简介：这是一套面向高校计算机相关专业学生的Python课程设计资源，主题为酒店评论情感分析系统，适合作为期末大作业、课程设计或毕业设计的参考范例，也便于编程初学者理解文本情感分析的实现原理。压缩包共28个文件，约4.42MB，包含2个py源码文件、14个txt情感词典与停用词表、1个docx技术文档、1个pptx结题报告、2个rar语料包及若干备份文件，源码结构清晰且关键算法配有中文注释。系统集成了数据预处理、特征提取、模型训练与情感分类等完整流程，并配有交互界面，下载后经简易配置即可运行。目前已有32人学习下载，读者可从中获得完整项目源码、情感词典资源、技术文档与演示文稿，快速掌握酒店评论文本情感倾向分析的整体实现思路。
1. 从一份酒店评论情感分析源码说起：它到底能跑出什么结果
打开这份基于Python的酒店评论情感分析（源码+文档）.zip，第一眼看到的不是某个高大上的深度学习模型，而是一堆词典文件：posdict.txt、negdict.txt、ishdict.txt、insufficientdict.txt、mostdict.txt、verydict.txt，外加四份停用词表。这套组合拳说明它走的是基于情感词典的规则打分路线，不是 BERT 微调，也不是 LSTM 训练。对课程设计和期末大作业来说，这反而是最务实的选择——不需要 GPU，不需要标注几万条数据，装好 Python 就能跑，答辩时还能把打分逻辑一行行讲清楚。
它能解决的核心问题很具体：给一条酒店评论，比如“房间干净，但隔音太差，前台态度还行”，输出一个情感倾向分数，并判定为正面、负面或中性。配套的emotion_score.py负责打分，run.py负责调度，wordcloud.jpg和酒店评论情感分析.pptx说明它还做了词云可视化和答辩演示。适合谁？正在找 Python 课程设计题目的本科生、想快速理解文本情感分析完整链路的自学者，以及需要一份可讲、可改、可扩展的参考实现的开发者。下面我按实际拆包和复现的顺序，把这份资源从环境配置讲到参数调优。
2. 环境配置与项目结构：把 zip 跑起来需要几步
2.1 依赖安装与 Python 版本选择
这份源码没有附带requirements.txt，这是第一个需要自己补的地方。从代码里用到的库来看，核心依赖是jieba做中文分词，matplotlib和wordcloud做可视化，pandas和numpy做数据处理。Python 版本建议用 3.8 到 3.10，太新的版本在某些老库上容易出兼容问题。
# 创建虚拟环境，避免污染全局包 python -m venv hotel_sentiment_env # Windows 激活 hotel_sentiment_env\Scripts\activate # macOS / Linux 激活 source hotel_sentiment_env/bin/activate # 安装核心依赖 pip install jieba pandas numpy matplotlib wordcloud这里有个细节：wordcloud在 Windows 上安装时经常因为缺少 C++ 编译环境而失败。常见做法是先去下载对应的.whl文件本地安装，或者直接用pip install wordcloud --only-binary=:all:强制走预编译包。如果只是跑情感打分、暂时不需要词云，可以先跳过wordcloud，不影响emotion_score.py和run.py的主流程。
jieba的安装通常没问题，但要注意它首次运行时会构建前缀词典缓存，大概需要几秒到十几秒。如果卡在“Building prefix dict”不动，不是死机，等它跑完就行。后续再运行就会走缓存，速度快很多。
2.2 目录结构与文件职责
解压后的目录里，文件可以分成四类，理清楚之后改代码就不会迷路：
| 类别 | 文件 | 作用 |
|---|---|---|
| 入口脚本 | run.py | 主调度，读取评论、调用打分、输出结果 |
| 核心算法 | emotion_score.py | 分词、词典匹配、情感分数计算 |
| 情感词典 | posdict.txt、negdict.txt、mostdict.txt、verydict.txt、ishdict.txt、insufficientdict.txt、inversedict.txt | 定义正面词、负面词、程度副词、否定词、反义词 |
| 停用词表 | htu_stopword.txt、哈工大停用词表.txt、中文停用词库.txt、stopword.txt、四川大学机器智能实验室停用词库.txt | 过滤无意义词 |
| 数据与文档 | neg.rar、pos.rar、酒店评论情感分析.docx、酒店评论情感分析.pptx | 正负样本评论、技术文档、答辩 PPT |
neg.rar和pos.rar里应该是正负面评论语料，解压后可以用来测试打分效果。README.md和README.md.zbak是说明文件的备份，.zbak后缀的文件是原始备份，改坏了可以拿回来对照。
注意：
ishdict.txt、inversedict.txt、insufficientdict.txt这几个文件在目录里出现了两次，一次带.zbak后缀。带.zbak的是备份，代码实际读取的是不带后缀的版本。如果你修改了词典导致结果异常，直接用.zbak文件覆盖回去就能恢复。
2.3 首次运行与结果验证
环境装好后，先别急着改代码，用原始状态跑一遍，确认基线结果。假设run.py的入口逻辑是读取某个评论文件并输出分数，典型运行方式：
# 在项目根目录下运行 python run.py如果run.py需要指定输入文件，常见写法是：
python run.py --input pos.rar解压后的评论.txt --output result.csv具体参数名以run.py里的argparse或sys.argv定义为准。跑完之后重点看两个东西：一是控制台有没有报KeyError或UnicodeDecodeError，二是输出的情感分数分布是否合理。如果所有评论都被判成中性，大概率是词典路径没对上，或者分词结果和词典条目没有匹配上。
验证方法很简单：手动构造三条评论——纯正面“服务很好，房间干净整洁”、纯负面“隔音差，卫生堪忧，不会再住”、混合“位置不错，但设施老旧”。跑一遍看分数是否呈现正、负、接近零的分布。如果纯正面和纯负面分数差不多，说明否定词或程度副词的处理逻辑有问题，需要进emotion_score.py排查。
3. 情感打分核心逻辑：词典匹配、否定词与程度副词怎么协同
3.1 分词与停用词过滤
中文情感分析的第一步永远是分词。这份源码用jieba做切分，然后用停用词表过滤掉“的”、“了”、“是”这类对情感判断没有贡献的词。停用词表有四份，来源不同，覆盖范围略有差异。常见做法是把它们合并成一个集合，去重后使用。
import jieba def load_stopwords(stopword_files): """加载多份停用词表并合并去重""" stopwords = set() for filepath in stopword_files: with open(filepath, 'r', encoding='utf-8') as f: for line in f: word = line.strip() if word: stopwords.add(word) return stopwords # 四份停用词表合并 stopword_files = [ 'stopwords/htu_stopword.txt', 'stopwords/哈工大停用词表.txt', 'stopwords/中文停用词库.txt', 'stopwords/stopword.txt' ] stopwords = load_stopwords(stopword_files) def segment(text): """分词并过滤停用词""" words = jieba.lcut(text) return [w for w in words if w not in stopwords and len(w.strip()) > 0]这段代码的逻辑是：先加载所有停用词到内存，分词后逐个过滤。参数len(w.strip()) > 0是为了去掉空白字符。注意jieba.lcut返回的是列表，如果评论量很大，可以考虑用jieba.lcut_for_search提高召回，但会增加计算量。停用词表不是越多越好，过度过滤可能把“不”这种关键否定词也删掉——检查一下四份停用词表里有没有包含“不”、“没”、“无”，如果有，需要在过滤前把它们从停用词集合中移除。
3.2 情感词典的加载与匹配策略
情感词典是这套系统的灵魂。posdict.txt和negdict.txt分别存正面词和负面词，mostdict.txt（大多数）、verydict.txt（非常）、ishdict.txt（稍许）、insufficientdict.txt（不够）是程度副词，inversedict.txt是否定词。打分的基本思路是：遍历分词结果，遇到情感词就查词典拿基础分，遇到程度副词就乘系数，遇到否定词就翻转极性。
def load_dict(filepath): """加载词典文件，每行一个词""" with open(filepath, 'r', encoding='utf-8') as f: return set(line.strip() for line in f if line.strip()) pos_dict = load_dict('posdict.txt') neg_dict = load_dict('negdict.txt') most_dict = load_dict('mostdict.txt') # 程度：大多数，系数 1.5 very_dict = load_dict('verydict.txt') # 程度：非常，系数 1.8 ish_dict = load_dict('ishdict.txt') # 程度：稍许，系数 0.8 insufficient_dict = load_dict('insufficientdict.txt') # 程度：不够，系数 0.6 inverse_dict = load_dict('inversedict.txt') # 否定词，翻转极性 # 程度副词系数映射 degree_map = {} for w in most_dict: degree_map[w] = 1.5 for w in very_dict: degree_map[w] = 1.8 for w in ish_dict: degree_map[w] = 0.8 for w in insufficient_dict: degree_map[w] = 0.6这里的关键参数是程度系数。1.5、1.8、0.8、0.6 这组值是常见经验值，不是唯一解。如果你发现“非常差”和“差”的分数差距不够大，可以把very_dict的系数调到 2.0；如果“稍许不满”被过度放大，把ish_dict降到 0.5。调参的依据是验证集上的准确率，不是拍脑袋。
3.3 打分函数与否定词窗口
打分函数的核心难点在于否定词的作用范围。比如“不是很好”，否定词“不”修饰的是“好”，应该翻转成负面。但“不是不好”双重否定又变回正面。常见做法是维护一个否定词计数，遇到情感词时根据计数奇偶决定是否翻转。
def score_sentence(words): """对分词后的列表进行情感打分""" score = 0 neg_count = 0 # 否定词计数 for i, word in enumerate(words): if word in inverse_dict: neg_count += 1 continue if word in pos_dict or word in neg_dict: base = 1.0 if word in pos_dict else -1.0 # 检查前一个词是否是程度副词 if i > 0 and words[i-1] in degree_map: base *= degree_map[words[i-1]] # 否定词翻转 if neg_count % 2 == 1: base = -base score += base neg_count = 0 # 情感词消费掉否定词 return score这段代码里，neg_count在遇到情感词后被重置，意味着否定词只影响最近的一个情感词。这是简化处理，实际语言中否定词可能跨多个词起作用，比如“不算是特别好”。如果要更精细，可以设置一个窗口大小，比如否定词后 3 个词内都受影响。但窗口越大，误判风险越高。我一般会先用窗口为 1 的版本跑基线，再根据错误案例决定是否扩大。
提示：
emotion_score.py里如果有if __name__ == '__main__'块，可以直接单独运行它来测试打分函数，不用每次都走run.py的全流程。调试阶段这样效率更高。
4. 避坑与排查：词典路径、编码和分数异常怎么处理
4.1 词典文件读取报 UnicodeDecodeError
现象：运行run.py时抛出UnicodeDecodeError: 'gbk' codec can't decode byte...，程序中断。
原因：Windows 中文环境下，Python 默认用 GBK 编码打开文件，但词典文件实际是 UTF-8 编码。open()函数没有显式指定encoding='utf-8'时就会翻车。
解决：把所有open()调用统一加上encoding='utf-8'。如果某个文件确实是 GBK 编码，用chardet检测后单独处理。批量修改可以用编辑器全局替换open(为open(..., encoding='utf-8')，但注意不要改到二进制文件的读取。
4.2 所有评论得分都是 0 或接近 0
现象：跑完pos.rar和neg.rar里的评论，发现正面和负面的分数没有明显区分，大量结果为 0。
原因：最常见的是词典路径不对，load_dict读到了空集合。其次是分词结果和词典条目粒度不一致，比如词典里是“干净”，分词结果是“干”、“净”分开。
解决：在load_dict后加一行print(f'{filepath}: {len(result)} words')，确认每个词典加载了多少词。正常情况posdict.txt应该有几百到上千条。如果输出是 0，检查路径是相对路径还是绝对路径——run.py的工作目录和emotion_score.py的工作目录可能不同。粒度问题可以用jieba.add_word('干净')把领域词加进自定义词典。
4.3 否定词导致情感极性判断反了
现象：“不推荐”被判成正面，“不是很好”被判成强正面。
原因：否定词表inversedict.txt不完整，或者否定词计数逻辑有 bug。比如“不”和“推荐”之间隔了其他词，neg_count在遇到“推荐”之前被重置了。
解决：先检查inversedict.txt里有没有“不”、“没”、“无”、“非”、“莫”、“勿”这些常见否定词。然后检查score_sentence里neg_count的重置时机——只在遇到情感词后重置，遇到其他词不重置。如果否定词和情感词之间隔了程度副词，比如“不是很满意”，程度副词“很”会先被处理，但neg_count仍然保留，这个顺序是对的。
4.4 词云生成中文显示为方块
现象：wordcloud.jpg重新生成时，中文全部变成方框。
原因：wordcloud默认字体不支持中文，需要指定中文字体路径。
解决：在WordCloud构造函数里加font_path参数，指向系统里的中文字体文件。Windows 常见路径是C:\Windows\Fonts\simhei.ttf，macOS 是/System/Library/Fonts/PingFang.ttc。如果找不到字体，把酒店评论情感分析.docx里用到的字体文件复制到项目目录也行。
4.5 备份文件 .zbak 被误读
现象：修改词典后结果异常，想恢复但不知道原始文件在哪。
原因：目录里同时存在ishdict.txt和ishdict.txt.zbak，代码读取的是不带后缀的版本，但手动改错了没有备份。
解决：.zbak文件就是后悔药。直接用copy ishdict.txt.zbak ishdict.txt覆盖回去。建议在改任何词典之前，先手动复制一份到backup/目录，命名带上日期，比如posdict_20250101.txt。这样即使.zbak也被覆盖了，还有第二层保险。
5. 从课程设计到可展示成果：词云、PPT 与分数分布调优
5.1 用词云把情感分析结果可视化
词云是答辩时最直观的展示手段。wordcloud.jpg已经有一张现成的图，但如果你想用自己的数据重新生成，可以按下面的方式做。核心思路是：把正面评论和负面评论分开，分别生成词云，对比哪些词在正面中出现频率高、哪些在负面中出现频率高。
from wordcloud import WordCloud import matplotlib.pyplot as plt import jieba def generate_wordcloud(texts, stopwords, font_path, output_path): """生成词云并保存""" # 合并所有文本并分词 all_words = [] for text in texts: words = jieba.lcut(text) all_words.extend([w for w in words if w not in stopwords and len(w) > 1]) # 用空格连接，WordCloud 需要字符串输入 text_joined = ' '.join(all_words) wc = WordCloud( font_path=font_path, # 中文字体路径，必须指定 width=800, height=600, background_color='white', max_words=100, # 最多显示 100 个词 collocations=False # 避免重复词组合 ) wc.generate(text_joined) wc.to_file(output_path) print(f'词云已保存到 {output_path}') # 使用示例 font = 'C:/Windows/Fonts/simhei.ttf' # 根据系统调整 generate_wordcloud(pos_texts, stopwords, font, 'pos_wordcloud.png') generate_wordcloud(neg_texts, stopwords, font, 'neg_wordcloud.png')参数max_words控制显示词数，太多会显得杂乱，100 到 150 比较合适。collocations=False很重要，否则wordcloud会自动把相邻词组合成短语，中文场景下容易产生无意义的组合。生成两张图后，正面词云里“干净”、“方便”、“满意”会比较大，负面词云里“吵”、“旧”、“差”会比较突出，答辩时一眼就能看出区分度。
5.2 分数分布验证与阈值调整
情感分析系统最终要给出分类结果，通常需要一个阈值：分数大于某个值判正面，小于某个值判负面，中间判中性。这个阈值不是固定的，需要根据你的数据分布来调。
import pandas as pd def evaluate_threshold(scores, labels, threshold_range): """遍历阈值范围，找最佳分类阈值""" best_acc = 0 best_th = 0 for th in threshold_range: preds = [] for s in scores: if s > th: preds.append(1) # 正面 elif s < -th: preds.append(-1) # 负面 else: preds.append(0) # 中性 acc = sum(1 for p, l in zip(preds, labels) if p == l) / len(labels) if acc > best_acc: best_acc = acc best_th = th return best_th, best_acc # 假设 scores 是打分结果列表，labels 是人工标注的标签 # threshold_range 从 0.5 到 3.0，步长 0.1 thresholds = [x * 0.1 for x in range(5, 31)] best_th, best_acc = evaluate_threshold(scores, labels, thresholds) print(f'最佳阈值: {best_th}, 准确率: {best_acc:.2%}')这段代码的逻辑是：遍历一系列阈值，对每个阈值计算分类准确率，取最高的那个。threshold_range的范围要根据你的打分尺度来定——如果单条评论分数普遍在 -5 到 5 之间，阈值从 0.5 到 3.0 就够了。如果分数普遍偏小，比如 -2 到 2，阈值范围要相应缩小。跑完这个评估，你会得到一个数据驱动的阈值，比拍脑袋定 0 或 1 靠谱得多。
5.3 答辩 PPT 里该放什么
酒店评论情感分析.pptx已经提供了模板，但内容需要根据你的实际运行结果更新。我一般会放四页核心内容：第一页放系统架构图，说明数据从评论输入到分数输出的完整链路；第二页放词典匹配的示例，拿一条真实评论逐词标注哪些是情感词、哪些是程度副词、哪些是否定词；第三页放分数分布直方图，展示正面和负面评论的分数分离程度；第四页放词云对比图，正面一张、负面一张。
如果老师问“为什么不用深度学习”，回答思路是：课程设计的核心目标是理解情感分析的基本原理和完整流程，词典方法每一步都可解释、可调试，适合在有限时间内完成并讲清楚。深度学习需要标注数据和 GPU 资源，对于这个规模的任务来说性价比不高。这个回答既诚实又体现了工程判断力。
从那以后我每次拿到带词典的情感分析项目，都会先跑一遍基线、再手动构造边界案例测试否定词逻辑、最后用分数分布验证阈值合理性，这三步走完基本不会在答辩时被问倒。希望这份拆解能帮你把这份酒店评论情感分析系统顺利跑起来，改出属于自己的版本。
本文还有配套的精品资源，点击获取
