跳到主要内容

项目：文本情感分析

本节定位

情感分析项目很适合做作品集，不是因为它最炫，而是因为它很适合训练“项目判断力”：

  • 标签怎么定
  • baseline 怎么建
  • 错误怎么解释
  • 结果怎么展示

这一节的目标不是堆复杂模型，而是把一个小项目真正做完整。

学习目标​

  • 学会给情感分析任务设计稳定的标签边界
  • 学会搭一个可解释 baseline 并读懂结果
  • 学会把错误分析做成项目亮点，而不是事后补丁
  • 学会把一个小 NLP 项目包装成可交付作品

一、项目题目先要收窄​

1.1 最稳的起点是二分类​

先做：

  • positive
  • negative

而不是一开始就做：

  • positive / neutral / negative / irony / mixed

1.2 为什么二分类适合练手？​

因为：

  • 标签更清楚
  • 数据更容易准备
  • 错误更容易分析

1.3 一个适合作品集的题目​

例如：

做一个“课程评价情感分析器”，判断评论是正向还是负向。

这个题目非常适合，因为用户语料、标签边界和业务意义都比较清楚。

二、项目最小闭环长什么样？​

  1. 定义标签边界
  2. 准备小型标注数据
  3. 做 baseline
  4. 做错误分析
  5. 设计一个最小推理接口或展示页

如果这 5 步都清楚，你的项目通常就已经比“只训个模型”更像作品级了。

三、推荐推进顺序​

对新人来说，更稳的顺序通常是：

  1. 先把标签定义写出来
  2. 再做最简单 baseline
  3. 再补一个传统 ML baseline
  4. 最后再考虑更强的深度模型

这样你不会在一开始就被模型复杂度带跑。

四、先跑一个最小 baseline 项目​

为了让逻辑足够清楚，这里先用一个关键词统计型 baseline。
它当然不够强，但非常适合解释项目闭环。

from collections import Counter

train_data = [
    ("这门课讲得很清楚", "positive"),
    ("案例很多，学起来很顺", "positive"),
    ("内容太乱了", "negative"),
    ("讲得太快，听不懂", "negative"),
]

test_data = [
    ("这门课真的很清楚", "positive"),
    ("内容有点乱", "negative"),
    ("案例很多但是讲太快", "negative"),
]


positive_words = Counter()
negative_words = Counter()

for text, label in train_data:
    tokens = list(text)
    if label == "positive":
        positive_words.update(tokens)
    else:
        negative_words.update(tokens)


def predict(text):
    score = 0
    for token in text:
        score += positive_words[token]
        score -= negative_words[token]
    return "positive" if score >= 0 else "negative", score


results = []
for text, gold in test_data:
    pred, score = predict(text)
    results.append({"text": text, "gold": gold, "pred": pred, "score": score})
    print(results[-1])

4.1 这个 baseline 为什么有教学价值？​

因为它很容易解释：

  • 为什么判成正面
  • 为什么判成负面

这让你能真正做“错误分析”，而不是只盯一个数字。

4.2 再补一个“否定词翻转”的最小升级版​

情感分析里最典型的一类错误就是：

  • 明明有正向词
  • 但前面被一个否定词翻掉了

比如：

  • “不推荐”
  • “不清楚”
  • “不值得”

下面这个极小版本不是工业方案，
但很适合初学者第一次体会：

  • 规则补丁为什么会直接改变错例分布
negation_words = {"不", "没", "无"}


def predict_with_negation(text):
    score = 0
    chars = list(text)
    for idx, token in enumerate(chars):
        token_score = positive_words[token] - negative_words[token]

        # 如果前一个字是否定词，就把当前情感方向翻一下
        if idx > 0 and chars[idx - 1] in negation_words:
            token_score *= -1

        score += token_score

    return "positive" if score >= 0 else "negative", score


extra_cases = [
    ("不推荐这门课", "negative"),
    ("讲得不清楚", "negative"),
    ("案例不少，但不系统", "negative"),
]

for text, gold in extra_cases:
    pred, score = predict_with_negation(text)
    print({"text": text, "gold": gold, "pred": pred, "score": score})

这段代码的教学价值不在“规则够强”，
而在于它会让你第一次很清楚地看到：

  • baseline 为什么会错
  • 一种具体补丁会修掉哪类错误
  • 错误分析怎样真正反过来推动方案升级

五、真正让项目变强的是错误分析​

5.1 先把错例挑出来​

errors = [row for row in results if row["gold"] != row["pred"]]
print(errors)

5.2 常见错误类型​

对情感分析来说，最值得单独看的是：

  • 否定词
    例如“不差”“不推荐”
  • 反讽
    例如“真棒，又崩了”
  • 混合评价
    例如“内容很好，但太难了”

5.3 为什么错误分析这么值钱？​

因为它能直接告诉你下一步该怎么做：

  • 补数据
  • 改标签标准
  • 升级模型

5.4 给自己做一张最小错误分桶表​

初学者做情感分析项目时，很容易只说：

  • “模型错了几条”

但更有价值的是先分桶：

error_buckets = {
    "negation": [],
    "sarcasm": [],
    "mixed_sentiment": [],
    "other": [],
}

examples = [
    ("不推荐这门课", "negative", "positive"),
    ("真棒，又卡住了", "negative", "positive"),
    ("内容很好，但节奏太快", "negative", "positive"),
]

for text, gold, pred in examples:
    if "不" in text:
        error_buckets["negation"].append(text)
    elif "真棒" in text and "又" in text:
        error_buckets["sarcasm"].append(text)
    elif "但" in text:
        error_buckets["mixed_sentiment"].append(text)
    else:
        error_buckets["other"].append(text)

for k, v in error_buckets.items():
    print(k, len(v), v)

这张表非常适合展示在项目里，
因为它会让别人立刻看出：

  • 你不是只会报分数
  • 你知道错误是有类型的
  • 你下一步怎么改是有依据的

六、这个项目怎么往作品级再推一步？​

6.1 补一个传统强基线​

例如：

  • TF-IDF + LogisticRegression

让你的项目至少有：

  • 规则基线
  • 传统 ML 基线

6.2 再补一个深度 baseline​

例如：

  • embedding + pooling
  • BERT 分类

6.3 展示时不要只放总分​

很推荐展示：

  • 标签定义
  • baseline 对比
  • 典型错例
  • 负样本 hardest cases

这样项目会非常完整。

6.4 一个更像真实项目的展示顺序​

如果你把这题做成作品集页面，
比较推荐按这个顺序展示：

  1. 任务定义和标签边界
  2. baseline 方法
  3. baseline 对比表
  4. 错误分桶
  5. 你针对哪类错误做了什么升级
  6. 最终保留下来的方案和原因

这样别人看到的就不是“做了一个情感分类器”，
而是：

  • 你真的知道一个 NLP 小项目该怎么从 baseline 走到作品级

七、最容易踩的坑​

7.1 标签标准不一致​

这是很多情感项目的第一大坑。

7.2 只看准确率​

不看具体错在哪，你很难真正优化。

7.3 一开始就追求最复杂模型​

没有 baseline，复杂模型的提升就很难讲清。

项目交付时最好补上的内容​

  • 一张标签定义表
  • 一张 baseline 对比表
  • 一组典型错例
  • 一段你对下一步升级路线的判断

小结​

这节最重要的是建立一个项目习惯：

情感分析项目最有价值的地方，不是模型多复杂，而是你能否把标签边界、baseline、错误分析和升级路线讲成一个完整闭环。

只要这一点做到位，即使题目不大，也会非常像作品级课程。

这节最该带走什么​

  • 情感分析最值钱的不是复杂模型，而是清楚的标签边界和错误分析
  • 一个简单 baseline 只要够可解释，就非常有教学价值
  • 真正能拉开项目质量差距的，往往是你有没有把错例变成下一步动作

版本路线建议​

版本目标交付重点
基础版跑通最小闭环能输入、能处理、能输出，并保留一组示例
标准版形成可展示项目增加配置、日志、错误处理、README 和截图
挑战版接近作品集质量增加评估、对比实验、失败样本分析和下一步路线

建议先完成基础版，不要一开始就追求大而全。每提升一个版本，都要把“新增了什么能力、怎么验证、还有什么问题”写进 README。

练习​

  1. 自己设计 12 条课程评价，并给出正负标签。
  2. 在 baseline 上再手工加入一个“否定词翻转规则”，看看能否修掉某类错误。
  3. 想一想：为什么情感分析特别适合做错误分析展示？
  4. 如果你要把这个项目扩成三分类，你会先改标签标准还是先换模型？为什么？