中文情感分析毕设：CNN与BI-LSTM双模型文本分类项目实践

简介：基于Python的中文情感分析项目，涵盖卷积神经网络与双向长短期记忆网络，提供完整的文本分类解决方案。项目定位清晰，面向计算机相关专业毕业生、期末大作业及课程设计学生，也适合对自然语言处理感兴趣的开发者阅读参考。资源包共三十五份文件，压缩包大小约七十三点二兆，核心为十三个Python脚本，分别实现语料读取、数据预处理、模型定义、训练验证与评价指标输出，代码内部注释详细，降低上手门槛；模型部分包含训练好的pb权重文件及数据分片，可直接加载推理，另有文本数据、说明文档、示例图像等辅助配置，整体目录结构直观。项目经过严格调试，部署流程简单，在毕业设计中获得九十八分评价，具备较高的实际参考价值。目前已有七十四人浏览/学习，适合作为可运行的高分项目模板或中文情感分析实战样例，直接使用或二次开发均很方便。

1. 中文情感分析毕设：CNN 与 BI-LSTM 双模型文本分类，值不值得拿来改

中文情感分析在毕业设计里几乎是个常驻选题，核心任务就是给定一段中文文本，判断它是好评还是差评，本质上是一个二分类的文本分类问题。这个项目把 CNN 和 BI-LSTM 两条技术路线放在同一个工程里，数据、模型、训练、评分报告脚本都齐了，代码里还带了注释，属于那种解压之后改改路径就能跑的类型。Python 技术栈，适合做毕业设计、期末大作业或者课程设计。对新手来说，它是一份能跑通的深度学习入门底子；对时间紧的熟手来说，模型对比实验和报告输出部分可以直接抄作业。

2. 拆解项目结构：data、model、score_report.py 各管哪一段

2.1 目录职责与运行链路

先把项目根目录下的文件职责理清楚。第一次拿到这类压缩包，最忌讳的是上来就找 train.py 双击运行，先花五分钟看清楚每个目录是干什么的，后面改参数时才不会改错地方。

这条链路是固定的：数据读入 → 预处理（分词、过滤、标签化）→ 词表构建 → 模型训练（CNN 或 BI-LSTM）→ 评估 → score_report.py 生成报告。对应到代码上就是三个入口，数据准备入口在 data 目录，模型入口在 cnn 和 lstm 目录，报告入口是 score_report.py。

我之前接手类似项目时习惯先顺着这条链路把文件过一遍，确认数据源路径和输出位置，再决定自己是全量跑还是只跑其中一段。这个项目的好处是模块边界清楚，预处理、训练、评估各自独立，你可以只替换数据预处理部分，也可以只改模型结构，不影响其他环节。

2.2 环境准备：Python 版本与依赖安装

这类项目一般依赖 jieba、numpy、pandas 和深度学习框架。先确认 Python 版本，再按依赖安装。常见做法是直接建一个虚拟环境，避免和系统里的其他项目互相污染，尤其是 TensorFlow 这种重依赖，版本冲突起来非常头疼。

python -m venv venv source venv/bin/activate # Windows 下用 venv\Scripts\activate pip install jieba numpy pandas scikit-learn pip install tensorflow

第一行命令创建虚拟环境，第二行激活，第三行装的是数据预处理和评估用的库，第四行装深度学习框架。TensorFlow 2.x 分支下 Keras 是内置的，直接 import 就能用，不需要额外装 keras 这个包。

这里有个细节：scikit-learn 不是训练必需的，但 score_report.py 里通常用 sklearn 的 classification_report 和 confusion_matrix 来生成指标，所以建议装。numpy 和 pandas 负责数据读取和向量化，jieba 是中文分词的核心依赖，漏掉任何一个都会在预处理阶段直接报 ImportError。我一般会在装完后先跑一下 import 检查，五个库全部通过再往下走，省得后面反复找问题。

2.3 第一次启动：先跑哪条命令

很多人第一次启动就卡住，不是因为代码有问题，而是不知道入口在哪。建议先打开 README.md，看它写的运行顺序。这个项目的典型启动顺序是：先跑数据预处理脚本，再跑 cnn 或 lstm 的训练脚本，最后用 score_report.py 对训练好的模型做评估。

python data/preprocess.py python cnn/train.py python score_report.py --model cnn

第一条命令把酒店评论原始数据切分成训练集和测试集，并保存成中间文件；第二条命令训练 CNN 模型，权重保存到 model/ 目录；第三条命令加载 model/ 下的权重，对测试集做预测并输出准确率、F1 和混淆矩阵。如果你只想先验证环境通不通，建议先跑 preprocess.py，它耗时最短，而且能暴露大部分依赖问题。

3. 中文文本分类的预处理：分词、标签映射与 embedding 构建

3.1 中文分词：jieba 精确模式与停用词过滤

中文情感分析绕不开分词。英文按空格切就行，中文没有天然分隔符，得靠 jieba 这类工具先切成词，模型才能读懂。jieba 有三种模式，精确模式是最常用的，它把句子切成最合理的词序列，适合做分类输入。全模式会把所有可能的分词结果都列出来，词数膨胀，反而干扰模型。搜索引擎模式适合检索场景，这里用不上。

import jieba def tokenize(text): words = jieba.lcut(text.strip()) # 精确模式分词 words = [w for w in words if w.strip()] # 去掉空白项 return words sample = "这个酒店位置不错，但卫生条件一般" print(tokenize(sample)) # ['这个', '酒店', '位置', '不错', '，', '但', '卫生', '条件', '一般']

jieba.lcut 返回的是分词后的列表，比 jieba.cut 返回的生成器更直观，方便后面直接传给向量化函数。第二步的列表推导式是把空字符串滤掉，因为连续标点或特殊符号会产生空项，不滤会让后面的词表统计出一些奇怪的 key。

这里有个血泪经验：标点符号要不要保留，直接决定模型表现。很多人直接把逗号句号删掉，结果“不错，一般”这种转折句被拼成“不错一般”，语义完全变了。我一般保留全部标点，让模型自己学标点的权重，效果反而更稳。停用词表可以过滤“的”“了”“吗”这类高频虚词，但不要过滤标点。

3.2 标签映射与数据集切分

情感分析的标签通常是好评或差评，对模型来说是整数。映射逻辑很简单，好评映射成 1，差评映射成 0。关键在数据集切分，原始酒店评论数据需要按比例切成训练集、验证集和测试集，三个集合互不重叠，否则评估结果就是虚高的。

import pandas as pd from sklearn.model_selection import train_test_split df = pd.read_csv("data/hotel_comment.csv") df["label"] = df["sentiment"].map({"好评": 1, "差评": 0}) train_df, test_df = train_test_split( df, test_size=0.2, random_state=42, stratify=df["label"] ) print(train_df.shape, test_df.shape)

map 函数把文本标签转成数值，stratify=df["label"] 保证切分后训练集和测试集里好评差评的比例和原始数据一致，这个参数在正负样本不平衡时特别重要。random_state 设成固定值，保证每次运行切出的数据一样，不然你训练到一半发现结果和昨天不一样，会以为是模型玄学，其实是切分变了。

切分完成之后，建议顺手打印一下两个集合的标签分布。如果训练集里差评只占 10%，测试集里差评占 30%，那模型学到的分布和验证分布不一致，准确率指标基本没有参考价值。

3.3 词表构建与 embedding 初始化

分词之后要建词表，把每个词映射成一个整数 id，再把句子 pad 成等长。深度学习模型的输入必须是定长张量，所以短句补零、长句截断。max_len 是这条链路里第一个需要拍脑袋的参数，对酒店评论这种短文本，常见做法是取 50 到 100，太长会引入大量 padding 噪音，太短又会截断关键信息。

from collections import Counter max_len = 80 counter = Counter() for words in train_df["words"]: counter.update(words) word2id = {w: i + 2 for i, (w, _) in enumerate(counter.most_common(19998))} word2id["<PAD>"] = 0 word2id["<UNK>"] = 1 def encode(words): ids = [word2id.get(w, word2id["<UNK>"]) for w in words] return ids[:max_len] + [word2id["<PAD>"]] * (max_len - len(ids))

counter.most_common(19998) 取词频最高的两万个词，加上 PAD 和 UNK 之后词表正好是两万。UNK 用来兜底，测试集里出现的生词统一映射为 1，避免越界报错。encode 函数先截断后补齐，保证每个样本都是 80 长度的向量。

每一条训练数据都要经过 encode 变成整数序列，再转换成 numpy 数组才能喂给模型。这一步最容易踩的坑是 embedding 的维度。如果项目里有预训练词向量，embedding 矩阵要用预训练向量初始化；如果没有，就随机初始化，让模型在训练中自己学。随机初始化不是错误，只是收敛会慢一些。我在这个项目里通常先用随机初始化跑通全流程，确认指标正常后再考虑换预训练向量。

提示：词表文件在项目里的地位和模型权重一样重要，训练完第一件事是把 word2id 落盘成 json，而不是等到换机器时再后悔。

4. 模型实现：CNN 与 BI-LSTM 的结构差异和参数取舍

4.1 CNN 文本分类：卷积核尺寸与池化策略

CNN 在文本分类里的原理是 n-gram 特征提取。卷积核在词向量序列上滑动，一个核尺寸为 3 的卷积相当于抓取连续三个词构成的局部模式。这就是为什么文本 CNN 的卷积核一般设成 3、4、5，而不是图像领域常用的 5x5 或 3x3——句子里的关键模式往往就藏在两三个词的组合里。

from tensorflow.keras import layers, models def build_cnn(vocab_size, embed_dim=128, max_len=80): inputs = layers.Input(shape=(max_len,)) x = layers.Embedding(vocab_size, embed_dim)(inputs) convs = [] for kernel_size in (3, 4, 5): conv = layers.Conv1D(filters=256, kernel_size=kernel_size, activation="relu")(x) pool = layers.GlobalMaxPooling1D()(conv) convs.append(pool) x = layers.Concatenate()(convs) x = layers.Dropout(0.5)(x) outputs = layers.Dense(1, activation="sigmoid")(x) return models.Model(inputs, outputs)

三个卷积核尺寸各跑一遍，各自池化后拼接，相当于同时从不同长度的 n-gram 里提特征。filters=256 是卷积核数量，数量越多能学到的模式越多，但训练也越慢，对于酒店评论这种小规模数据，256 是够用的。GlobalMaxPooling1D 的作用是每个特征图只保留最强烈的那个信号，降低参数量的同时保留关键信息。Dropout(0.5) 是防过拟合的关键，不加的话测试集准确率通常比训练集低五到八个点。

这个结构在中文情感分析里表现很稳定，因为评论这种短文本的判别信息往往集中在几个关键词上，比如“太差”“很好”“不值”，CNN 的局部连接特性正好适合抓这类模式。

4.2 BI-LSTM：双向语义与后向信息

LSTM 擅长捕捉长距离依赖，但单向 LSTM 只能从前往后读，看不到后面的信息。评论里“虽然服务一般，但是环境很好”这种转折句，前面的“一般”要结合后面的“很好”才能判断整体是好评。BI-LSTM 的做法是把句子正着读一遍、反着读一遍，两个方向的隐藏状态拼接，这样每个位置的输出都同时包含上下文信息。

from tensorflow.keras import layers, models def build_bilstm(vocab_size, embed_dim=128, max_len=80): inputs = layers.Input(shape=(max_len,)) x = layers.Embedding(vocab_size, embed_dim)(inputs) x = layers.Bidirectional( layers.LSTM(units=128, dropout=0.3, return_sequences=False) )(x) x = layers.Dropout(0.5)(x) outputs = layers.Dense(1, activation="sigmoid")(x) return models.Model(inputs, outputs)

units=128 是每个方向的隐藏维度，双向之后实际输出的特征维度是 256，相当于模型容量翻倍。dropout=0.3 针对 LSTM 内部循环做正则化，层外的 Dropout(0.5) 再压一次，两层 dropout 叠加是 LSTM 文本分类的常见做法。return_sequences=False 表示只取最后一个时间步的输出，因为这是句子级分类任务，不是序列标注，不需要每个时间步的输出。

这里要提醒一件事：BI-LSTM 的参数量大约是单层 LSTM 的两倍，训练时间也接近两倍。如果你的机器没有 GPU，CPU 上跑 10 个 epoch 可能要等很久，这是选模型之前就要想清楚的事。CNN 在这个场景下收敛更快，BI-LSTM 在长句和复杂转折句上通常表现更好，属于典型的“用时间换效果”。

4.3 训练参数对比：epoch、batch_size、学习率

两个模型的训练配置基本可以共用一套，但有几个参数需要按模型调整。下面是我在这个项目里实际使用的参数组合：

训练时的 compile 和 fit 配置如下：

model.compile( optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"] ) history = model.fit( X_train, y_train, validation_data=(X_val, y_val), batch_size=64, epochs=12, callbacks=[tf.keras.callbacks.EarlyStopping( monitor="val_loss", patience=2, restore_best_weights=True )] )

binary_crossentropy 是二分类的标准损失函数，adam 优化器的默认学习率 0.001 在这个任务里一般不用改。batch_size=64 是文本分类的常用起点，显存或内存紧张时可以降到 32，效果差别不大。EarlyStopping 监控验证集 loss，连续两个 epoch 不下降就停，并恢复最优权重，这个回调比手动调 epoch 数靠谱得多，能省掉不少试错时间。

5. 避坑指南：中文情感分析项目最常见的五个翻车现场

5.1 准确率卡在 50%：问题大概率不在模型

现象：训练正常，loss 在降，但准确率始终在 50% 上下浮动，跟抛硬币一样。

原因：50% 说明模型学到的全是“好评”或者全是“差评”的分布记忆，本质是标签或数据切分出了问题。最常见的原因是标签映射写反了，好评映射成了 0，差评映射成了 1，模型学得越努力错得越离谱。另一个常见原因是切分时没有 stratify，导致训练集和测试集里类别比例失衡，验证集里集中出现单一类别。

解决：先打印一条训练样本的 words 和 label 人工核对，再检查 train_test_split 的 stratify 参数。我一般会在预处理脚本里加一行断言，保证训练集和测试集都同时包含 0 和 1 两个标签，不满足就直接抛异常，而不是等到训练完才发现。

5.2 loss 不降反升，训练曲线像心电图

现象：前几个 epoch loss 正常下降，之后突然反弹，然后一路走高，验证集准确率也跟着崩。

原因：这是典型的过拟合信号，说明模型的拟合能力超过数据量能提供的约束。酒店评论数据集通常只有几千到几万条，CNN 的卷积核数量、LSTM 的隐藏维度都偏大时，模型开始死记训练样本。

解决：先把 Dropout 提高一档，CNN 从 0.5 提到 0.6，BI-LSTM 的两层 dropout 都往上调。同时把 EarlyStopping 的 patience 设为 2，让它在验证集 loss 连续变差时及时停住并回滚到最优权重。还有一个立竿见影的办法是缩小词表，把 most_common 从 20000 降到 10000，噪声特征少了，过拟合也会减轻。

5.3 BI-LSTM 在 CPU 上训练慢到怀疑人生

现象：一个 epoch 跑二十几分钟，12 个 epoch 要四五个小时，笔记本风扇全程满载。

原因：双向 LSTM 的计算量是单向的两倍，加上 embedding 和隐藏维度都偏大，CPU 上真的扛不住。这不是代码 bug，是算力瓶颈。

解决：先确认有没有 GPU，没有的话把 BI-LSTM 的隐藏维度从 128 降到 64，embedding 降到 64，epoch 减到 8。还想更快就截一部分数据跑通验证，比如只取 5000 条训练样本，确认流程没问题后再上全量。如果最终目标是交作业而不是刷指标，优先选 CNN，文本 CNN 在 CPU 上会快得多。

5.4 训练时好好的，predict 新文本时结果全乱

现象：测试集准确率 90% 以上，但自己写一句“这家酒店太棒了”去预测，结果输出 0。

原因：predict 流程和训练流程的预处理不一致。最常见的是训练脚本里用一种方式分词、过滤、pad，预测时又写了另一段代码，词表对不上，padding 长度也对不上，模型输入分布变了，输出自然乱。

解决：把预处理逻辑抽成一个公共函数，训练和预测统一调用。我在实际项目里把 tokenize、encode、pad 全部放进一个 preprocessing.py，预测时从同一个模块 import，绝不复制粘贴。词表也要和权重一起管理，Keras 的模型保存不会自动带上你的 word2id 字典，它只是模型内部的参数，所以词表必须单独保存一份 json，预测前加载。

5.5 换电脑后 Embedding 加载报形状不匹配

现象：项目在别人电脑上明明跑通了，拷到自己机器上一训练就报维度错误，或者加载权重时 shape 对不上。

原因：大概率是词表变了。原来电脑上数据经过预处理后生成了两万词的词表，新环境里如果重新跑了一遍预处理，词频排序可能因为 Python 版本或 pandas 版本不同而微调，导致词表顺序变化，embedding 矩阵的第一维对不上。

解决：词表应该和模型权重一样被视为产物来管理。训练完把 word2id 保存成 json 文件，下次直接 load，不要重新生成。加载权重时也先打印 model.summary() 核对 embedding 层的输入维度，再 load_weights，否则出了错你都不知道错在第几层。这个坑我当时调了大半天，最后发现是同事用了不同版本的 pandas 重新生成了词表。

6. 30 分钟跑通全流程：从解压到拿到情感分析报告的验证路径

6.1 三步验证法

拿到任何文本分类项目，我都习惯先走一遍最短路径验证环境，再谈调优。这个项目的三步验证法如下：

python data/preprocess.py python cnn/train.py --epochs 2 python score_report.py --model cnn

第一步验证数据和依赖，第二步用 2 个 epoch 验证模型结构能跑通，第三步验证评估脚本和模型加载链路。两步如果都能在一个小时内完成，说明环境没有问题，后面可以放心调参。

6.2 结果怎么看

score_report.py 输出的核心是 precision、recall、f1-score 三类指标，以及每个类别的支持度。二分类情感分析里，我习惯同时看正负两个类别的 F1，而不是只看准确率。数据不平衡时准确率会骗人，比如差评只占 10%，模型全预测好评就有 90% 准确率，但 F1 会直接暴露问题。CNN 和 BI-LSTM 两份报告的 F1 差在三个点以内，属于正常浮动，超过五个点就要回头查预处理是否一致。

我拿到这份资源时的习惯是先用 2 个 epoch 跑通，确认 CNN 和 BI-LSTM 两条链路都正常后再调参数。把随机初始化改成预训练词向量、加 EarlyStopping、词表设成 20000 并单独保存 json，这三步做完，后面所有的实验都有了一个稳定参照系。从那以后我每次接手这类文本分类项目，都强制走一遍“先 2 epoch 验证、再全量训练”的流程，省下的全是调参的冤枉时间。希望帮到你。

本文还有配套的精品资源，点击获取