三張表新聞文章表存原始內容熱度統(tǒng)計表存按小時聚合后的數(shù)據(jù)詞典表存自定義分詞和情感詞。拆表的原因是統(tǒng)計任務不應該反復掃全表聚合結果單獨存報表直接查。下面是第一張表的建表語句CREATE DATABASE IF NOT EXISTS yq DEFAULT CHARSET utf8mb4 COLLATE utf8mb4_unicode_ci; USE yq; CREATE TABLE news_article ( id BIGINT UNSIGNED AUTO_INCREMENT PRIMARY KEY, uid CHAR(32) NOT NULL COMMENT md5(url) 去重指紋, title VARCHAR(255) NOT NULL, content MEDIUMTEXT, source VARCHAR(64) DEFAULT , publish_time DATETIME NOT NULL, fetch_time DATETIME NOT NULL DEFAULT CURRENT_TIMESTAMP, url VARCHAR(512) DEFAULT , comment_cnt INT DEFAULT 0, like_cnt INT DEFAULT 0, UNIQUE KEY uk_uid (uid), KEY idx_publish_time (publish_time), KEY idx_source (source) ) ENGINEInnoDB;參數(shù)說明uid 用 CHAR(32) 而不是 VARCHAR(512) 存 URL是索引性能和存儲空間的雙重考慮publish_time 上建普通索引不建聯(lián)合索引因為后續(xù)查詢基本是“某個時間范圍 某個來源”兩個單索引足夠。content 用 MEDIUMTEXT 而不是 TEXT是給長文留余地。這里最容易踩的坑是直接在 url 字段上建 UNIQUE KEYutf8mb4 下 512 字符會超出索引長度限制所以指紋字段必須單獨建。2.3 數(shù)據(jù)入庫與冪等去重同一篇新聞重復入庫的問題采集腳本跑起來之后會遇到第一個實際麻煩頁面刷新后同一篇新聞反復抓到。如果不做去重news_article 表會膨脹得很快后面統(tǒng)計出的“輿情數(shù)量”全是虛的。解決思路不是查一遍再插而是用數(shù)據(jù)庫的唯一索引保證冪等。import pymysql conn pymysql.connect( host127.0.0.1, port3306, userroot, password123456, databaseyq, charsetutf8mb4, autocommitFalse ) def save_batch(rows): sql INSERT IGNORE INTO news_article (uid, title, content, source, publish_time, url) VALUES (%s, %s, %s, %s, %s, %s) with conn.cursor() as cur: # executemany 批量寫入比逐條 insert 快一個量級 cur.executemany(sql, rows) conn.commit()邏輯說明INSERT IGNORE 配合 uk_uid 唯一索引重復的 uid 會被數(shù)據(jù)庫直接丟棄不報錯、不影響批量導入。這樣遇上去重邏輯時不需要先 SELECT 再 INSERT減少一次網(wǎng)絡往返。常見誤區(qū)是“我代碼里先查一遍再插不是更穩(wěn)嗎”但實際上高并發(fā)下這種 check-then-insert 存在競態(tài)兩條線程同時查到“不存在”然后同時插入還是會重復。把去重交給數(shù)據(jù)庫唯一索引是輿情數(shù)據(jù)入庫最省心的做法。3. 輿情分析核心實現(xiàn)分詞、情感判定、熱點聚類一條鏈路3.1 中文分詞與關鍵詞提取為什么 jieba 是默認起點輿情分析的第一步是分詞。中文分詞的難點在于歧義和新詞比如“西安交大”可能被切成“西安”和“交大”“yyds”這種網(wǎng)絡熱詞在默認詞典里根本不存在。jieba 雖然是老牌庫但勝在可控支持自定義詞典、支持詞性標注、部署成本極低。不要一上來就上 HanLP 或 LTP它們的模型更大、精度更高但輿情分析的前期任務是快速建立基線jieba 足夠。import jieba import jieba.analyse # 自定義詞必須優(yōu)先加載否則品牌詞會被切開 jieba.load_userdict(custom_dict.txt) text 某手機品牌發(fā)布了新款旗艦機但網(wǎng)友對該機型的續(xù)航表現(xiàn)吐槽較多 # 精確模式分詞適合做關鍵詞提取和情感判定 words jieba.lcut(text) print(words) # 基于 TF-IDF 提取 Top5 關鍵詞用于后續(xù)熱點聚類 keywords jieba.analyse.extract_tags(text, topK5, withWeightTrue) print(keywords)參數(shù)說明lcut 走的是精確模式不會把“手機品牌”繼續(xù)切成“手機”和“品牌”對情感分析更友好。extract_tags 的 topK 控制每個文本保留幾個關鍵詞我一般設 5設太多會把“的”“了”這類停用詞帶回結果。custom_dict.txt 里每行格式是“詞 詞頻 詞性”比如“某手機品牌 100 n”這個詞頻不是必須準確但給一個較大的數(shù)能提高詞被合并的概率。如果發(fā)現(xiàn)輿情文案里品牌詞總被切開優(yōu)先檢查自定義詞典而不是換分詞庫。3.2 情感分析基于情感詞典的正面、負面、中性判定情感分析在輿情系統(tǒng)里是核心模塊?？梢杂?Snownlp 直接跑但我更推薦自寫一個詞典打分器原因是詞典法可解釋性強論文里能畫清楚流程圖調閾值、加否定詞都直觀后期數(shù)據(jù)量夠了想換成深度學習詞典法還能作為標注基線。Snownlp 的問題是模型是通用的對“某品牌降價”這種語境會誤判為純負面而實際上消費者可能是在夸性價比。import jieba POS_DICT {好評: 2, 穩(wěn)定: 1, 流暢: 1, 性價比: 1} NEG_DICT {翻車: -2, 卡頓: -1, 續(xù)航崩: -2, 吐槽: -1} DEGREE_DICT {非常: 1.5, 很: 1.2, 有點: 0.8} NEG_WORDS {不, 沒, 無} def sentiment_score(text): words jieba.lcut(text) score 0.0 degree 1.0 # 程度副詞權重 neg 1.0 # 否定詞權重 for w in words: if w in NEG_WORDS: neg -1.0 elif w in DEGREE_DICT: degree DEGREE_DICT[w] elif w in POS_DICT: score degree * neg * POS_DICT[w] degree, neg 1.0, 1.0 elif w in NEG_DICT: score degree * neg * NEG_DICT[w] degree, neg 1.0, 1.0 return score print(sentiment_score(這款手機續(xù)航非常穩(wěn)定)) # 正分 print(sentiment_score(續(xù)航一點都不穩(wěn)定)) # 負分邏輯說明這個打分器的核心是“程度副詞 否定詞”的窗口機制。讀到“非?！卑?degree 置為 1.5讀到“不”把 neg 置為 -1當下一個情感詞出現(xiàn)時把兩者乘進去。詞打分乘以負權重后整體方向反轉這就是為什么“一點都不穩(wěn)定”能被打成負分。參數(shù)說明POS_DICT 和 NEG_DICT 的權重絕對值代表情感強度建議范圍 1~3不要給太大否則幾條極端詞就能淹沒整篇文章的判斷。這個簡易版的問題在于多個否定詞疊加如“不是不好”會被誤判實際項目中我加了連續(xù)否定詞窗口讀到連續(xù)兩個否定詞就重置為正向。3.3 熱點聚類與話題追蹤用 TF-IDF 向量化再做聚類輿情系統(tǒng)除了看單篇文章情感還要回答“當前大家在討論什么”。常見做法是把一段時間內的標題向量化再做聚類。TF-IDF 向量化是為了把文本轉成數(shù)字KMeans 聚類是為了把相似話題歸到同一組。為什么不直接用關鍵詞匹配因為同一個話題的表達方式太多“某品牌手機發(fā)布會”和“某某旗艦機發(fā)布”在字面上不重疊但向量空間里距離很近。from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.cluster import KMeans import numpy as np titles [ 某品牌發(fā)布新款旗艦機售價大幅下調, 旗艦機價格戰(zhàn)開打某廠商跟進, 某品牌手機續(xù)航測試結果出爐, 發(fā)布會現(xiàn)場體驗新機手感輕薄, ] # ngram_range(1,2) 保留詞組min_df2 過濾只出現(xiàn)一次的詞 vectorizer TfidfVectorizer(max_features10000, ngram_range(1, 2), min_df2) X vectorizer.fit_transform(titles) km KMeans(n_clusters2, random_state42, n_init10) labels km.fit_predict(X) # 每個聚類取 TF-IDF 權重最高的詞作為話題標簽 feature_names vectorizer.get_feature_names_out() for i in range(km.n_clusters): centroid_idx km.cluster_centers_[i].argsort()[::-1][:5] words [feature_names[j] for j in centroid_idx] print(fCluster {i}: {, .join(words)})參數(shù)說明n_clusters2 是基于“4 條標題最多兩個話題”的人為假設真實場景里需要用輪廓系數(shù)或手肘法確定min_df2 是把只出現(xiàn)一次的詞過濾掉避免單個文本的獨特詞影響聚類n_init10 是讓 KMeans 多跑幾次取最優(yōu)避免隨機初始化帶來的結果抖動。熱點聚類的時效性要注意輿情系統(tǒng)的聚類窗口我一般設 4 小時或 24 小時窗口太短樣本不夠太長話題已經(jīng)變了好幾輪。這個方案適合論文里的定性分析如果要實時追蹤熱點演變就得換增量聚類算法但那是后話。4. 可視化看板與預警規(guī)則讓輿情結果能看懂、能報警4.1 用 Flask ECharts 搭建最小輿情看板輿情分析的結果最終要給兩類人看一類是技術負責人關心數(shù)據(jù)量和模型準確率另一類是業(yè)務或領導只看趨勢圖和預警消息。給業(yè)務看的東西必須可讀我的做法是 Flask 提供 JSON 接口前端用 ECharts 渲染前后端分離但放在同一個項目里省去跨域配置的麻煩。from flask import Flask, jsonify import pymysql, json app Flask(__name__) app.route(/api/trend) def trend(): 返回最近 24 小時輿情數(shù)量趨勢 conn pymysql.connect(host127.0.0.1, userroot, password123456, databaseyq, charsetutf8mb4) with conn.cursor() as cur: cur.execute( SELECT DATE_FORMAT(publish_time, %Y-%m-%d %H:00) AS hour, COUNT(*) AS cnt FROM news_article WHERE publish_time NOW() - INTERVAL 24 HOUR GROUP BY DATE_FORMAT(publish_time, %Y-%m-%d %H:00) ORDER BY hour ) rows cur.fetchall() conn.close() return jsonify([{hour: r[0], cnt: r[1]} for r in rows]) if __name__ __main__: app.run(host0.0.0.0, port5000, debugFalse)邏輯說明這個接口的參數(shù)設計值得講一下——DATE_FORMAT 按小時粒度聚合把時間戳變成整點字符串前端 ECharts 的 x 軸可以直接用用 NOW() - INTERVAL 24 HOUR 而不是在 Python 里算時間是為了讓時間判斷完全交給數(shù)據(jù)庫避免應用服務器與數(shù)據(jù)庫服務器時區(qū)不一致導致“少一小時數(shù)據(jù)”的詭異問題。這也是輿情系統(tǒng)里很常見的一種“玄學 bug”最后查出來是時區(qū)沒對齊。接口只返回 JSON圖表渲染交給前端ECharts 的折線圖配置網(wǎng)上有很多模板重點是數(shù)據(jù)接口穩(wěn)定。4.2 輿情預警規(guī)則閾值、速率、突發(fā)敏感詞三種觸發(fā)有了趨勢數(shù)據(jù)下一步是預警。輿情預警不能只做一個“超過 100 條就報警”的靜態(tài)閾值那樣不是預警是噪音。我一般設計三層規(guī)則第一層是數(shù)量閾值比如單個時間窗輿情總數(shù)超過歷史均值 1.5 倍第二層是負面占比比如一小時內負面情感占比超過 30%第三層是敏感詞突發(fā)比如自定義敏感詞在十分鐘內出現(xiàn)次數(shù)超過日常均值 5 倍。這三層規(guī)則從“量變”到“質變”到“具體事件”覆蓋了大部分輿情場景。def check_alert(total_now, total_hist, neg_rate_now, neg_th0.3, rate_th1.5): alerts [] # 規(guī)則1總量突增 if total_hist 0 and total_now / total_hist rate_th: alerts.append(總量突增) # 規(guī)則2負面占比超閾值 if neg_rate_now neg_th: alerts.append(負面占比過高) return alerts參數(shù)說明rate_th1.5 意味著當前時間窗輿情數(shù)比歷史同期多 50% 才報警。這個值不能拍腦袋定死需要觀察一周數(shù)據(jù)再調如果每天都有幾個時段誤報就調高到 2.0如果該報警沒報漏報就調低到 1.3。neg_th0.3 是負面占比閾值這個值受數(shù)據(jù)源影響很大如果是采集新聞源負面占比天然低0.3 就偏高如果是采集社交公開數(shù)據(jù)負面情緒本就多0.5 都不一定報警。所以預警規(guī)則一定要做成配置項放數(shù)據(jù)庫或配置文件里不要硬編碼在代碼里。4.3 日報導出把數(shù)據(jù)庫查詢結果落成 Excel 文件輿情系統(tǒng)的最終交付物往往是一份日報或周報今天總輿情量、負面量、Top 熱點話題、預警事件列表。用 pandas 加 openpyxl 直接導出 Excel 是最穩(wěn)妥的交付方式業(yè)務方可以在 Excel 里二次篩選領導也能直接看。除了 pandas還要裝 openpyxl光 pandas 只能寫 csvExcel 格式的導出需要這個庫。import pandas as pd from sqlalchemy import create_engine engine create_engine(mysqlpymysql://root:123456127.0.0.1:3306/yq?charsetutf8mb4) df pd.read_sql( SELECT DATE(publish_time) AS day, COUNT(*) AS total_cnt, SUM(CASE WHEN sentiment -1 THEN 1 ELSE 0 END) AS neg_cnt FROM news_article WHERE publish_time CURDATE() - INTERVAL 7 DAY GROUP BY DATE(publish_time) , engine) df[neg_ratio] (df[neg_cnt] / df[total_cnt]).round(4) df.to_excel(輿情日報.xlsx, indexFalse, sheet_name7日輿情趨勢)邏輯說明這里用的 SQLAlchemy 連接串代替了之前的 pymysql 直連主要是讓 pandas 的 read_sql 能直接拿 DataFrame省去逐行轉換。CASE WHEN 在 SQL 里做條件計數(shù)比先把全表查回來再在 Python 里 groupby 更省內存。注意 to_excel 的 sheet_name 參數(shù)如果你不指定默認叫 Sheet1日報交付時最好把 sheet 名字改成業(yè)務能看懂的內容。Excel 導出是輿情系統(tǒng)里“做了沒人夸、漏了被人罵”的功能但它恰恰是論文里“系統(tǒng)應用”章節(jié)最好寫的部分。5. 輿情系統(tǒng)落地避坑記錄5 條壓測才暴露的數(shù)據(jù)庫與調度問題5.1 采集端被限制或返回亂碼現(xiàn)象、成因與處理現(xiàn)象采集腳本跑了十幾分鐘后返回的頁面從正常列表變成驗證頁或者標題全是亂碼。第一次遇到時我以為是反爬查了半天才發(fā)現(xiàn)是編碼問題。成因有兩類一是沒有帶 Referer 或 User-Agent被服務器識別為腳本二是頁面本身是 gbk 編碼代碼里 resp.encoding 固定寫成 utf-8導致標題亂碼。解決頭部信息至少帶真實瀏覽器的 UAReferer 填首頁地址編碼不要寫死用 resp.apparent_encoding。采集頻率用限速控制不做并發(fā)轟炸大多數(shù)新聞站的容忍度比想象中高問題出在頻率不穩(wěn)定時快時慢才容易被限制。5.2 數(shù)據(jù)庫連接池被打滿與慢查詢另一個隱蔽坑現(xiàn)象多線程采集開起來后程序報 “Too many connections”第二天看數(shù)據(jù)庫統(tǒng)計接口響應時間從 50ms 漲到 3 秒。原因代碼里每個線程每次寫入都新建 pymysql 連接用完后只 close 了游標沒有關連接聚合查詢 group by publish_time 時沒有索引。解決全局維護一個連接池用 pymysql 的 connections 模塊或直接改用 SQLAlchemy 的連接池給 publish_time 和 source 建普通索引。這個問題的隱蔽性在于單線程時一切正常一旦并發(fā)上去連接數(shù)翻倍MySQL 默認 max_connections 是 151很快就會被耗盡。5.3 情感詞典翻車語境遷移時準確率驟降現(xiàn)象情感分析模型在測試集上準確率 78%上線后發(fā)現(xiàn)“某品牌續(xù)航翻車”被判成中性。原因是詞典里沒收錄“翻車”這個詞或者“翻車”被 jieba 切成了“翻”和“車”。解決把業(yè)務場景里出現(xiàn)的高頻詞人工加入詞典和情感詞表比如數(shù)碼領域要加“續(xù)航、快充、發(fā)熱、掉電”食品領域要加“衛(wèi)生、口感、配料”。我后來養(yǎng)成的習慣是每周從數(shù)據(jù)庫里隨機抽 50 條新輿情人工標注后對比模型結果把誤判的詞補進詞典。這一步是純人工活但卻是詞典法準確率的直接上限。5.4 預警規(guī)則太靈敏導致的告警疲勞現(xiàn)象預警功能上線第一天釘釘群被刷了 40 條消息第二天沒人看真出事時反而被忽略。原因是閾值設得太低加上沒有做同源合并——同一個事件被多個新聞站轉載每個站點都觸發(fā)一次預警。解決預警規(guī)則里加靜默期同一事件 30 分鐘內只推送一次閾值要從歷史數(shù)據(jù)的分位數(shù)算而不是拍腦袋定。比如統(tǒng)計過去 30 天每天同時段的輿情量取 95 分位數(shù)作為閾值基線遠比你拍一個“100 條”靠譜。告警疲勞是輿情系統(tǒng)最常見的“看起來做了很多、實際沒人用”的原因。5.5 文本清洗的疏漏HTML 標簽和表情符號污染情感分數(shù)現(xiàn)象有幾天負面率異常偏高抽了幾條數(shù)據(jù)發(fā)現(xiàn)內容是“續(xù)航真不錯”這明顯是矛盾表達但情感打分器把“不錯”算成正向表情符號又被清洗邏輯刪掉。原因表情符號其實攜帶很強的情感信息不能簡單只按文本詞典打分需要單獨提取表情符號做二次修正。解決清洗時把 HTML 實體和標簽去掉但把表情符號單獨存一列后續(xù)作為情感分析的一個附加特征對“文字正向 表情負向”的組合給一個負向偏移。這類問題不靠算法解決靠的是你在清洗階段多留一個心眼。6. 評估輿情系統(tǒng)到底準不準從留存語料到冷啟動調參6.1 用 200 條標注語料跑一套半小時的留存評估輿情系統(tǒng)上線前我建議先留出 200 條已經(jīng)人工標注的輿情文本永遠不要用這些數(shù)據(jù)去調情感詞典——它們只用來評估。評估指標看三個準確率、召回率、F1尤其要看負向樣本的召回率。輿情場景里負面事件漏報的代價遠大于誤報所以我不只看總體準確率而是單獨算“負向 F1”。def evaluate(y_true, y_pred): # y_true/y_pred 都是 list元素為 1 或 01 表示負面 tp sum(1 for t, p in zip(y_true, y_pred) if t 1 and p 1) fp sum(1 for t, p in zip(y_true, y_pred) if t 0 and p 1) fn sum(1 for t, p in zip(y_true, y_pred) if t 1 and p 0) precision tp / (tp fp 1e-9) recall tp / (tp fn 1e-9) f1 2 * precision * recall / (precision recall 1e-9) return precision, recall, f1邏輯說明我加 1e-9 只是防除零實際數(shù)據(jù)里這個分母幾乎不會為零。加這一行的真實原因是之前有一次評估線上輿情數(shù)據(jù)某個時段全是正向樣本tpfp 等于 0直接 ZeroDivisionError日志里留下一堆報錯。負向樣本在真實輿情里占比通常只有 10% 左右所以只看總體準確率沒有意義——模型全預測正向也能有 90% 準確率但輿情系統(tǒng)等于廢了。6.2 兩小時冷啟動調參從詞典到閾值的一輪循環(huán)冷啟動階段沒有標注數(shù)據(jù)怎么調我的習慣是先用詞典法跑通全流程把系統(tǒng)輸出的每條結果人工抽檢 50 條記錄錯誤類型如果是詞典缺詞補詞典如果是閾值不合理調整閾值如果是“不”“沒”這類否定詞處理不對檢查否定詞窗口。這一輪循環(huán)下來情感分析的負向 F1 能從 0.3 漲到 0.7 左右已經(jīng)達到輿情系統(tǒng)可用基線。還有一個重要習慣任何模型改動都必須先跑一遍 6.1 的留存語料對比新舊結果再上生產。這個習慣幫我擋過不少“改了個詞典全站預警刷屏”的翻車事故。輿情系統(tǒng)的效果不是靠一個模型撐起來的而是靠數(shù)據(jù)鏈路每一環(huán)的細節(jié)堆出來的一步步把每個環(huán)節(jié)做扎實結果自然會說服人。希望幫到你。本文還有配套的精品資源點擊獲取