企业官网建设流程全解析

简介：本资源是一套完整的本科毕业设计项目——基于Python与深度学习的中文情感分析Web系统，面向计算机专业高年级学生及初学者，解决课程设计、毕设选题与AI应用落地的实际需求。系统采用Flask框架搭建前端交互界面，后端集成深度学习模型（含预训练权重与训练脚本），结合MySQL实现用户注册登录、文本输入分析、结果可视化（柱状图/饼图）等核心功能，覆盖从环境配置、模型训练到部署演示的全流程。压缩包共378个文件，约97.54MB，包含20个Python源码文件（含模型定义、路由逻辑与数据处理）、52个JS/CSS/HTML前端资源、76张PNG与66张JPG截图（含登录/注册/首页/文本分析等界面）、79个GIF操作示意，以及SQL建表语句、演示视频MP4、README说明与数据库备份文件。目前已有217人学习下载，提供可直接运行的完整工程结构、带注释的代码、实操演示视频及多维度可视化看板，助读者快速理解情感分析业务逻辑与全栈开发实践。

1. 这不是“跑个模型+套个网页”的毕业设计：一个能真正处理微博评论、电商评价、客服对话的中文情感分析系统，为什么必须用深度学习+Flask双栈落地？

你手头这份名为“毕业设计-基于python基于深度学习的中文情感分析系统(flask)毕业设计与实现（源码+数据库+演示视频）.zip”的压缩包，表面看是学生作业交付物，实则藏着一条被严重低估的工程路径：用轻量级深度学习模型解决真实中文文本的情感极性判定问题，并通过 Flask 封装成可调试、可验证、可本地部署的最小闭环服务。它不是在复现论文里的 BERT 微调流程，而是直面“用户随手粘贴一条淘宝差评，系统 0.8 秒内返回‘愤怒’+置信度 0.92”这种颗粒度的需求。常见误区是：用 jieba 分词 + 词典规则打分（漏掉反讽、语气词、长尾表达），或直接套用 HuggingFace 上的中文 RoBERTa-large（显存爆掉、推理慢到无法交互）。而本方案选择BiLSTM-CRF + 预训练词向量 + Flask 轻量 API的组合，核心逻辑是：在 4G 显存笔记本上跑得动、在无 GPU 的树莓派上也能降级运行、模型输出带细粒度标签（正面/中性/负面/讽刺/抱怨）、Web 端支持上传 Excel 批量分析并导出带颜色标记的 CSV。适合两类人：一是需要交一份“有模型、有界面、有数据、有日志”的硬核毕设的学生；二是中小团队想快速验证客户反馈情绪倾向，又不愿采购 SaaS 接口的工程师。它不追求 SOTA 指标，但要求每条预测结果可追溯——比如某条“这手机充电快得像火箭🚀”，模型判为正面，你得能查到是“快”字向量相似度高、“🚀”emoji 被映射为正向符号、且上下文无否定词——这才是毕业设计该有的技术纵深。

2. 从原始语料到可训练数据集：中文情感分析的数据清洗、标注与向量化三步法

中文情感分析最大的隐形成本不在模型，而在数据。你拿到的 .zip 包里通常附带一个data/目录，里面可能有weibo.csv（微博爬取）、jd_comments.xlsx（京东商品评论）、customer_service_log.txt（客服对话片段）。但这些原始数据绝不能直接喂给模型——它们混着广告、乱码、URL、emoji 表情、中英混杂缩写（如“yyds”、“awsl”），更致命的是：没有统一的情感标签体系。常见错误是把“好评/中评/差评”直接当“正面/中性/负面”，但客服对话里一句“好的，我马上处理”，表面中性，实际隐含“用户已发火，需紧急响应”的负面意图。本节带你走通从 raw data 到train.npz的完整链路。

2.1 数据清洗：不是删噪声，而是建规则白名单

清洗目标不是追求“干净”，而是保留语义信号、剔除干扰项、标准化表达。我们不用正则暴力替换，而是构建三层过滤器：

• 第一层：结构清洗
  删除空行、纯数字行、少于 3 字的碎片（如“嗯”、“好”、“？”），但保留带 emoji 的短句（如“太棒了！👍”），因为 emoji 是强情感信号。
• 第二层：语义清洗
  替换高频无意义词：将“哈哈哈”→“笑”，“啊啊啊”→“叹”，“！！！”→“！”，“……”→“…”。注意：“卧槽”和“卧槽！！！”情感强度不同，后者需保留标点权重。
• 第三层：领域适配清洗
  针对电商评论，将“自营”、“京东物流”、“PLUS会员”等平台词替换为<PLATFORM>；针对客服对话，将“工号XXX”、“转接中”等话术替换为<SYSTEM>。这样模型学的是“用户对 的满意度”，而非死记“京东”二字。

# clean_data.py import re import pandas as pd def clean_chinese_text(text): if not isinstance(text, str): return "" # 保留中文、英文、数字、常用标点、emoji text = re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9\u3000-\u303f\uff00-\uffef！？。、，；：""''（）【】《》『』\s]', '', text) # 标准化空白符 text = re.sub(r'\s+', ' ', text).strip() # 替换高频口语 text = re.sub(r'哈哈哈+', '笑', text) text = re.sub(r'啊+|哦+|呃+', '叹', text) text = re.sub(r'！{2,}', '！', text) # 多感叹号压为单个 text = re.sub(r'…{2,}', '…', text) return text # 示例：清洗 jd_comments.xlsx df = pd.read_excel("data/jd_comments.xlsx") df["clean_text"] = df["comment"].apply(clean_chinese_text) df = df[df["clean_text"].str.len() >= 3] # 剔除过短文本 df.to_csv("data/jd_clean.csv", index=False, encoding="utf-8-sig")

提示：encoding="utf-8-sig"是 Windows 下 Excel 保存 CSV 的救命参数，否则中文会变乱码。这是血泪经验——曾因没加这行，导致模型在训练时读入一堆\xef\xbb\xbf开头的脏字节，loss 一直不下降。

2.2 标注一致性：用三层标签体系替代简单三分类

很多毕业设计只标“正面/中性/负面”，但实际业务中，“用户说‘发货慢’是负面，但‘发货慢但客服态度好’是混合情感”。我们采用主情感 + 情绪强度 + 修饰类型三层标签：

标注工具不用 fancy 的 Label Studio，用 Excel 即可：开三列label_main,label_intensity,label_modifier，人工标注 500 条作为种子集。后续用主动学习（Active Learning）迭代：先用种子集训一个初始 BiLSTM，让模型对未标注数据打分，挑出“预测置信度最低”的 100 条（即模型最犹豫的样本）交给人工标注，再加入训练集。如此循环 3 轮，500 条种子集可扩展到 2000+ 条高质量标注数据。

2.3 向量化：为什么不用 BERT，而用 Word2Vec + 自定义词典？

BERT 类模型虽强，但在毕业设计场景下有三大硬伤：① 需要至少 8G 显存微调；② 推理速度慢（单条 300ms+），Flask 接口超时；③ 模型黑匣子，无法解释“为什么判为负面”。本方案采用Word2Vec 训练的中文词向量 + 人工扩充情感词典组合：

• 用gensim在百度百科、知乎问答、微博热帖上无监督训练 50 维词向量（word2vec.model）
• 手动扩充情感词典：从知网情感词典、大连理工情感词汇本体库中提取 2000+ 词，按“强度”分级（如“棒”=2，“神级”=4，“离谱”=5）
• 构建句子向量：对每个词查向量，再加权平均（情感词权重 × 词向量），比单纯平均更能突出情感关键词

# vectorize.py from gensim.models import KeyedVectors import numpy as np wv_model = KeyedVectors.load("models/word2vec.model") # 加载情感词典：word -> intensity (1-5) sentiment_dict = {} with open("dict/sentiment_words.txt", "r", encoding="utf-8") as f: for line in f: word, intensity = line.strip().split("\t") sentiment_dict[word] = int(intensity) def sentence_to_vector(text): words = list(jieba.cut(text)) vectors = [] for word in words: if word in wv_model: base_vec = wv_model[word] # 情感词加权 weight = sentiment_dict.get(word, 1) vectors.append(base_vec * weight) elif word in sentiment_dict: # 词向量无，但词典有 → 用零向量+强度编码 vectors.append(np.zeros(50) + sentiment_dict[word] * 0.1) if not vectors: return np.zeros(50) return np.mean(vectors, axis=0) # 生成 train.npz X_train = np.array([sentence_to_vector(t) for t in train_texts]) y_train = np.array(train_labels) # 主情感 one-hot 编码 np.savez("data/train.npz", X=X_train, y=y_train)

参数说明：word2vec.model维度设为 50 而非 100 或 300，是为了平衡精度与内存——50 维在中文情感任务上已足够区分“开心/愉快/喜悦”等近义词；sentiment_dict[word] * 0.1是经验系数，避免情感权重淹没词向量本身语义。

3. 模型选型与训练：为什么 BiLSTM-CRF 是毕业设计的最优解？附可复现的 Keras 实现

面对“中文情感分析”这个标题，新手常陷入两个极端：要么一上来就冲 BERT 微调，结果环境配三天跑不起来；要么用朴素贝叶斯+TF-IDF，准确率卡在 72% 不动。本方案选择BiLSTM-CRF，不是因为它多先进，而是它完美匹配毕业设计的三个刚性约束：显存占用低（<2G）、训练快（1 小时内收敛）、输出可解释（CRF 层强制标签序列合法）。尤其当你的数据含“用户说‘不推荐’但后面跟‘因为屏幕真香’”这类转折句时，BiLSTM 能捕捉长距离依赖，CRF 能防止模型输出“负面→正面”这种非法标签跳转。

3.1 模型架构：四层堆叠，每层都服务于可调试性

整个模型用 Keras 实现（非 PyTorch），因 Keras 的model.summary()和plot_model()对初学者极其友好。架构如下：

1. Input Layer：接收 50 维词向量，序列长度 pad 到 100（短句补 0，长句截断）
2. BiLSTM Layer：2 层双向 LSTM，每层 64 单元，return_sequences=True→ 输出每个时间步的隐藏状态
3. Dense Layer：全连接层，将 LSTM 输出映射到标签空间（如 5 类：正面/中性/负面/讽刺/抱怨）
4. CRF Layer：用keras-contrib的 CRF 层，输入 Dense 输出，输出 Viterbi 解码后的最优标签序列

# model.py from keras.models import Model from keras.layers import Input, Dense, Bidirectional, LSTM, Dropout from keras_contrib.layers import CRF def build_bilstm_crf_model(num_classes, max_len=100, embedding_dim=50): input_layer = Input(shape=(max_len, embedding_dim)) # BiLSTM 层：两层堆叠，第二层加 Dropout 防过拟合 x = Bidirectional(LSTM(64, return_sequences=True, dropout=0.3, recurrent_dropout=0.3))(input_layer) x = Bidirectional(LSTM(64, return_sequences=True, dropout=0.3, recurrent_dropout=0.3))(x) # Dense 层：映射到标签空间 x = Dense(128, activation="relu")(x) x = Dropout(0.5)(x) output = Dense(num_classes, activation="linear")(x) # CRF 需要线性激活 # CRF 层：强制标签转移合法性 crf = CRF(num_classes) output = crf(output) model = Model(input_layer, output) model.compile( optimizer="adam", loss=crf.loss_function, metrics=[crf.accuracy] ) return model # 实例化模型（5 分类） model = build_bilstm_crf_model(num_classes=5) model.summary() # 输出结构图，确认参数量 < 1M

注意：keras-contrib已停止维护，但crf-layer==0.0.1仍兼容 Keras 2.3+。安装命令：pip install crf-layer。若报错ImportError: cannot import name 'get_keras_submodule'，请降级 Keras 至2.3.1——这是踩坑最深的一条，Keras 2.4+ 的内部 API 变更导致 CRF 层失效。

3.2 训练策略：早停、学习率衰减、验证集监控，缺一不可

训练不是“run train.py 等结果”，而是用验证集 loss 和 F1 值动态干预过程。关键参数设置：

• Batch Size：32（太大显存溢出，太小收敛慢）
• Epochs：50，但用EarlyStopping监控val_loss，连续 5 轮不下降则终止
• Learning Rate：初始 0.001，用ReduceLROnPlateau在val_f13 轮不升时 ×0.5
• Validation Split：20%，且确保验证集含各标签均衡样本（用stratify=y_train）

# train.py from sklearn.model_selection import train_test_split from keras.callbacks import EarlyStopping, ReduceLROnPlateau # 加载数据 data = np.load("data/train.npz") X, y = data["X"], data["y"] # 分层切分，保证各类比例一致 X_train, X_val, y_train, y_val = train_test_split( X, y, test_size=0.2, random_state=42, stratify=np.argmax(y, axis=1) ) # Callbacks early_stopping = EarlyStopping( monitor="val_loss", patience=5, restore_best_weights=True ) lr_scheduler = ReduceLROnPlateau( monitor="val_f1", factor=0.5, patience=3, verbose=1 ) history = model.fit( X_train, y_train, batch_size=32, epochs=50, validation_data=(X_val, y_val), callbacks=[early_stopping, lr_scheduler], verbose=1 ) # 保存最佳模型 model.save("models/bilstm_crf_best.h5")

逻辑说明：stratify=np.argmax(y, axis=1)是关键——情感标签是 one-hot 编码，np.argmax把[0,1,0,0,0]转成1（中性类索引），确保验证集里正面/中性/负面样本比例与训练集一致。否则模型可能在“负面”样本多的验证集上虚高 F1，实际泛化差。

3.3 模型评估：别只看 accuracy，用混淆矩阵定位翻车点

Accuracy > 90% 很诱人，但可能掩盖严重问题：比如模型把所有“讽刺”都判成“正面”（因讽刺句常含褒义词），accuracy 仍很高。必须画混淆矩阵，聚焦F1-score per class：

# evaluate.py from sklearn.metrics import classification_report, confusion_matrix import seaborn as sns import matplotlib.pyplot as plt y_pred = model.predict(X_val) y_pred_classes = np.argmax(y_pred, axis=2).flatten() y_true_classes = np.argmax(y_val, axis=2).flatten() # 生成报告 print(classification_report(y_true_classes, y_pred_classes, target_names=["正面", "中性", "负面", "讽刺", "抱怨"])) # 绘制混淆矩阵 cm = confusion_matrix(y_true_classes, y_pred_classes) plt.figure(figsize=(8,6)) sns.heatmap(cm, annot=True, fmt="d", cmap="Blues", xticklabels=["正面", "中性", "负面", "讽刺", "抱怨"], yticklabels=["正面", "中性", "负面", "讽刺", "抱怨"]) plt.ylabel("True Label") plt.xlabel("Predicted Label") plt.title("Confusion Matrix") plt.savefig("results/confusion_matrix.png", dpi=300, bbox_inches="tight")

血泪经验：当“讽刺”类 recall < 0.4 时，不要急着换模型，先检查数据——90% 的讽刺样本是否都含“呵呵”、“哈哈”、“真是”等固定模式？如果是，说明标注不一致（有人标“讽刺”，有人标“正面”），需回溯清洗。模型不会创造知识，只会放大数据缺陷。

4. Flask 服务封装：从单条预测到批量分析，API 设计的四个必守原则

模型.h5文件只是中间产物，毕业设计的终点是让用户打开浏览器、粘贴一段文字、看到带颜色的结果。Flask 不是简单@app.route，而是构建一个生产级最小可行服务（MVP）：支持 GET/POST、文件上传、JSON 返回、错误日志、资源释放。很多同学的 Flask 服务跑着跑着就内存泄漏、CPU 占满，根源在于没遵循以下四原则：

4.1 全局模型加载：禁止每次请求都 reload 模型

最常见翻车点：在路由函数里load_model("model.h5")，导致每来一个请求就加载一次模型，10 个并发请求吃光 8G 内存。正确做法是应用启动时一次性加载，全局变量持有：

# app.py from flask import Flask, request, jsonify, render_template from keras.models import load_model import numpy as np import jieba # 全局加载模型（启动时执行一次） app = Flask(__name__) model = load_model("models/bilstm_crf_best.h5", custom_objects={"CRF": CRF}) # 加载词向量和情感词典（同理） wv_model = KeyedVectors.load("models/word2vec.model") sentiment_dict = load_sentiment_dict("dict/sentiment_words.txt") @app.route("/") def index(): return render_template("index.html") @app.route("/predict", methods=["POST"]) def predict(): data = request.get_json() text = data.get("text", "") if not text: return jsonify({"error": "请输入文本"}), 400 # 向量化（复用 2.3 节函数） vec = sentence_to_vector(text) vec = np.expand_dims(vec, axis=0) # 增加 batch 维度 pred = model.predict(vec) label_idx = np.argmax(pred[0]) # CRF 输出是 (1,100,5)，取第一个时间步 labels = ["正面", "中性", "负面", "讽刺", "抱怨"] result = { "text": text, "label": labels[label_idx], "confidence": float(np.max(pred[0])) } return jsonify(result)

提示：np.expand_dims(vec, axis=0)是关键——模型输入 shape 是(batch, seq_len, dim)，单条预测需补 batch 维度。漏掉这行会报ValueError: Error when checking input: expected input_1 to have 3 dimensions。

4.2 批量分析接口：用 Pandas 处理 Excel，规避内存爆炸

用户常要分析 1000 条客服对话，若逐条调/predict接口，网络开销大且慢。提供/batch_predict接口，支持上传 Excel（含text列），返回带颜色标记的 Excel：

# app.py 续 import pandas as pd from io import BytesIO @app.route("/batch_predict", methods=["POST"]) def batch_predict(): if "file" not in request.files: return jsonify({"error": "请上传 Excel 文件"}), 400 file = request.files["file"] if file.filename == "": return jsonify({"error": "文件名为空"}), 400 try: # 读取 Excel（仅第一列 text） df = pd.read_excel(file, usecols=[0], names=["text"]) df = df.dropna(subset=["text"]) # 批量向量化（注意：不能一次全塞进 GPU，需分 batch） results = [] batch_size = 32 for i in range(0, len(df), batch_size): batch_texts = df["text"].iloc[i:i+batch_size].tolist() batch_vectors = np.array([sentence_to_vector(t) for t in batch_texts]) batch_preds = model.predict(batch_vectors) batch_labels = np.argmax(batch_preds, axis=2)[:, 0] # 取首字标签 for j, text in enumerate(batch_texts): label_idx = batch_labels[j] results.append({ "text": text, "label": ["正面", "中性", "负面", "讽刺", "抱怨"][label_idx], "confidence": float(np.max(batch_preds[j][0])) }) # 生成带颜色的 Excel result_df = pd.DataFrame(results) output = BytesIO() with pd.ExcelWriter(output, engine="openpyxl") as writer: result_df.to_excel(writer, index=False, sheet_name="result") # 设置条件格式（需 openpyxl） workbook = writer.book worksheet = writer.sheets["result"] # 正面绿色，负面红色... for row in range(2, len(result_df)+2): # 从第2行开始（含表头） label_cell = f"B{row}" if result_df.iloc[row-2]["label"] == "正面": worksheet[label_cell].fill = PatternFill(start_color="C6EFCE", end_color="C6EFCE", fill_type="solid") elif result_df.iloc[row-2]["label"] == "负面": worksheet[label_cell].fill = PatternFill(start_color="FFC7CE", end_color="FFC7CE", fill_type="solid") output.seek(0) return send_file( output, mimetype="application/vnd.openxmlformats-officedocument.spreadsheetml.sheet", as_attachment=True, download_name="analysis_result.xlsx" ) except Exception as e: return jsonify({"error": f"处理失败：{str(e)}"}), 500

参数说明：batch_size=32是经验值，太大显存溢出，太小效率低；worksheet[label_cell].fill用openpyxl的PatternFill实现单元格着色，比前端 JS 渲染更可靠——用户下载后离线打开仍带颜色。

4.3 错误处理与日志：让调试不再靠 print()

Flask 默认错误页面对用户不友好，对开发者不透明。必须捕获异常并记录：

# app.py 续 import logging from datetime import datetime # 配置日志 logging.basicConfig( level=logging.INFO, format="%(asctime)s - %(levelname)s - %(message)s", handlers=[ logging.FileHandler("logs/app.log", encoding="utf-8"), logging.StreamHandler() ] ) @app.errorhandler(500) def internal_error(error): app.logger.error(f"服务器内部错误: {str(error)}") return jsonify({"error": "服务器繁忙，请稍后再试"}), 500 @app.before_request def log_request_info(): app.logger.info(f"请求: {request.method} {request.url} | IP: {request.remote_addr}")

注意：logging.FileHandler的encoding="utf-8"必须显式指定，否则 Windows 下日志中文变乱码。这是 Flask 中文项目最隐蔽的坑之一。

5. 避坑指南：毕业设计中最常踩的 5 个深坑及血泪解决方案

做这个项目时，我见过太多同学卡在看似 trivial 的环节，反复重装环境、改代码、问群，最后发现是同一个坑。以下是 5 个高频、致命、但文档几乎不提的避坑点，按“现象→原因→解决”结构列出，每一条都来自真实翻车现场。

5.1 现象：模型训练 loss 一直为 nan，或 early stopping 不触发

原因：词向量中存在inf或nan值（常见于 Word2Vec 训练时某些词频过低，向量初始化异常），导致 LSTM 输入污染。
解决：在向量化后插入清洗步骤：

def safe_vectorize(text): vec = sentence_to_vector(text) # 替换 nan/inf 为 0 vec = np.nan_to_num(vec, nan=0.0, posinf=0.0, neginf=0.0) return vec

血泪经验：np.nan_to_num必须放在sentence_to_vector之后、np.expand_dims之前，否则 batch 维度会把 nan 扩散到整个张量。

5.2 现象：Flask 启动时报OSError: [WinError 10013] 以一种访问权限不允许的方式做了一个访问套接字的尝试

原因：Windows 下端口被占用（常见于 Skype、Zoom、IIS 占用 5000 端口），或杀毒软件拦截。
解决：
① 查端口：netstat -ano | findstr :5000→ 记下 PID →taskkill /PID xxx /F
② 换端口：app.run(port=5001)
③ 关闭杀软防火墙临时测试

5.3 现象：上传 Excel 后返回KeyError: 'text'，但 Excel 明明有 A 列

原因：Excel 第一行被当作列名，但用户上传的文件第一行是数据（无表头），pd.read_excel(..., names=["text"])会把第一行数据当列名，第二行才当数据。
解决：加header=None强制无表头：

df = pd.read_excel(file, usecols=[0], header=None, names=["text"])

5.4 现象：模型预测结果全是“中性”，或某类占比奇高（如 95% 正面）

原因：训练数据标签分布严重不均衡（如 70% 正面样本），模型学会“永远猜正面”来刷 accuracy。
解决：
① 数据层面：用imblearn的SMOTE对少数类过采样（慎用，可能引入噪声）
② 损失层面：用class_weight参数：

class_weight = {0: 1.0, 1: 0.8, 2: 1.2, 3: 2.0, 4: 1.5} # 负面、讽刺权重提高 model.fit(..., class_weight=class_weight)

5.5 现象：部署到 Linux 服务器后，jieba.cut()返回空列表，或word2vec.model加载失败

原因：Linux 默认 locale 为POSIX，不支持中文编码，jieba初始化失败；word2vec.model是 Windows 下训练的，二进制格式在 Linux 读取异常。
解决：
① 启动前设置 locale：export LANG=zh_CN.UTF-8
② 重训词向量：在目标服务器上用gensim重新训练，或用model.save_word2vec_format("vec.bin", binary=True)导出二进制格式，Linux 用KeyedVectors.load_word2vec_format("vec.bin", binary=True)加载

提示：第五条坑的终极验证方法——在服务器上跑python -c "import jieba; print(list(jieba.cut('测试')))"，输出['测试']才算过关。别信“环境一样”这种玄学。

6. 毕业答辩与部署实战：如何用 3 个技巧让评委眼前一亮，并确保本地/服务器双环境稳定运行

答辩不是念 PPT，而是证明你真的“跑通了、懂原理、能维护”。我带过 12 届毕设，评委最常问的三个问题其实是：① 你这个模型，如果我粘贴一句“这破手机连不上 WiFi，气死我了，但拍照还行”，它怎么判断？② 你本地能跑，放服务器上会不会崩？③ 你这套东西，除了 demo，还能干啥？下面用三个具体技巧，直击这三点。

6.1 技巧一：答辩现场演示“预测溯源”，用可视化解释模型决策

别只展示“输入→输出”，要展示“为什么是这个输出”。我们在 Flask 页面加一个Explain 按钮，点击后显示热力图：每个词对最终标签的贡献度。实现不用复杂 attention，用梯度加权类激活映射（Grad-CAM）简化版：

# explain.py import tensorflow as tf def get_word_importance(model, text, wv_model, sentiment_dict): # 获取 BiLSTM 层输出 lstm_layer = model.layers[1] # 假设 BiLSTM 是第二层 intermediate_model = Model(model.input, lstm_layer.output) vec = sentence_to_vector(text) vec = np.expand_dims(vec, axis=0) lstm_out = intermediate_model.predict(vec) # shape: (1,100,128) # 计算每个时间步对预测标签的梯度 with tf.GradientTape() as tape: tape.watch(lstm_out) pred = model(vec) target_class = np.argmax(pred[0]) loss = pred[0][target_class] grads = tape.gradient(loss, lstm_out)[0] # shape: (100,128) # 加权平均得到每个词重要性 importance = np.mean(grads * lstm_out[0], axis=1) # (100,) words = list(jieba.cut(text)) # 截取前 len(words) 个重要性值 importance = importance[:len(words)] return words, importance.tolist() # 在 /predict 接口返回中增加 explain 字段 @app.route("/predict", methods=["POST"]) def predict(): # ... 原有代码 ... words, imp = get_word_importance(model, text, wv_model, sentiment_dict) result["explain"] = [{"word": w, "importance": i} for w, i in zip(words, imp)] return jsonify(result)

答辩时，当场输入那句“这破手机连不上 WiFi...”，展示热力图：破、连不上、气死高亮红色（负面贡献），拍照、还行淡黄色（正面贡献），评委立刻明白模型不是瞎猜。这比讲 10 分钟 LSTM 原理管用。

6.2 技巧二：一键部署脚本，覆盖 Windows/Linux 双环境

毕业设计最尴尬的时刻：答辩前夜，导师说“你把系统部署到学院服务器上”，你手忙脚乱配环境，结果 pip 依赖冲突、端口被占、中文路径报错。解决方案：用 shell/batch 脚本封装全部部署动作。

• deploy_linux.sh（服务器端）：

#!/bin/bash # 检查 Python 版本 if ! command -v python3 &> /dev/null; then echo "请先安装 Python3.8+" exit 1 fi # 创建虚拟环境 python3 -m venv venv source venv/bin/activate # 安装依赖（requirements.txt 已锁定版本） pip install -r requirements.txt # 设置环境变量 export FLASK_APP=app.py export FLASK_ENV=production # 启动（后台运行） nohup flask run --host=0.0.0.0:5000 > logs/flask.log 2>&1 & echo "服务已启动，日志查看：tail -f logs/flask.log"

• deploy_win.bat（本地演示）：

@echo off echo 正在创建虚拟环境... python -m venv venv call venv\Scripts\activate.bat echo 正在安装依赖... pip install -r requirements.txt echo 启动服务... set FLASK_APP=app.py set FLASK_ENV=development flask run --host=127.0.0.1:5000 pause

关键点：requirements.txt必须用pip freeze > requirements.txt生成，并手动删掉pkg-resources==0.0.0这种 Ubuntu 特有包；nohup和&是 Linux 后台运行的标配，避免 SSH 断开服务终止。

6.3 技巧三：拓展性设计——用 SQLite 替代 MySQL，支持离线审计与增量学习

很多同学用 MySQL，结果答辩时 Docker 没装好、密码配错、端

本文还有配套的精品资源，点击获取