# 航空公司情感分析系统

> **机器学习 (Python) 课程设计**

## 👥 团队成员

| 姓名 | 学号 | 贡献 |
|------|------|------|
| 贺筠月 | 2311020108 | 数据处理、特征工程、模型训练 |
| 马艺洁 | 2311020117 | 系统架构、Streamlit应用开发、Agent集成 |


## 📝 项目简介

本项目旨在构建一个基于社交媒体数据的航空公司情感分析系统，通过机器学习技术分析Twitter上的航空公司相关推文，实现情感分类、危机指数计算、传播风险评估和智能客服等功能。

系统主要解决以下问题：
1. **实时情感监控**：自动分析大量推文的情感倾向，帮助航空公司了解乘客反馈
2. **云端危机公关**：基于情感分析结果计算危机指数，提前发现潜在的公关危机
3. **传播风险评估**：分析负面推文的传播风险，为危机干预提供依据
4. **智能客服辅助**：为客服人员提供智能建议，提高客户服务效率

## 🚀 快速开始

### 环境要求

- Python 3.10+
- uv (Python包管理工具) 或 pip

### 安装与运行

```bash
# 克隆仓库
git clone http://hblu.top:3000/MachineLearning2025/08_17-AirCARE.git
cd bigwork

# 方法一：使用uv安装依赖（推荐）
uv sync

# 方法二：使用pip安装依赖
pip install -r requirements.txt

# 配置环境变量
cp .env.example .env
# 编辑 .env 填入所需配置

# 运行应用
# 方法一：使用uv
uv run streamlit run src/streamlit_app.py

# 方法二：使用Python直接运行
python -m streamlit run src/streamlit_app.py

# 方法三：使用快捷脚本（Windows）
start_app.bat
```

---

## 1️⃣ 问题定义与数据

### 1.1 任务描述

本项目是一个多分类预测任务：给定Twitter上的航空公司相关推文，预测该推文的情感倾向（分类为"积极"、"中性"或"消极"）。业务目标是通过实时分析客户情感反馈，帮助航空公司及时发现潜在危机，改善客户服务质量，提高客户满意度和忠诚度，对有流失倾向的用户采取相应的挽留措施。

### 1.2 数据来源

| 项目 | 说明 |
|------|------|
| 数据集名称 | Twitter Airlines Sentiment Dataset |
| 数据链接 | [Kaggle](https://www.kaggle.com/datasets/crowdflower/twitter-airline-sentiment) |
| 样本量 | 14,640 条 |
| 特征数 | 15 个 |

### 1.3 数据切分与防泄漏

为了确保模型的泛化能力和避免数据泄漏，我们采用了以下策略：
1. **时间序列切分**：按照推文发布时间进行排序，选取前80%的数据作为训练集，中间10%作为验证集，最后10%作为测试集，模拟真实业务中的时序预测场景。
2. **分层抽样**：在时间切分的基础上，保持各数据集内的情感类别分布与原始数据一致，避免类别不平衡问题。
3. **特征工程隔离**：所有特征工程操作（如文本预处理、特征提取等）仅在训练集上进行拟合，然后应用到验证集和测试集，确保没有数据泄漏。

### 1.4 数据示例

```csv
tweet_id,airline_sentiment,airline_sentiment_confidence,negativereason,negativereason_confidence,airline,airline_sentiment_gold,name,negativereason_gold,retweet_count,text
570306133677760513,neutral,1.0,,,Virgin America,,cairdin,,0,@VirginAmerica What @dhepburn said.
570301130888122368,positive,0.3486,,0.0,Virgin America,,jnardino,,0,@VirginAmerica plus you've added commercials to the experience... tacky.
570300817074462722,negative,1.0,Can't Tell,1.0,Virgin America,,jnardino,,0,@VirginAmerica and it's a really big bad thing about it
```
---

## 🤖 系统架构与功能模块

### 1. 核心功能模块

| 模块名称 | 功能描述 |
|---------|---------|
| **增强情感分析器** | 基于机器学习的推文情感分类 | 
| **危机指数计算器** | 计算实时危机指数，预警潜在危机 | 
| **传播风险评估** | 评估负面推文的传播风险 | 
| **智能客服系统** | 提供智能客服建议和响应 |
| **数据概览** | 提供数据集的统计分析和可视化 | 


## 2️⃣ 机器学习流水线

### 2.1 基线模型

| 模型 | 准确率 | 负面精确率 | 中性精确率 | 正面精确率 | 负面召回率 | 中性召回率 | 正面召回率 | 负面F1 | 中性F1 | 正面F1 | Macro-F1 | ROC-AUC |
|------|--------|------------|------------|------------|------------|------------|------------|--------|--------|--------|----------|---------|
| Logistic Regression | 0.8473 | 1.0000 | 0.6532 | 0.5257 | 1.0000 | 0.5984 | 0.5835 | 1.0000 | 0.6246 | 0.5531 | 0.7255 | 0.9413 |

基线模型采用Logistic回归，使用L2正则化（C=0.1），特征选择采用LASSO回归（alpha=0.01）。该模型作为基准，帮助我们了解问题的难度和数据的基本模式。

### 2.2 进阶模型

| 模型 | 准确率 | 负面精确率 | 中性精确率 | 正面精确率 | 负面召回率 | 中性召回率 | 正面召回率 | 负面F1 | 中性F1 | 正面F1 | Macro-F1 | ROC-AUC |
|------|--------|------------|------------|------------|------------|------------|------------|--------|--------|--------|----------|---------|
| 随机森林 | 0.8494 | 1.0000 | 0.6245 | 0.5428 | 1.0000 | 0.7242 | 0.4292 | 1.0000 | 0.6706 | 0.4793 | 0.7167 | 0.9426 |
| LightGBM | 0.8528 | 1.0000 | 0.6325 | 0.5553 | 1.0000 | 0.7274 | 0.4461 | 1.0000 | 0.6755 | 0.4951 | 0.7238 | 0.9440 |
| XGBoost | 0.8528 | 1.0000 | 0.6372 | 0.5520 | 1.0000 | 0.7081 | 0.4715 | 1.0000 | 0.6707 | 0.5086 | 0.7264 | 0.9429 |

**进阶模型详细说明：**

1. **随机森林**：使用100棵决策树，最大深度限制为10，采用基尼系数作为分裂标准。该模型通过集成学习提高了预测的稳定性和准确性。

2. **LightGBM**：采用基于梯度的单边采样（GOSS）和互斥特征捆绑（EFB）技术，极大提高了训练效率。参数配置：学习率=0.1，最大深度=8，叶子节点数=63，子样本比例=0.8，特征子样本比例=0.8。

3. **XGBoost**：经过网格搜索和随机搜索的超参数优化，最终参数配置：学习率=0.05，最大深度=6，子样本比例=0.8，特征子样本比例=0.8，正则化参数lambda_l1=0.1、lambda_l2=0.2。该模型在情感分类任务中表现最佳，是系统的核心模型。

### 2.3 误差分析

我们对模型预测错误的样本进行了深入分析，发现以下模式：

1. **误判为积极/中性的消极推文**（假阴性）：
   - 主要特征：推文包含讽刺或反讽表达（如"太好了，又延误了"）、使用大量表情符号、提及多个话题导致情感模糊
   - 原因：传统的文本特征提取方法难以捕捉复杂的语义和情感倾向，特别是反讽和隐喻表达
   - 比例：约占总错误的35%

2. **误判为消极的积极/中性推文**（假阳性）：
   - 主要特征：推文包含负面词汇但整体情感积极（如"虽然延误了，但客服态度很好"）、使用否定结构（如"没有延误"）、提及竞争对手但并非负面评价
   - 原因：模型对上下文理解不足，容易被个别负面词汇误导
   - 比例：约占总错误的28%

3. **模糊情感推文**：
   - 主要特征：推文内容简短（少于5个词）、使用不明确的情感表达、包含特殊领域术语
   - 原因：缺乏足够的上下文信息，模型难以做出准确判断
   - 比例：约占总错误的37%

而我们的探索主要关注假阴性带来的代价，针对这些问题，我们尝试了以下改进措施：
- 增加情感词典特征，特别是针对反讽和否定结构的处理
- 引入n-gram特征，捕捉词汇之间的上下文关系
- 调整类别权重，提高对消极推文的识别能力
- 尝试使用预训练语言模型（如BERT）进行情感分类

### 2.4 模型优化策略

#### 2.4.1 XGBoost模型深度优化

我们对XGBoost模型进行了全面的优化，主要包括以下几个方面：

##### 1. 高级超参数调优

我们采用了基于消融实验的参数范围设置，使用手动网格搜索方法优化了XGBoost的关键参数：

```python
param_grid = {
    'learning_rate': [0.01, 0.05, 0.1],
    'n_estimators': [100, 200, 300],
    'max_depth': [3, 5, 7],
    'min_child_weight': [1, 3, 5],
    'subsample': [0.7, 0.8, 0.9],
    'colsample_bytree': [0.7, 0.8, 0.9],
    'reg_alpha': [0, 0.1, 0.5],
    'reg_lambda': [0.5, 1.0, 2.0]
}
```

经过多轮调优，最终确定的最优参数组合为：
- 学习率：0.05
- 决策树数量：200
- 最大深度：3
- 最小子节点权重：3
- 子样本比例：0.8
- 特征采样比例：0.8
- L1正则化：0.1
- L2正则化：0.2

##### 2. 类别不平衡处理

针对推文中情感类别的不平衡问题，我们尝试了多种采样策略：

| 采样策略 | 准确率 | Macro-F1 |
|---------|--------|----------|
| 原始数据 | 0.8528 | 0.7264 |
| ADASYN过采样 | 0.8572 | 0.7356 |
| TomekLinks欠采样 | 0.8607 | 0.7472 |
| SMOTETomek组合 | 0.8576 | 0.7370 |

最终选择了TomekLinks欠采样策略，该策略能够有效去除边界噪声样本，提高模型的泛化能力。

##### 3. 特征工程增强

我们采用了多种特征工程方法来优化模型性能：

1. **特征缩放**：使用StandardScaler和RobustScaler进行特征缩放
2. **PCA降维**：尝试了不同维度的PCA降维（10、15、20个特征）
3. **特征交互**：构建了多项式特征交互项

特征优化后，模型性能得到提升：
- 最佳特征组合：使用StandardScaler缩放 + 原始特征
- Macro-F1从0.7264提升到0.7358

##### 4. 集成学习策略

为了进一步提高模型的稳定性和准确性，我们尝试了两种集成学习方法：

1. **软投票集成**：结合多个模型的概率输出
2. **硬投票集成**：结合多个模型的预测结果

集成学习策略使得模型的Macro-F1提升到了0.7272（软投票）。

##### 5. 自定义损失函数优化

针对业务需求，我们特别关注假阴性（漏判负面推文）的问题，通过以下方式优化损失函数：

1. **类别权重调整**：根据类别的频率动态调整样本权重
2. **自定义评估指标**：重点关注F1-score和召回率，而不仅仅是准确率

通过这些优化，模型在负面推文识别上的性能得到了提升。

#### 2.4.2 模型优化效果对比

| 优化阶段 | 模型 | 准确率 | Macro-F1 | 负面推文召回率 |
|---------|------|--------|----------|--------------|
| 基线模型 | Logistic回归 | 0.8473 | 0.7255 | 1.0000 |
| 基础模型 | XGBoost | 0.8528 | 0.7264 | 1.0000 |
| 特征缩放 | XGBoost+StandardScaler | 0.8630 | 0.7328 | 1.0000 |
| 类别平衡 | XGBoost+TomekLinks | 0.8607 | 0.7472 | 1.0000 |
| 特征交互 | XGBoost+特征交互 | 0.8644 | 0.7358 | 1.0000 |
| 参数优化 | XGBoost+参数组合4 | 0.8668 | 0.7434 | 1.0000 |

通过系统性的优化，XGBoost模型的整体性能得到了显著提升，Macro-F1从0.7264提升到了0.7472，为后续的危机预警功能提供了更可靠的基础。

---

## 3️⃣ Agent 实现

### 3.1 工具定义

| 工具名 | 功能 | 输入 | 输出 |
|--------|------|------|------|
| `analyze_sentiment` | 情感分析与危机评估 | 推文文本、上下文特征 | 情感得分、危机等级 |
| `explain_risk_factors` | 解释风险影响因素 | 推文ID、模型特征 | 风险因素列表、影响权重 |
| `generate_crisis_plan` | 生成危机处置方案 | 问题分类、严重程度 | 处置方案JSON |
| `customer_service_agent` | 智能客服响应 | 客户反馈、历史信息 | 客服方案文本 |

### 3.2 决策流程

Agent采用4步决策流程处理航空公司情感危机：
1. **分析**：调用`analyze_sentiment`工具对推文进行情感分析和危机等级评估
2. **解释**：通过`explain_risk_factors`工具识别关键风险因素
3. **计划**：基于分析结果调用`generate_crisis_plan`生成针对性处置方案
4. **响应**：使用`customer_service_agent`工具生成面向客户的智能响应

### 3.3 案例展示

**输入**：
```
推文内容："我的航班延误了4个小时，行李还丢失了，客服态度极差！#航空服务 #延误"
```

**输出**：
```json
{
  "sentiment_score": -0.85,
  "crisis_level": "紧急",
  "risk_factors": [
    {"因素": "服务延误", "权重": 0.45},
    {"因素": "行李问题", "权重": 0.35},
    {"因素": "客服态度", "权重": 0.20}
  ],
  "disposal_plan": {
    "问题分类": "多维度服务故障",
    "严重程度": "紧急",
    "建议措施": ["立即联系乘客说明情况", "启动行李追踪系统", "安排专属客服跟进"],
    "时间线": {
      "立即": "联系乘客",
      "1小时内": "提供行李追踪状态",
      "24小时内": "解决所有问题"
    },
    "责任部门": "运营部+客服部",
    "预期解决时间": "24小时"
  },
  "customer_response": "尊敬的乘客，我们对您遭遇的航班延误和行李问题深表歉意。我们已立即启动行李追踪系统，并安排专属客服与您联系，为您提供详细的解决方案和赔偿方案。感谢您的理解和支持！"
}
```

---


## 4. Streamlit应用界面

系统提供了直观的Web界面，主要功能包括：

1. **数据概览分析**：展示数据集的基本统计信息和分布
2. **模型评估优化**：展示各模型的性能指标和对比
3. **智能客服中心**：分析推文情感，提供可视化展示，提供智能客服功能
4. **云端危机公关**：显示危机指数和评估传播风险，提供相应公关文案
5. **智能关怀方案**：根据情感问卷结果分析，生成个性化的关怀方案
6. **航空奥斯卡奖**：根据用户情感和危机等级，相关航空奖项


## 🧠 关键技术实现

### 特征工程

- **文本特征**：TF-IDF向量表示、词频统计、情感词典
- **用户特征**：用户位置、时区、推文时间
- **情感特征**：情感置信度、负面原因置信度
- **时间特征**：推文发布时间、时间窗口统计

### Polars 数据处理

我们使用 Polars 库进行高效的数据处理，创建了 `polars_data_processor.py` 模块，主要功能包括：

- **数据加载**：使用 `pl.read_csv()` 快速加载大型数据集
- **数据预处理**：选择相关列、重命名列、处理缺失值
- **特征提取**：计算文本长度、负面关键词计数等特征
- **批量处理**：支持大批次数据的高效处理
- **类型转换**：提供 Polars DataFrame 与 Pydantic 模型之间的转换

### Pydantic 模型定义

使用 Pydantic V2 语法定义了结构化的数据模型：

- **TweetFeatures**：推文特征模型，包含 `tweet_id`、`airline`、`text`、`sentiment`、`confidence` 等字段
- **SentimentPrediction**：情感预测结果模型，包含 `tweet_id`、`predicted_sentiment`、`confidence_score`、`risk_level`、`risk_factors` 等字段

这些模型确保了数据的类型安全和结构化处理，提高了代码的可读性和可维护性。



### 危机公关机制

- **危机指数计算**：综合考虑负面推文比例、情感强度、传播速度等因素
- **预警阈值**：基于历史数据设定动态预警阈值
- **预警级别**：轻度、中度、重度三个预警级别

### 危机公关模型性能

- **危机检测准确率**：89.2%
- **误报率**：4.3%
- **漏报率**：6.5%
- **平均预警时间提前量**：1.5小时

## 📖 开发流程

1. **数据收集与预处理**：
   - 数据清洗、缺失值处理
   - 文本预处理（去噪、分词、停用词过滤）
   - 特征工程和特征选择

2. **模型开发与优化**：
   - 基线模型开发
   - 高级模型开发和优化
   - 模型融合和集成

3. **系统集成与界面开发**：
   - 各功能模块集成
   - Streamlit界面开发
   - 用户体验优化

4. **测试与评估**：
   - 单元测试
   - 模型性能评估
   - 系统功能测试

## 🎯 使用案例

### 案例1：智能客服中心

**输入**：
```
用户ID：李白
用户反馈："航班延误了好几个小时，太耽误事了"
```

**系统分析**：
```
- 情感倾向：NEGATIVE
- 紧急程度：HIGH
- 投诉强度：70.0%（中）
- 关键词分析：时间(1个)、航班(2个)
- 流失风险指标：
  - 流失概率：90.01%（高风险）
  - 风险等级：HIGH
  - 预测置信度：95.0%（高）
- 风险因素分析：
  - 高流失概率（极高影响）
  - 高紧急度请求（高影响）
  - 负面情感倾向（中影响）
  - 高投诉强度（中影响）
  - 多维度问题反馈（中影响）
```

**智能客服响应**：
```
1. 道歉并理解用户心情
2. 立即处理方案：
   - 核查航班延误原因并发送详细说明
   - 提供相应的关怀补偿（里程积分、代金券等）
3. 长期改进承诺：
   - 优化航班动态通知系统
   - 复盘服务流程，提升特殊情况服务体验
4. 后续跟进：24小时内客服专员电话沟通解决方案
```

### 案例2：危机预警与公关方案

**输入**：
```
推文内容："航班延误了好几个小时，太耽误事了"
转发数：101
```

**系统分析**：
```
- 情感分析：negative (置信度: 0.95)
- 危机程度：88.86（高风险）
- 传播风险：中风险
```

**危机公关方案**：
```
关于近期航班延误的致歉与说明

尊敬的各位旅客：

我们谨代表[航空公司名称]，就近期部分航班出现长时间延误，给您带来的不便与困扰，致以最诚挚的歉意。我们深知航班延误打乱了您的行程计划，影响了您的宝贵时间，对此我们深表遗憾并承担全部责任。
```

### 案例3：智能关怀方案

**输入**：
```
用户偏好问卷结果：
- 对各服务环节关注度评分：3分（中等）
- 沟通渠道偏好：短信为核心
```

**系统分析**：
```
- 用户最关心的问题：服务态度、延误、客服支持、取消、飞机状况
- 问题优先级：按关注度排序
```

**智能关怀方案**：
```
1. 方案概述：
   为对各服务环节保持中等关注度的用户，提供以短信为核心沟通渠道的均衡关怀服务，重点聚焦前五大关注问题。

2. 关怀措施：
   - 针对高关注度问题的具体关怀措施

3. 实施优先级：
   - P0（最高优先级，立即实施）
   - P1（高优先级，短期部署）
   - P2（中优先级，中期规划）

4. 预期效果：
   提升用户整体出行体验与安全感，建立稳定可靠的服务感知。
```

## 🔧 项目结构

```
GXX-ProjectName/
├── data/                      # 数据目录
│   ├── Tweets.csv             # 原始推文数据集
│   └── processed_tweets.csv   # 处理后的数据集
├── final_models/              # 训练好的模型
│   ├── crisis_index_model.pkl
│   ├── propagation_risk_model.pkl
│   └── trend_analysis_model.pkl
├── src/                       # 源代码目录
│   ├── advanced_xgboost_optimization.py
│   ├── airline_oscars_app.py
│   ├── analyze_tweets.py
│   ├── crisis_index_calculator.py
│   ├── crisis_warning_app.py
│   ├── data_driven_smart_care_app.py
│   ├── data_overview.py
│   ├── deepseek_integrator.py
│   ├── diagnose_churn_system.py
│   ├── enhanced_sentiment_analyzer.py
│   ├── final_test_airline.py
│   ├── machine_learning.py
│   ├── model_evaluation.py
│   ├── propagation_risk_assessment.py
│   ├── smart_care_system.py
│   ├── smart_customer_service.py
│   ├── streamlit_app.py
│   ├── trend_analysis.py
│   ├── ultimate_xgboost_optimization.py
│   └── xgboost_analysis.py
├── tests/                     # 测试目录
│   └── test_data.py
├── .env.example               # 环境变量示例
├── .gitignore                 # Git忽略文件
├── pyproject.toml             # 项目配置
├── requirements.txt           # 依赖列表
├── start_app.bat              # 启动脚本（Windows）
└── README.md                  # 项目说明文档
```

## 💡 开发心得

### 主要困难与解决方案

**1. 文本数据预处理**
- 问题：推文数据包含大量噪声（表情符号、链接、特殊字符等）
- 解决方案：使用正则表达式进行清洗，结合NLTK和spaCy进行文本预处理

**2. 类别不平衡**
- 问题：推文中positive、negative、neutral样本比例不平衡
- 解决方案：采用SMOTE过采样技术，调整类别权重，使用F1-score作为主要评估指标

**3. 实时性能**
- 问题：大规模推文数据的实时处理和分析
- 解决方案：优化模型结构，使用特征选择减少特征维度，实现批量处理机制

**4. 危机指数计算**
- 问题：如何综合多种因素计算合理的危机指数
- 解决方案：使用加权平均方法，结合专家知识和机器学习模型确定权重

### AI辅助编程的应用

在项目开发过程中，我们充分利用了AI辅助编程工具（如GitHub Copilot、ChatGPT等），主要应用在以下方面：

1. **代码生成**：快速生成重复代码和基础结构
2. **算法实现**：辅助实现复杂的机器学习算法和优化策略
3. **调试帮助**：提供错误分析和调试建议
4. **文档编写**：辅助生成代码注释和技术文档
5. **创意启发**：提供新的思路和解决方案

### 未来改进方向

1. **多语言支持**：扩展系统支持多种语言的推文分析
2. **实时数据流处理**：集成Kafka等工具实现实时数据流处理
3. **深度学习模型**：引入BERT、GPT等预训练语言模型提升情感分析效果
4. **多模态分析**：结合图片和视频内容进行综合分析
5. **自动化响应**：实现自动生成客服响应和危机公关文案的功能
6. **移动端应用**：开发移动端应用，方便随时随地监控

## 📄 许可证

本项目仅供学习和研究使用。

---

**项目地址**：http://hblu.top:3000/MachineLearning2025/08_17-AirCARE.git

**联系方式**：如有问题或建议，请联系项目团队成员。