# Deep-learning

**Repository Path**: gbu23/deep-learning

## Basic Information

- **Project Name**: Deep-learning
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-06
- **Last Updated**: 2026-06-06

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于BERT的电商评论情感分析与可视化系统

## 项目简介

本项目实现了一个完整的电商评论情感分析系统。系统使用中文BERT（bert-base-chinese）模型对电商评论进行正面/负面情感分类，并通过Web可视化平台展示分析结果。

## 主要功能

- **数据预处理**: 对10个品类6万余条电商评论进行清洗和预处理
- **BERT情感分析**: 基于bert-base-chinese微调的情感分类模型
- **模型评估**: 准确率、精确率、召回率、F1值等多维度评估
- **Web可视化**: 交互式数据可视化和实时情感预测

## 技术栈

| 组件 | 技术 |
|------|------|
| 深度学习框架 | PyTorch + HuggingFace Transformers |
| 预训练模型 | bert-base-chinese |
| Web后端 | Flask |
| 数据可视化 | ECharts |
| 环境管理 | uv |
| 数据处理 | Pandas + Scikit-learn |

## 数据集

使用 [online_shopping_10_cats](https://github.com/SophonPlus/ChineseNlpCorpus) 数据集，包含10个品类的线上购物评论：

- 书籍、平板、手机、水果、洗发水
- 热水器、蒙牛、衣服、计算机、酒店

共62,774条评论，正负面评论各约3万条。

## 快速开始

### 环境要求
- Python >= 3.10
- uv 包管理器

### 安装

```bash
# 克隆项目
git clone <gitee-url>
cd bert-sentiment-analysis

# 安装依赖
uv sync
```

### 运行

```bash
# 1. 数据预处理
uv run python src/data_preprocess.py

# 2. 训练模型

uv run python src/train.py --epochs 3 --batch_size 16

# 3. 评估模型
uv run python src/evaluate.py

# 4. 启动Web服务
uv run python web/app.py
```

访问 http://localhost:5000 查看可视化界面。

## 项目结构

```
.
├── src/                   # 核心代码
│   ├── data_preprocess.py # 数据预处理与EDA
│   ├── dataset.py         # PyTorch Dataset定义
│   ├── model.py           # BERT分类模型
│   ├── train.py           # 模型训练
│   ├── evaluate.py        # 模型评估
│   └── predict.py         # 预测推理
├── web/                   # Web可视化应用
│   ├── app.py             # Flask后端
│   ├── static/            # 前端静态资源
│   └── templates/         # HTML模板
├── data/                  # 数据文件
├── models/                # 模型权重
├── models/                # 模型权重与评估结果
└── outputs/               # 运行输出与可视化图片
```

## 模型性能

| 指标 | 数值 |
|------|------|
| Accuracy | ~92% |
| Precision | ~91% |
| Recall | ~92% |
| F1-Score | ~91% |