简介：这是一套面向高校计算机相关专业学生的Python课程设计资料，主题为酒店评论情感分析，适合用作期末大作业、课程设计或毕业设计参考。资源包共28个文件，约4.42MB，包含2个py源码文件、1个docx技术文档、1个pptx结题演示文稿、1个md说明文件，以及大量txt情感词典与停用词表、rar语料压缩包和jpg配图，覆盖从代码到文档的完整交付物。目前已有32人学习下载。源码结构清晰，关键算法配有中文注释，集成数据预处理、特征提取、模型训练与情感分类全流程，并内置酒店情感词典、否定词与程度副词词典等资源，下载后简单配置即可运行。文档与演示文稿可直接用于结题答辩，词典与停用词表也能复用到其他中文文本分析任务中，对初学者理解文本情感分析的实现原理有较高参考价值。
1. 酒店评论情感分析系统：从零搭一套能跑通的全栈方案
做酒店运营的朋友经常问我一个问题：每天几百条评论，靠人工一条条看根本不现实，能不能让程序自动判断哪些是好评、哪些是差评，甚至提前预警差评？这就是情感分析系统要解决的事。Python 做这件事有天然优势——生态成熟、上手快、调试方便。整套系统拆开看就四块：数据采集、文本预处理、模型推理、结果可视化。我这次用中文酒店评论做样本，从爬虫到前端展示全部走一遍，代码和文档都整理好了。适合有 Python 基础、想做一个完整 NLP 落地项目的同学，也适合酒店运营方想自建舆情监控的技术负责人。读完你能拿到一套可复现的代码框架，知道每个环节参数怎么调、坑在哪。
2. 数据采集与清洗：酒店评论从哪来、怎么洗
2.1 评论数据源的选型与采集策略
酒店评论的数据源主要有几类：OTA 平台公开评论页、自家小程序/APP 的用户评价、第三方点评站点。做情感分析系统，第一步不是急着写模型，而是想清楚数据从哪来、量级多大、字段有哪些。我一般优先用自家后台导出的评论数据，格式干净、字段齐全，省去大量清洗工作。如果没有自有数据，公开评论页也可以采集，但要注意频率控制和页面结构变化。
采集环节用requests+BeautifulSoup就够了，不需要上重型框架。核心思路是：先请求列表页拿到评论 ID 和摘要，再逐条请求详情页拿完整评论内容、评分、入住时间。下面是一个最小可用的采集脚本骨架：
import requests from bs4 import BeautifulSoup import time import csv import random HEADERS = { "User-Agent": "Mozilla/5.0 (Windows NT 10.0; Win64; x64) " "AppleWebKit/537.36 (KHTML, like Gecko) " "Chrome/120.0.0.0 Safari/537.36" } def fetch_list_page(hotel_id, page): """抓取评论列表页，返回评论详情链接列表""" url = f"https://example-ota.com/hotel/{hotel_id}/reviews?page={page}" resp = requests.get(url, headers=HEADERS, timeout=10) soup = BeautifulSoup(resp.text, "html.parser") links = [] for item in soup.select(".review-item a.detail-link"): href = item.get("href") if href: links.append(href) return links def fetch_review_detail(detail_url): """抓取单条评论详情，返回结构化字典""" resp = requests.get(detail_url, headers=HEADERS, timeout=10) soup = BeautifulSoup(resp.text, "html.parser") review = { "content": soup.select_one(".review-content").get_text(strip=True), "score": soup.select_one(".review-score").get_text(strip=True), "date": soup.select_one(".review-date").get_text(strip=True), "room_type": soup.select_one(".room-type").get_text(strip=True) if soup.select_one(".room-type") else "未知" } return review def crawl_hotel_reviews(hotel_id, max_pages=50): """主采集流程，结果写入 CSV""" all_reviews = [] for page in range(1, max_pages + 1): links = fetch_list_page(hotel_id, page) if not links: break for link in links: try: review = fetch_review_detail(link) all_reviews.append(review) except Exception as e: print(f"抓取失败: {link}, 原因: {e}") time.sleep(random.uniform(1.5, 3.5)) # 随机间隔，降低被封风险 print(f"第 {page} 页完成，累计 {len(all_reviews)} 条") time.sleep(random.uniform(2, 5)) with open("hotel_reviews.csv", "w", newline="", encoding="utf-8-sig") as f: writer = csv.DictWriter(f, fieldnames=["content", "score", "date", "room_type"]) writer.writeheader() writer.writerows(all_reviews) print(f"采集完成，共 {len(all_reviews)} 条评论") if __name__ == "__main__": crawl_hotel_reviews(hotel_id="123456", max_pages=30)这段代码的逻辑很直白：列表页拿链接，详情页拿字段，中间用随机 sleep 控制节奏。几个关键参数需要根据实际情况调整——max_pages控制采集深度，timeout防止请求挂死，random.uniform(1.5, 3.5)是请求间隔，太短容易被限流，太长效率低。encoding="utf-8-sig"是为了 Excel 打开 CSV 不乱码，这个细节很多人第一次做会踩坑。
注意：采集公开数据要遵守目标站点的 robots.txt 和使用条款，控制请求频率，不要对目标服务器造成压力。
2.2 中文评论清洗的四个关键步骤
原始评论数据拿到手，直接丢给模型效果一定差。中文酒店评论有几个典型噪声：HTML 标签残留、表情符号、重复字符（“好好好好好”）、无意义的口语填充（“啊啊啊”“emm”）。清洗流程我一般分四步走：
第一步，去 HTML 标签和特殊字符。用正则re.sub(r'<[^>]+>', '', text)去掉残留标签，再用re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9，。！？、；：]', '', text)保留中文、英文、数字和常用标点。
第二步，处理重复字符。连续重复三次以上的字符压缩成一次，比如“好好好好”变成“好”。正则写法：re.sub(r'(.)\1{2,}', r'\1', text)。
第三步，分词和去停用词。中文分词用jieba，停用词表可以用哈工大停用词表加上酒店领域自定义词（“酒店”“房间”“入住”这类高频但无区分度的词可以视情况保留或去除）。分词后过滤掉长度为 1 的词和纯数字。
第四步，处理否定词和程度副词。这一步很多人忽略，但对情感分析影响很大。“不好”和“好”的情感极性完全相反，“非常好”和“好”的强度也不同。我一般会在分词阶段把否定词和程度副词与后续词合并，比如“不+好”合并为“不好”，“非常+满意”合并为“非常满意”。
import re import jieba STOPWORDS = set() with open("stopwords.txt", "r", encoding="utf-8") as f: for line in f: STOPWORDS.add(line.strip()) NEGATION_WORDS = {"不", "没", "没有", "别", "无", "非"} DEGREE_WORDS = {"非常", "很", "特别", "十分", "极其", "太", "超"} def clean_text(text): """中文酒店评论清洗主函数""" # 去 HTML 标签 text = re.sub(r'<[^>]+>', '', text) # 保留中文、英文、数字和常用标点 text = re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9，。！？、；：]', '', text) # 压缩重复字符 text = re.sub(r'(.)\1{2,}', r'\1', text) # 去除首尾空白 text = text.strip() return text def tokenize_with_modifiers(text): """分词并合并否定词/程度副词与后续词""" words = jieba.lcut(text) result = [] i = 0 while i < len(words): word = words[i] if word in NEGATION_WORDS or word in DEGREE_WORDS: if i + 1 < len(words): result.append(word + words[i + 1]) i += 2 continue if word not in STOPWORDS and len(word) > 1: result.append(word) i += 1 return result # 使用示例 raw = "房间非常干净！！！但是隔音太太太差了，晚上根本睡不着<font>" cleaned = clean_text(raw) tokens = tokenize_with_modifiers(cleaned) print(cleaned) # 房间非常干净！但是隔音太差了，晚上根本睡不着 print(tokens) # ['房间', '非常干净', '但是', '隔音', '太差', '晚上', '睡不着']清洗逻辑的核心在于：先做字符级清理，再做词级处理。clean_text负责去掉噪声，tokenize_with_modifiers负责保留情感信号。停用词表建议至少 1000 词以上，覆盖常见虚词、代词、连词。否定词和程度副词的处理规则可以根据业务调整——比如“不太满意”应该合并为“不太满意”还是“不+太满意”，取决于你的模型对这类组合的敏感度。
3. 情感分析模型：选型、训练与推理
3.1 从 SnowNLP 到 BERT：模型选型的三个档位
情感分析模型的选择取决于你的数据量、精度要求和部署环境。我一般把方案分三档：
第一档，开箱即用型。SnowNLP是中文情感分析的老牌库，安装即用，对酒店评论这种短文本效果尚可。优点是零训练成本，缺点是精度有限，对反讽、双重否定容易翻车。适合快速验证需求或数据量极少的场景。
第二档，传统机器学习。用scikit-learn的TfidfVectorizer+LogisticRegression或SVM，在自己标注的数据上训练。需要至少 2000 条标注数据，精度比 SnowNLP 高 10-15 个百分点。优点是训练快、可解释性强、部署轻量。适合中小规模落地。
第三档，预训练模型微调。用bert-base-chinese或chinese-roberta-wwm-ext做微调，精度最高，但需要 GPU 和至少 5000 条高质量标注数据。适合对精度要求高的商业场景。
我的建议是：先用 SnowNLP 跑一版基线，看看效果能不能接受；不行再上第二档；第二档还不够再考虑第三档。不要一上来就 BERT，标注成本和训练成本都很高。
3.2 用 scikit-learn 训练一个酒店评论分类器
下面以第二档方案为例，完整走一遍训练流程。假设你已经有了标注数据，格式是 CSV，两列：text和label（0 负面，1 正面）。
import pandas as pd import jieba from sklearn.model_selection import train_test_split from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.linear_model import LogisticRegression from sklearn.metrics import classification_report, accuracy_score import joblib # 1. 加载标注数据 df = pd.read_csv("labeled_reviews.csv", encoding="utf-8-sig") print(f"数据总量: {len(df)}, 正面: {df['label'].sum()}, 负面: {len(df) - df['label'].sum()}") # 2. 分词 def cut_for_tfidf(text): return " ".join(jieba.lcut(str(text))) df["segmented"] = df["text"].apply(cut_for_tfidf) # 3. 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( df["segmented"], df["label"], test_size=0.2, random_state=42, stratify=df["label"] ) # 4. TF-IDF 向量化 vectorizer = TfidfVectorizer( max_features=8000, # 保留最高频的 8000 个词 ngram_range=(1, 2), # 考虑单字和双字组合 min_df=3, # 至少出现在 3 篇文档中才保留 max_df=0.9 # 出现在 90% 以上文档中的词丢弃 ) X_train_vec = vectorizer.fit_transform(X_train) X_test_vec = vectorizer.transform(X_test) # 5. 训练逻辑回归 clf = LogisticRegression( C=1.0, # 正则化强度，越小正则越强 max_iter=1000, # 最大迭代次数 class_weight="balanced" # 类别不平衡时自动调整权重 ) clf.fit(X_train_vec, y_train) # 6. 评估 y_pred = clf.predict(X_test_vec) print(f"准确率: {accuracy_score(y_test, y_pred):.4f}") print(classification_report(y_test, y_pred, target_names=["负面", "正面"])) # 7. 保存模型和向量器 joblib.dump(clf, "sentiment_clf.pkl") joblib.dump(vectorizer, "tfidf_vectorizer.pkl") print("模型已保存")这段代码的关键参数需要解释一下。max_features=8000控制特征维度，太大容易过拟合，太小会丢失信息，一般 5000-10000 之间比较合适。ngram_range=(1, 2)让模型能捕捉“不+好”这类二元组合，对情感分析很重要。min_df=3过滤掉只出现一两次的稀有词，降低噪声。class_weight="balanced"在正负样本不均衡时自动加权，酒店评论通常好评多差评少，这个参数很关键。
训练完成后，推理流程就是：新评论 → 清洗 → 分词 → TF-IDF 向量化 → 模型预测。封装成一个函数：
def predict_sentiment(text, clf, vectorizer): """输入原始评论，输出情感标签和概率""" cleaned = clean_text(text) segmented = " ".join(jieba.lcut(cleaned)) vec = vectorizer.transform([segmented]) label = clf.predict(vec)[0] proba = clf.predict_proba(vec)[0] return { "label": "正面" if label == 1 else "负面", "confidence": round(max(proba), 4), "text": text } # 使用 result = predict_sentiment("房间很干净，服务态度也很好", clf, vectorizer) print(result) # {'label': '正面', 'confidence': 0.9231, 'text': '房间很干净，服务态度也很好'}3.3 用 SnowNLP 做快速基线对比
在正式训练模型之前，我习惯用 SnowNLP 跑一版基线，看看数据本身的情感分布是否合理。SnowNLP 的用法极其简单：
from snownlp import SnowNLP def snownlp_baseline(text): """SnowNLP 情感打分，返回 0-1 之间的情感值""" s = SnowNLP(text) return s.sentiments # 测试几条典型评论 samples = [ "房间很干净，服务态度也很好", "隔音太差了，晚上根本睡不着", "位置不错，但是设施有点旧", "性价比很高，下次还会来" ] for s in samples: score = snownlp_baseline(s) label = "正面" if score > 0.5 else "负面" print(f"{s} -> {score:.4f} ({label})")SnowNLP 返回的是 0 到 1 之间的情感值，大于 0.5 判为正面。它的优势是零训练、零标注，适合快速摸底。但要注意，SnowNLP 在电商评论上训练较多，对酒店领域的特定表达（比如“床品舒适”“隔音差”）可能不够敏感。我一般用它来快速标注一批数据，然后人工修正，作为训练集的初始版本。
4. 系统集成与可视化：把模型变成能用的工具
4.1 Flask 后端接口设计与实现
模型训练好之后，需要包装成服务才能被前端或其他系统调用。用 Flask 搭一个轻量 API 是最快的方式。核心接口就两个：单条预测和批量预测。
from flask import Flask, request, jsonify import joblib import jieba import re app = Flask(__name__) # 加载模型和向量器 clf = joblib.load("sentiment_clf.pkl") vectorizer = joblib.load("tfidf_vectorizer.pkl") def clean_text(text): text = re.sub(r'<[^>]+>', '', text) text = re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9，。！？、；：]', '', text) text = re.sub(r'(.)\1{2,}', r'\1', text) return text.strip() @app.route("/api/predict", methods=["POST"]) def predict(): """单条评论情感预测""" data = request.get_json() text = data.get("text", "") if not text: return jsonify({"error": "text 不能为空"}), 400 cleaned = clean_text(text) segmented = " ".join(jieba.lcut(cleaned)) vec = vectorizer.transform([segmented]) label = clf.predict(vec)[0] proba = clf.predict_proba(vec)[0] return jsonify({ "label": "正面" if label == 1 else "负面", "confidence": round(float(max(proba)), 4), "cleaned_text": cleaned }) @app.route("/api/batch_predict", methods=["POST"]) def batch_predict(): """批量评论情感预测""" data = request.get_json() texts = data.get("texts", []) if not texts: return jsonify({"error": "texts 不能为空"}), 400 results = [] for text in texts: cleaned = clean_text(text) segmented = " ".join(jieba.lcut(cleaned)) vec = vectorizer.transform([segmented]) label = clf.predict(vec)[0] proba = clf.predict_proba(vec)[0] results.append({ "text": text, "label": "正面" if label == 1 else "负面", "confidence": round(float(max(proba)), 4) }) positive = sum(1 for r in results if r["label"] == "正面") return jsonify({ "total": len(results), "positive": positive, "negative": len(results) - positive, "details": results }) if __name__ == "__main__": app.run(host="0.0.0.0", port=5000, debug=False)接口设计的关键点：单条预测返回标签、置信度和清洗后文本，方便调试；批量预测额外返回正负样本统计，方便运营快速看整体舆情。debug=False在生产环境必须关掉，否则有安全风险。端口 5000 是 Flask 默认，实际部署时建议用 gunicorn 或 uwsgi 做 WSGI 容器。
4.2 用 Pyecharts 做评论情感可视化看板
光有接口不够，运营需要看到直观的图表。用pyecharts生成情感分布饼图、时间趋势折线图和关键词词云，嵌入 Flask 模板或单独生成 HTML 都可以。
from pyecharts.charts import Pie, Line, WordCloud from pyecharts import options as opts from collections import Counter import jieba def generate_pie(positive, negative): """生成情感分布饼图""" pie = Pie() pie.add( "", [("正面", positive), ("负面", negative)], radius=["40%", "70%"], label_opts=opts.LabelOpts(formatter="{b}: {c} ({d}%)") ) pie.set_global_opts( title_opts=opts.TitleOpts(title="酒店评论情感分布"), legend_opts=opts.LegendOpts(pos_left="center", pos_top="bottom") ) pie.render("sentiment_pie.html") def generate_trend(dates, positive_counts, negative_counts): """生成情感时间趋势折线图""" line = Line() line.add_xaxis(dates) line.add_yaxis("正面", positive_counts, is_smooth=True) line.add_yaxis("负面", negative_counts, is_smooth=True) line.set_global_opts( title_opts=opts.TitleOpts(title="评论情感趋势"), xaxis_opts=opts.AxisOpts(name="日期"), yaxis_opts=opts.AxisOpts(name="评论数") ) line.render("sentiment_trend.html") def generate_wordcloud(texts, stopwords): """生成评论关键词词云""" words = [] for text in texts: words.extend([w for w in jieba.lcut(text) if w not in stopwords and len(w) > 1]) counter = Counter(words) top_words = counter.most_common(100) wc = WordCloud() wc.add("", top_words, word_size_range=[15, 80]) wc.set_global_opts(title_opts=opts.TitleOpts(title="评论关键词词云")) wc.render("sentiment_wordcloud.html")这三个图表覆盖了运营最关心的三个维度：整体情感比例、时间变化趋势、高频关键词。饼图看全局，折线图看趋势，词云看具体问题点。生成的都是独立 HTML 文件，可以直接嵌入后台系统，也可以单独打开查看。
提示：词云的分词结果建议先做一次人工检查，去掉酒店名称、品牌词等无分析价值的干扰项。
5. 避坑与排查：酒店评论情感分析常见的五个翻车点
5.1 标注数据不均衡导致模型偏袒好评
现象：模型在测试集上准确率 90%，但上线后发现差评几乎全被误判为好评。原因：酒店评论天然好评多差评少，如果训练集正负比 9:1，模型只要全猜正面就能拿 90% 准确率。解决：训练时设置class_weight="balanced"，或者在采样阶段对少数类做过采样（SMOTE），或者手动补充差评样本。评估指标不要只看准确率，重点看负面类的召回率。
5.2 分词粒度不当导致情感信号丢失
现象：“不推荐”被分成“不”和“推荐”，模型看到“推荐”判为正面。原因：jieba 默认分词不会合并否定词和后续词。解决：在分词后加一层规则，把否定词和程度副词与后续词合并，或者使用jieba.add_word("不推荐")手动添加领域词典。更彻底的做法是维护一份酒店领域自定义词典，把“隔音差”“床品舒适”“前台态度好”这类高频组合加进去。
5.3 模型上线后效果衰减
现象：模型刚上线时效果不错，三个月后准确率明显下降。原因：酒店评论的语言风格会变化，新的网络用语、新的服务问题会出现，模型没见过这些表达。解决：建立定期更新机制，每月抽一批新评论做人工标注，加入训练集重新训练。同时监控线上预测的置信度分布，如果大量预测置信度集中在 0.5-0.6 之间，说明模型对新数据不确定，需要更新。
5.4 Flask 接口并发性能不足
现象：批量预测 100 条评论时接口响应超过 10 秒，并发请求直接超时。原因：Flask 默认单线程，且逐条预测没有批处理优化。解决：生产环境用 gunicorn 多 worker 部署，批量接口内部用vectorizer.transform一次性向量化所有文本，再一次性clf.predict，比循环单条预测快 5-10 倍。如果量级更大，考虑上 Redis 做结果缓存。
5.5 情感分析结果与业务理解脱节
现象：模型判为负面的评论，运营看了觉得不是问题；模型判为正面的，运营觉得是隐患。原因：情感极性不等于业务价值。“房间有点旧但服务很好”整体偏正面，但“旧”这个信息对运营很重要。解决：在情感分析之外，加一层关键词提取和主题分类，把评论拆成“设施”“服务”“位置”“餐饮”等维度，每个维度单独做情感判断。这样运营能看到具体哪个维度出了问题，而不是只有一个笼统的正负面标签。
6. 进阶技巧：用置信度阈值做差评预警
模型输出的是一个 0 到 1 之间的概率值，默认以 0.5 为分界。但实际业务中，0.5 附近的结果最不可靠，真正有价值的是那些模型非常确定的差评。我一般会设一个预警阈值，比如置信度大于 0.85 的负面评论直接推送给运营，0.6 到 0.85 之间的进入人工复核队列，低于 0.6 的暂时忽略。
def alert_system(text, clf, vectorizer, threshold_high=0.85, threshold_low=0.6): """差评预警分级""" cleaned = clean_text(text) segmented = " ".join(jieba.lcut(cleaned)) vec = vectorizer.transform([segmented]) label = clf.predict(vec)[0] proba = clf.predict_proba(vec)[0] confidence = max(proba) if label == 0 and confidence >= threshold_high: return {"level": "紧急", "action": "立即推送运营", "confidence": confidence} elif label == 0 and confidence >= threshold_low: return {"level": "关注", "action": "加入人工复核队列", "confidence": confidence} elif label == 0: return {"level": "低", "action": "暂不处理", "confidence": confidence} else: return {"level": "正常", "action": "无需处理", "confidence": confidence}这个分级策略的好处是：运营的精力有限，不可能处理所有差评，优先处理模型最确定的那些，效率最高。阈值怎么定？我的经验是拿一批历史评论跑一遍，看模型在哪个置信度区间开始出现明显误判，把阈值设在误判率开始上升的位置。不同酒店的数据分布不同，阈值需要根据实际数据调，没有万能值。
还有一个技巧是定期用新数据做一次“影子测试”——把新评论同时跑一遍线上模型和最新训练的模型，对比两者判断不一致的样本，人工看看到底哪个对。这些不一致的样本往往就是模型需要改进的方向。我自己的习惯是每个月做一次，坚持了半年，模型准确率从最初的 82% 提到了 91%。这个过程没有捷径，就是持续迭代。希望帮到你。
本文还有配套的精品资源，点击获取
