视频地址：
https://www.bilibili.com/video/BV1tcqTBxE13/
项目简介
本项目是一个基于长短期记忆网络（LSTM）的中文对话情绪识别Web应用系统。用户可以通过Web界面输入中文对话文本，系统能够自动识别并分类文本所表达的情绪类别，同时展示各情绪类别的概率分布。
项目采用前后端分离架构，后端基于Python Flask框架和PyTorch深度学习框架实现，前端使用Bootstrap框架构建响应式界面。模型使用LSTM网络对中文文本进行情感分析，能够识别平静、开心、伤心、生气、惊讶、厌恶、疑问、关心共八种情绪类别。
本项目是毕业设计作品，完整实现了从数据预处理、模型训练、Web开发到部署上线的全流程，具有较高的工程实践价值。
功能特性
核心功能
文本情感识别：用户输入中文文本，系统调用LSTM模型进行情感分析，返回预测的情绪类别和概率分布。
随机样本测试：系统内置数据集，支持随机抽取已标注的对话文本进行测试，方便评估模型效果。
概率可视化：以进度条形式直观展示各情绪类别的概率分布，帮助用户理解模型的判断依据。
真实标签对比：随机抽取样本时显示真实标签，便于用户对比预测结果与真实标签的差异。
界面特性
响应式设计：适配桌面端和移动端，在不同屏幕尺寸下都能正常显示和交互。
现代化UI：采用紫色渐变配色方案，界面简洁美观，操作直观便捷。
流畅交互：按钮悬浮动画、概率条动态效果，提升用户体验。
技术架构
后端技术
| 技术 | 用途 |
|---|---|
| Python 3.8+ | 编程语言 |
| Flask 3.1.0 | Web框架，提供RESTful API服务 |
| PyTorch 2.9.0 | 深度学习框架，实现LSTM模型 |
| jieba 0.42.1 | 中文分词工具 |
| pandas 2.2.3 | 数据处理与分析 |
前端技术
| 技术 | 用途 |
|---|---|
| HTML5 | 页面结构 |
| CSS3 | 样式设计 |
| JavaScript | 交互逻辑 |
| Bootstrap 5.3.0 | 响应式UI框架 |
| Axios | 异步HTTP请求 |
模型架构
输入层 → 词嵌入层(32维) → LSTM层(64维) → Dropout(0.5) → 全连接层(8类) → Softmax- 词嵌入层：将词汇表中的词索引转换为32维稠密向量
- LSTM层：单层LSTM，隐藏层维度64，捕捉序列的时序特征
- Dropout层：概率0.5，防止过拟合
- 全连接层：将64维隐藏状态映射到8个情感类别
目录结构
emotion_dialogue_classify/ ├── static/ # 静态资源目录 │ ├── css/ │ │ └── bootstrap.min.css # Bootstrap CSS（本地化） │ └── js/ │ └── axios.min.js # Axios库（本地化） ├── templates/ │ └── index.html # 前端页面模板 ├── app.py # Flask后端主程序 ├── model_state_dict.pth # 预训练模型参数 ├── vocabulary.pth # 词汇表文件 ├── train_model.ipynb # 模型训练代码（Jupyter Notebook） ├── Simplified_Chinese_Multi-Emotion_Dialogue_Dataset.csv # 训练数据集 ├── dataset_infos.json # 数据集元信息 ├── training_curve.png # 训练曲线图 ├── 数据集说明.md # 数据集详细说明 ├── 文档.md # 毕业设计完整文档 └── README.md # 项目说明文件使用系统
- 打开浏览器访问 http://localhost:5000
- 在左侧文本框输入中文对话文本
- 点击"开始识别"按钮
- 右侧显示识别结果：预测情绪类别和概率分布
或者点击"随机抽取"按钮，系统从数据集中随机选择一条样本进行测试。
数据集说明
本系统使用简体中文多情感对话数据集，数据源自Johnson8187/Chinese_Multi-Emotion_Dialogue_Dataset，经过Qwen2.5-32B模型翻译为简体中文。
数据集统计
| 情绪类别 | 样本数量 | 占比 |
|---|---|---|
| 平静 | 705 | 17.0% |
| 开心 | 592 | 14.2% |
| 关心 | 560 | 13.5% |
| 生气 | 527 | 12.7% |
| 惊讶 | 499 | 12.0% |
| 伤心 | 486 | 11.7% |
| 厌恶 | 404 | 9.7% |
| 疑问 | 386 | 9.3% |
| 合计 | 4159 | 100% |
数据格式
数据集为CSV格式，包含两列：
text：对话文本内容label：情绪类别标签
示例数据
| text | label |
|---|---|
| 今天天气真好，心情很愉快 | 开心 |
| 这件事让我很生气 | 生气 |
| 你没事吧？要不要紧？ | 关心 |
模型性能
训练配置
| 参数 | 数值 |
|---|---|
| 训练轮次 | 60 |
| 批次大小 | 64 |
| 学习率 | 0.1 |
| 优化器 | SGD（动量0.9） |
| 权重衰减 | 2e-3 |
| 学习率调度 | 每20轮衰减 |
性能指标
| 指标 | 数值 |
|---|---|
| 训练集准确率 | 96.67% |
| 测试集准确率 | 75.86% |
| 最终训练损失 | 0.12 |
| 最终测试损失 | 0.78 |
训练曲线
训练过程中记录了每轮的准确率和损失变化，训练曲线保存为training_curve.png文件。从曲线可以看出：
- 模型在约20轮后趋于收敛
- 训练集和测试集性能差距表明存在一定过拟合
- 学习率调度有效避免了训练后期的振荡
API接口
1. 主页
请求
GET /响应：返回index.html页面
2. 情感识别
请求
POST /predict Content-Type: application/x-www-form-urlencoded text=今天天气真好响应
{ "text": "今天天气真好", "result": [ {"emotion": "开心", "probability": 0.8532}, {"emotion": "平静", "probability": 0.0821}, {"emotion": "关心", "probability": 0.0315}, ... ], "top_emotion": "开心", "top_probability": 0.8532 }3. 随机抽取
请求
GET /random响应
{ "text": "你今天看起来心情不错啊", "true_label": "开心" }项目亮点
完整的机器学习流程：涵盖数据预处理、模型训练、模型评估、Web部署全流程。
实用的中文NLP应用：针对中文文本特点，使用jieba分词处理中文语言。
现代化的Web界面：采用响应式设计，视觉效果现代美观。
本地化部署：所有静态资源本地化，不依赖外部CDN，可离线运行。
代码结构清晰：模块化设计，代码注释完善，易于维护和扩展。
