简介：这套基于深度学习的电影评论情感分析系统，是一份面向 Python 初学者、毕业设计及课程实践的完整项目源码包。项目采用 Python 搭建后台逻辑，配合 HTML、CSS、JavaScript 前端页面，具备电影评论采集、情感分类、结果展示等完整流程，界面直观、操作简单，适合快速理解深度学习模型在文本分类中的落地方式。压缩包共 290 个文件，涵盖 Python 源码、数据库脚本、预训练模型与数据文件，并包含大量 GIF 演示录屏、前端资源及说明文档；整套资源约 122.97MB，目录结构清晰，便于按模块查阅。已有 136 人浏览学习。项目经过严格调试，在 PyCharm 中安装相关依赖后即可运行，同时附带数据库脚本、工具软件与部署说明，能帮助读者省去环境搭建和排错时间；内置真实影评数据与训练后的模型权重，可从数据预处理一直走到情感预测，适合在此基础上做界面二次开发或算法调优。
1. 别急着解压：这套影评情感分析源码包到底能给你什么
别急着解压这个《基于深度学习的电影评论情感分析系统（完整源码+说明）.zip》，你先得想清楚一个问题：你拿到的是一个完整方案，不是一个开箱即用的产品。压缩包里的东西通常是这么一套——数据清洗脚本、文本转序列的预处理代码、一个深度学习分类模型、训练和评估脚本，外加一份说明文档。它能解决“给一段影评自动判断正负面”这个具体问题，也能当成 python 入门后的第一个完整深度学习项目来学。课程设计选型、毕业设计找方向、或者需要在产品里快速搭情感分析基线的工程师，都能从这套结构里找到可复用的骨架。至于值不值得动手，取决于你想跑到什么深度——是把 train.py 跑通，还是想把它换到中文影评上做出自己的结果。
2. 深浅模型怎么选：把影评判断成情感标签的决策过程
压缩包源码的价值一半在数据流程，另一半在模型结构。很多人解压之后第一反应是想换模型，但换之前得先弄清楚一件事：影评情感分析到底难在哪里，为什么非要走深度学习这一条路。
2.1 词袋模型为什么先出局：否定句与语义反转是分界线
情感分析最朴素的做法是词袋加逻辑回归：把每条影评展开成一个词频向量，看“good”“awful”“boring”这些词各出现多少次，然后交给线性分类器。这个方案不是不能跑，随便一个公开影评数据集都能做到 80% 出头的准确率，但它会在固定的一类句子上稳定翻车：否定和转折。“not bad”和“bad”在词袋视角里几乎一样，词频向量里 bad 的计数都是 1，可前者是轻微褒义，后者是明确贬义；再遇到“出乎意料地好看”“本来以为很闷，结果二刷了”这类前半句和后半句情绪相反的结构，词袋模型彻底没辙，因为它丢掉了词序和组合语义。
深度学习这条路线解决的核心问题是“组合性”。嵌入层先把每个词映射成稠密向量，再用卷积或循环网络把词序信息吸收进来；影评这种一两百词到三四百词、句子结构偏口语化的文本，正好落在“词序信息对情感判断影响很大”的区间里。这也是为什么现在做影评情感分析几乎没有人在单独的词袋上做文章了，大家默认从预训练词向量或者随机初始化嵌入层开始。这个落点，就是“深度学习算法”在文本分类任务里的标准形态。
2.2 三条主流实现路线：TextCNN、BiLSTM、BERT 怎么选
源码包里常见的模型实现就三类，选型逻辑也不复杂。
TextCNN 是“深度学习 cnn”思路的直接应用：把不同宽度的卷积核套在词嵌入序列上，提取“good but boring”“waste of time”这类局部 n-gram 特征。它的优点是训练速度快、显存占用低、在句子级分类任务上往往不输复杂模型，作为第一个能跑的 baseline 非常合适。代价是感受野有限，对超过卷积核长度的长距离语义关系感知偏弱。
BiLSTM 用双向循环网络读整段影评，正向读一遍、反向读一遍，输出的隐状态拼接起来作为整句表示。它对长距离信息的保留比 TextCNN 好，“前面铺垫、后面反转”这种结构能接得住，影评这种中等长度文本是它发挥最稳的场景。缺点是训练速度比 TextCNN 慢，而且对“反语”依然无能为力。
BERT 的差距主要体现在小样本和语义歧义上——比如“这电影确实‘精彩’到让我睡了一整场”，带引号的讽刺让 BiLSTM 大概率判成正面，BERT 能结合上下文识别出这是反话。但代价是显存和推理时间：4G 显存的卡跑 BERT-base 微调非常勉强，而 BiLSTM 在 CPU 上也能完成推理。
| 模型 | 训练速度 | 显存压力 | 影评长文本 | 反语/讽刺 | 适用定位 |
|---|---|---|---|---|---|
| TextCNN | 快 | 低 | 一般 | 弱 | baseline 与快速验证 |
| BiLSTM | 中 | 中 | 较好 | 弱 | 常规训练与轻量部署 |
| BERT | 慢 | 高 | 好 | 较强 | 高精度要求且有显卡 |
我的选择原则是：数据量少于两万条、需要在 CPU 机器上做推理、显存有限，这三个条件命中任何一个就从 BiLSTM 起步；显存充足且确实要冲效果，再上 BERT 做微调。TextCNN 通常只用来做一轮 baseline，方便判断深度学习有没有把问题解决。
2.3 打开压缩包之后的第一件事：核对说明文档，而不是直接跑 train.py
既然交付形态是“完整源码+说明”，那么解压后的第一步不是把 train.py 扔进终端，而是打开那份说明文档，定位五个信息：Python 版本是多大的、深度学习框架是 PyTorch 还是 TensorFlow、依赖清单 requirements.txt 齐不齐、数据集格式是 csv 还是 tsv、情感标签字段叫什么名字。我见过不止一个案例，环境装的是新版 Python，源码是两年前的 TensorFlow 1.x 写法，pip 安装依赖直接崩，问题根本不在代码，而是没先读说明文档。
接下来建议在项目根目录跑一遍pip install -r requirements.txt或pip install -e .，装完依赖后先不训练，优先确认数据能否正确加载。顺序应该是：数据加载脚本跑通，再跑预处理，最后才把训练脚本挂上去。很多源码包的问题不是模型，而是数据路径写死、相对路径和当前工作目录不一致这类小事。
3. 数据准备：原始影评变成训练集只差这两步
模型决定上限不假，但影评情感分析这种任务里，数据流程决定的是“模型能不能真正学到东西”。这一步没做对，后面全是白费。
3.1 标签生成规则：评分到情感标签的映射边界
影评数据最常见的原始形态是四列：评论文本、评分、时间和点赞数。情感分析需要先把评分压缩成标签。二分类一般以中位数或固定阈值为界：大部分英文数据集以 6 分为界，分数大于等于 7 是正面，小于等于 4 是负面，5 分和 6 分可以丢掉，或者归到 neutral 做三分类。中文短评的做法类似，三星以上偏正面、两星以下偏负面，三星视情况处理。标签映射规则直接决定了样本噪声水平，比模型本身更容易引入误差。
我习惯在进入训练前先做一次“人工抽查”，方法很简单：按标签分组各打印 20 条样本，肉眼看一遍有没有“评分很低但文本明显是褒义”这类冲突数据。这个步骤代码量很小，却是标注环节最常见的检查动作。
import pandas as pd df = pd.read_csv("movie_reviews.csv") # 假设原始数据里有 score 字段，先映射成 label df["label"] = df["score"].apply(lambda s: 1 if s >= 7 else (0 if s <= 4 else None)) df = df.dropna(subset=["label"]).reset_index(drop=True) # 按标签分层抽样，人工核对文本与标签是否一致 for label in [0, 1]: samples = df[df["label"] == label]["text"].head(20) print(f"----- label={label} -----") for s in samples: print(s[:80])这段代码把评分映射到了二分类标签，规则写在 apply 的 lambda 里。score >= 7算正面、score <= 4算负面，中间档直接丢掉的写法在数据充足时很常见，可以避免让模型学习“模糊地带”。如果后续想换成三分类，只需要把 None 改成 2，并把模型输出层节点数改成 3。分层抽样打印是核对标签噪声的廉价办法，20 条足够了，重点看边界样本是否真的属于该类别。
3.2 清洗与序列化：中英文影评的两套处理手法
清洗这一步，中英文做法完全不同。英文保持原语言，按空格切分 token，不需要额外引入分词器；中文要做分词，常见做法是用 jieba。通用环节包括去 HTML 标签、去超链接、去特殊符号、统一小写。这里有一个情感分析特有的坑：not、no、never、but、however 这类否定词和转折词绝对不能进停用词表，否则 “not good” 被洗成 “good”，语义直接反向。
我早期在停用词表上翻过一次车，清洗完的准确率比不清洗还低，查了半天才发现是停用词表把否定词全吃掉了。所以为情感分析项目准备停用词表时，要么不保留停用词表，要么特意检查一遍词表里有没有否定词。
import re import jieba # 仅中文需要 # 英文清洗：保留字母、统一小写、按空格分词 def clean_en(text: str) -> str: text = re.sub(r"<.*?>", " ", text) # 去 HTML 标签 text = re.sub(r"http\S+", " ", text) # 去链接 text = re.sub(r"[^a-zA-Z\s]", " ", text) # 去数字和特殊符号 return " ".join(text.lower().split()) # 中文清洗：去掉非中文字符后做分词 def clean_zh(text: str) -> str: text = re.sub(r"<.*?>", " ", text) text = re.sub(r"[^\u4e00-\u9fa5a-zA-Z0-9]", " ", text) return " ".join(jieba.cut(text))这里要说明几个处理细节。re.sub(r"<.*?>", ...)用的是非贪婪匹配，避免把两个标签之间的正文一并删掉，转换为空格而不是空字符串是为了防止前后单词粘连。英文清洗里[^a-zA-Z\s]会把数字也去掉，这对影评问题影响不大，因为“第 3 季”“2024”这类内容对情感判断基本没有贡献。中文分词后同样按空格拼接，目的是让下游的序列化逻辑对中英文完全一致。
文本清洗完之后，进入序列化：构建词表、把每条影评转成 id 列表、统一长度。
from collections import Counter VOCAB_SIZE = 50000 MAX_LEN = 128 def build_vocab(texts): counter = Counter() for t in texts: counter.update(t.split()) # 保留出现频率最高的前 VOCAB_SIZE-2 个词，预留 PAD 和 UNK 的位置 top_words = [w for w, _ in counter.most_common(VOCAB_SIZE - 2)] vocab = {w: i + 2 for i, w in enumerate(top_words)} vocab["<PAD>"] = 0 vocab["<UNK>"] = 1 return vocab def encode(text: str, vocab: dict): tokens = [vocab.get(w, vocab["<UNK>"]) for w in text.split()] tokens = tokens[:MAX_LEN] # 超长截断 tokens = tokens + [0] * (MAX_LEN - len(tokens)) # 短则补 PAD return tokens词表设计的重点是 PAD 和 UNK 各占一个独立 id，所以真正参与训练的词只有VOCAB_SIZE - 2个。<PAD>固定为 0，<UNK>固定为 1，这样不会出现“未知词恰好撞上 PAD id”的问题。编码时vocab.get(w, vocab["<UNK>"])保证任何没进词表的词都能落回 UNK，而不是报 KeyError。截断优先保留了影评开头 128 个 token——对情感判断来说，开头通常会交代态度，这个截断策略在实践中够用。MAX_LEN 的值要和后面模型配置保持一致，改了这个值，训练和预测两边的预处理都得同步改，这也是源码包里说明文档应当写清楚的联动参数。
4. 训练一个可用的情感分类器：核心代码与参数含义
数据流程就绪之后，进入整个源码包的核心：训练。这里以 BiLSTM 为例，把模型定义、训练循环和参数调整路径完整讲一遍。
4.1 以 BiLSTM 为例：模型定义与训练循环
之所以拿 BiLSTM 做讲解对象，是因为它在影评这类中等长度文本上有比较好的性价比，CPU 也能完成推理，源码包的说明文档里大概率也是以这类模型为主。模型定义的关键点在嵌入层和双向隐状态的拼接。
import torch import torch.nn as nn class BiLSTMSentiment(nn.Module): def __init__(self, vocab_size, embedding_dim=100, hidden_dim=128, num_layers=2, num_classes=2, dropout=0.3): super().__init__() self.embedding = nn.Embedding(vocab_size, embedding_dim, padding_idx=0) self.lstm = nn.LSTM(embedding_dim, hidden_dim, num_layers, batch_first=True, bidirectional=True, dropout=dropout) self.classifier = nn.Sequential( nn.Dropout(dropout), nn.Linear(hidden_dim * 2, 64), nn.ReLU(), nn.Dropout(dropout), nn.Linear(64, num_classes), ) def forward(self, x): # x: [batch, seq_len] 的 token id emb = self.embedding(x) # [batch, seq_len, embedding_dim] out, (hn, _) = self.lstm(emb) # hn: [num_layers*2, batch, hidden_dim] # 取最后一层的前向与反向隐状态，拼接成整句表示 last_hidden = torch.cat((hn[-2], hn[-1]), dim=1) logits = self.classifier(last_hidden) return logits这段代码有两处容易写错的细节。第一，padding_idx=0让 PAD 对应的嵌入向量在反向传播时梯度恒为 0，不会因为填充符参与计算而拉偏词向量；如果漏掉这个参数，PAD token 的嵌入会跟着模型一起学，给短样本引入无意义信号。第二，双向 LSTM 的hn形状是[num_layers*2, batch, hidden_dim]，顺序按“第 0 层前向、第 0 层反向、第 1 层前向、第 1 层反向”排布，所以hn[-2]和hn[-1]恰好是最后一层的前向、反向隐状态，拼接后维度是hidden_dim * 2，分类器第一层线性层的输入维度必须与此一致。如果你用的是单层 LSTM，那hn[-2]就不成立，得改成torch.cat((hn[0], hn[1]), dim=1)，这是按代码改设备时最容易踩的雷。
训练循环里需要重点盯住两个机制：梯度裁剪和模型保存。
EPOCHS = 10 optimizer = torch.optim.AdamW(model.parameters(), lr=1e-3, weight_decay=1e-4) criterion = nn.CrossEntropyLoss() from sklearn.metrics import f1_score best_f1 = 0.0 for epoch in range(1, EPOCHS + 1): model.train() total_loss = 0.0 for batch_x, batch_y in train_loader: optimizer.zero_grad() logits = model(batch_x) loss = criterion(logits, batch_y) loss.backward() nn.utils.clip_grad_norm_(model.parameters(), 0.5) # 梯度裁剪，防RNN梯度爆炸 optimizer.step() total_loss += loss.item() model.eval() preds, labels = [], [] with torch.no_grad(): for batch_x, batch_y in val_loader: logits = model(batch_x) preds.extend(torch.argmax(logits, dim=1).tolist()) labels.extend(batch_y.tolist()) f1 = f1_score(labels, preds, average="binary") print(f"epoch={epoch} loss={total_loss / len(train_loader):.4f} val_f1={f1:.4f}") if f1 > best_f1: best_f1 = f1 torch.save({ "model": model.state_dict(), "vocab": vocab, "config": {"vocab_size": len(vocab), "embedding_dim": 100, "hidden_dim": 128, "num_layers": 2}, }, "best_model.pt")weight_decay=1e-4就是 L2 正则化在 PyTorch 里的落地写法，它和后面第 5 章要讲的过拟合排查直接相关。clip_grad_norm_把梯度范数裁剪到 0.5，BiLSTM 在影评这种百词级序列上很容易累积出超大梯度，不裁的话训练中期 loss 会突然跳成 nan。模型保存这里（也就是常说的“深度学习 l2 正则化 pytorch 代码”那类问题的高频出现位置）必须把vocab一起存进去，否则预测阶段重新构建词表时 id 对不上，加载模型直接报维度不匹配。
评价指标用f1_score而不是准确率，是因为电影评论数据集常出现正负样本不均衡，准确率在样本比例悬殊时非常具有欺骗性。保存权重的时候看 F1，训练打印时同时参考 loss 和 F1，两条曲线都不动才是真的没学好。
4.2 训练参数对照表：从学习率到 L2 正则化的调整顺序
拿到源码包后，修改频率最高的就是下面这几个参数。每个参数都不是孤立存在，调整时遵循固定顺序才能避免调参像玄学。
| 参数 | 常见取值 | 低配置调整建议 | 主要影响 |
|---|---|---|---|
| learning_rate | 1e-3 | 降到 3e-4 或 5e-4 | 收敛速度与稳定性 |
| batch_size | 64 | 降到 16 或 32 | 显存占用与梯度稳定 |
| embedding_dim | 100 | 300 效果更好，但显存线性上升 | 词向量表达能力 |
| hidden_dim | 128 | 256 适合长文本，CPU 训练慎用 | 模型容量 |
| num_layers | 2 | 1 层更稳，影评用 1~2 层足够 | 深度与过拟合风险 |
| dropout | 0.3 | 过拟合时提到 0.5 | 正则化 |
| weight_decay | 1e-4 | 过拟合时调到 1e-3 | L2 正则化强度 |
| max_len | 128 | 长影评可加 256 | 截断策略与显存 |
调整优先级上，第一件判断的事是“欠拟合还是过拟合”。训练 loss 不下降，先降学习率或增大 num_layers；训练集学得很好但验证集崩，先加 dropout 和 weight_decay，再考虑缩小 hidden_dim。顺序不能反，上来就调模型结构容易把所有变量搅在一起，出了问题很难定位。早期跑实验时不用追求大参数，先在 5000 条子集上把流程跑通、确认 loss 能掉，再全量训练，这样一轮实验只要几分钟而不是几小时。
5. 实操避坑：从训练到预测的 5 个高频翻车点
这部分是血泪经验汇总。下面 5 个问题是影评情感分析项目里最常见的翻车场景，按“现象 → 原因 → 解决”的顺序讲。
5.1 词表与 Embedding 维度不一致，训练中途报 index 越界
现象：模型第一个 epoch 正常，第二个 epoch 中途报RuntimeError: index out of range in self，或者加载模型时提示size mismatch for embedding.weight。
原因：训练时新数据里出现了验证集构建词表时没见过的词，这些词本应映射到 UNK，但如果验证集或预测阶段的词表是重新构建的，id 分配和训练时对不上，就会出现越界。更常见的场景是源码包里预测脚本重新加载数据、重新 build_vocab，导致vocab_size变化，而保存的模型是在旧词表上训练的。
解决：词表只构建一次，和模型权重一起保存、一起加载。在 4.1 节的代码里我已经把vocab放进了 checkpoint，预测脚本里用torch.load("best_model.pt")拿到的就是训练时的同一份词表。如果你确实需要扩展新词，必须同时扩大 Embedding 层，并把新增部分随机初始化，再进入微调流程。
5.2 准确率卡在 55%~60%，看起来像“零学习”
现象：训练了五六个 epoch，loss 确实在下降，但验证集准确率一直震荡在 57% 上下，F1 也始终起不来，仿佛模型没在学。
原因：三个方向逐一排查。第一，标签映射反了，把正面标成 0、负面标成 1，模型学到的规律刚好相反；第二，正负样本严重不均衡，模型倾向于把全部样本预测为多数类；第三，学习率偏大导致 loss 震荡剧烈，模型始终没进入稳定收敛区域。
解决：先回 3.1 节的人工抽查环节，把预测错误的样本打印出来看标签和文本是否真的对不上；然后用df["label"].value_counts()查看分布。如果只是不均衡，给损失函数加权重比盲目换模型有效得多：
from sklearn.utils.class_weight import compute_class_weight import numpy as np weights = compute_class_weight("balanced", classes=np.array([0, 1]), y=df["label"].values) criterion = nn.CrossEntropyLoss(weight=torch.tensor(weights, dtype=torch.float32))compute_class_weight会自动把样本数量多的类别权重调低、少的调高，让 loss 对少数类更敏感。加了之后如果 F1 明显抬升，基本能确认问题出在样本不均衡而不是模型结构。
5.3 显存 OOM：截断长度、批大小和梯度累积的配合
现象：训练跑起来没几分钟就报CUDA out of memory，小显卡更容易直接爆掉。
原因：单个 batch 的显存占用大致等于batch_size × max_len × embedding_dim再乘模型层数。很多人习惯把 MAX_LEN 设成 512、batch_size 设成 128，小卡根本不剩余量。
解决：不是只有换显卡一条路。第一级调整是把 MAX_LEN 降回 128 或 256，影评的绝大部分情感信息集中在前半段；第二级是把 batch_size 降到 16 或 32。如果显存还是紧张，用梯度累积替代一次性大 batch：
accum_steps = 4 # 每4个小batch累积一次更新 for step, (batch_x, batch_y) in enumerate(train_loader): loss = criterion(model(batch_x), batch_y) / accum_steps loss.backward() if (step + 1) % accum_steps == 0: optimizer.step() optimizer.zero_grad()注意代码里做了loss / accum_steps，这样累积 4 次后的总梯度和直接用一个 4 倍 batch 等价，学习率不用额外调整。
5.4 训练集学得漂亮，验证集打回原形：过拟合按这个顺序查
现象：训练集准确率到了 0.93，验证集只有 0.55，F1 更是惨不忍睹。
原因：模型容量过大、dropout 过低、训练轮次过多，三个因素叠加。另一个隐蔽原因是数据划分方式：先做了全量数据清洗再去划分 train/val，如果同一部电影的评论分散在两边，模型实际上是在“背影评”，而不是学情感规律。
解决：按顺序排查。第一，确认数据划分是train_test_split在清洗之后的独立一步，并且设置了shuffle=True；第二，把 dropout 从 0.3 提到 0.5，weight_decay从 1e-4 提到 1e-3；第三，利用 4.1 节的 best-F1 保存机制做早停，让模型只保留验证集最优的权重，而不是最后一个 epoch 的权重。做过这三步之后验证集还是上不来，再考虑缩小 hidden_dim。
5.5 预测结果一边倒：别急着怪模型，先排查阈值和概率输出
现象：训练指标正常，但预测脚本跑完一批数据，95% 以上的样本都判成正面或负面，看起来像是模型废了。
原因：类别不均衡时，模型对多数类的输出概率天然偏大，固定用 0.5 当阈值会放大这种倾斜。另一个可能是预测脚本里漏了model.eval()或者没包torch.no_grad()，导致推理时 dropout 还在随机屏蔽节点，预测结果波动很大。
解决：先打印出预测概率分布而不是只看 argmax 类别。如果概率值集中在 0.5 附近但方向偏了，说明模型本身有区分度，只是阈值不对。常见做法是在验证集上计算 F1 随阈值的变化，选取最优阈值替代默认 0.5。同时确认推理阶段一定处于 eval 模式，这也直接对应 6.1 节要讲的推理封装。
6. 把模型封装成预测函数：部署前的验证与收尾
6.1 推理接口与 checkpoint 打包
训练阶段的目标是拿到最佳权重，部署阶段的目标是“输入一句影评，输出情感标签和置信度”。我把推理代码单独写成一个函数，输入与 3.2 节的预处理完全对齐。
def predict(text: str, checkpoint_path: str = "best_model.pt"): ckpt = torch.load(checkpoint_path, map_location="cpu") vocab = ckpt["vocab"] config = ckpt["config"] model = BiLSTMSentiment(**config) model.load_state_dict(ckpt["model"]) model.eval() # 切换 dropout/BatchNorm 到评估模式，关键一步 ids = torch.tensor([encode(text, vocab)]) with torch.no_grad(): logits = model(ids) prob = torch.softmax(logits, dim=1).squeeze(0) score = float(prob[1]) label = "正面" if score >= 0.5 else "负面" confidence = max(score, 1 - score) return {"label": label, "confidence": round(confidence, 4), "prob": score}map_location="cpu"让这个函数在无 GPU 机器上也能加载训练好的权重；model.eval()是很多新手最容易漏的一行，漏掉之后 dropout 继续生效，同一句话预测两次可能得到不同结果。torch.no_grad()关闭了梯度记录，推理内存占用大幅下降。最容易被忽略的是 checkpoint 里的config：如果换机器重新实例化模型时手写参数，一旦和训练配置不一致，load_state_dict就会报维度不匹配，所以训练时把 config 存进 checkpoint 是给未来自己留的后悔药。
6.2 用真实影评做回归验证
模型封装起来后，我习惯用一组措辞偏极端的真实影评做回归，而不是只看测试集指标。检查的重点是三点：讽刺句能不能识别、否定句方向对不对、置信度是否温和。拿下面的句子试：
"not bad at all, worth a second watch" → 正面，置信度通常较高 "this film is a masterpiece if you like sleeping" → 大概率误判为正面，需要人工记录第一条是典型的否定识别，模型能学好说明预处理里保留否定词是有效的；第二条如果判成正面，说明反语确实超出了 BiLSTM 的能力边界，此时不要把阈值调到 0.9 去硬撑，直接画一条界限：这种样本要归到“低置信度待人工审核”桶里，而不是强行交给模型。我在生产环境就是这么处理的——把置信度低于 0.65 的影评送去人工复核，既不把模型扛不住的样本硬塞给下游，也让模型迭代有了明确的方向。
最后补一句自己的习惯：每换一个数据集，先在 100 条小样本上跑到第 5 个 epoch 看 loss 曲线，确认预处理、模型、数据三道链路都通，再上全量训练。这个习惯帮我挡掉了至少一半“训练完才发现标签反了”的翻车。希望帮到你。
本文还有配套的精品资源，点击获取
