MachineLearning2025/T_Sentiment-Analysis-System-for-Aerial-Tweets
2
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

上传文件至 /

Browse Source
This commit is contained in:
张则文 2026-01-16 09:00:52 +08:00
parent e7774fcf7b
commit 2236f57242
1 changed files with 438 additions and 0 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

438
README.md Normal file
View File

@ -0,0 +1,438 @@
# 航空推文情感分析系统
> **机器学习 (Python) 课程设计**
## 👥 团队成员
| 姓名 | 学号 | 贡献 |
|------|------|------|
| 张则文 | 2311020133 | 数据处理、模型训练、Agent 开发、Streamlit开发与测试、文档撰写 |
| 潘俊康 | 2311020121 | 仓库搭建、Streamlit测试、文档撰写、项目报告 |
| 陈俊均 | 2311020104 | Agent 开发、Streamlit开发与测试、文档撰写 |
## 📝 项目简介
本项目是一个基于**传统机器学习 + LLM + Agent**的航空推文情感分析系统，旨在实现可落地的智能预测与行动建议。系统使用 Twitter US Airline Sentiment 数据集，通过传统机器学习完成推文情感的量化预测，再利用 LLM 和 Agent 技术将预测结果转化为结构化、可执行的决策建议，确保输出结果可追溯、可复现。
## 🚀 快速开始
```bash
# 克隆仓库
git clone http://hblu.top:3000/MachineLearning2025/G05-Sentiment-Analysis-of-Aviation-Tweets.git
cd G05-Sentiment-Analysis-of-Aviation-Tweets
# 安装依赖
pip install uv -i https://mirrors.aliyun.com/pypi/simple/
uv config set index-url https://mirrors.aliyun.com/pypi/simple/
uv sync
# 配置环境变量
cp .env.example .env
# 编辑 .env 填入 API Key
# 运行 Demo
uv run streamlit run src/streamlit_tweet_app.py
```
## 1️⃣ 问题定义与数据
### 1.1 任务描述
本项目是一个三分类任务，目标是自动识别航空推文的情感倾向（negative/neutral/positive）。业务目标是构建一个高准确率、可解释的推文情感分析系统，帮助航空公司及时了解客户反馈，优化服务质量，提升客户满意度。
### 1.2 数据来源
| 项目 | 说明 |
|------|------|
| 数据集名称 | Twitter US Airline Sentiment |
| 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
数据按 8:2 比例分割为训练集和测试集，确保模型在独立的测试集上进行评估。在数据预处理和特征工程阶段，所有操作仅在训练集上进行，避免信息泄漏到测试集。使用 TF-IDF 进行文本向量化时，同样严格遵循先训练后应用的原则。
### 1.4 数据转换流程
原数据集转换为处理后数据集主要经过以下步骤：
#### 1. 数据加载
从 `Tweets.csv` 读取原始数据，包含以下字段：
- `tweet_id` - 推文ID
- `airline_sentiment` - 情感标签
- `airline_sentiment_confidence` - 情感置信度
- `negativereason` - 负面原因
- `negativereason_confidence` - 负面原因置信度
- `airline` - 航空公司
- `text` - 原始推文文本
- 其他元数据字段（坐标、时间、位置等）
#### 2. 数据筛选
- **置信度过滤**：仅保留 `airline_sentiment_confidence >= 0.5` 的样本
- 确保情感标签的可靠性
#### 3. 文本清洗
遵循"克制"原则，仅进行必要的预处理：
**移除的内容：**
- 用户提及：`@username`
- URL 链接：`http://...` 或 `www...`
- 多余空格和换行符
**保留的内容：**
- 表情符号（对情感分析有价值）
- 标点符号（表达情绪强度）
- 否定词（如 "not", "don't"）
- 原始大小写（后续统一小写）
**不进行的处理：**
- 不进行词形还原（lemmatization）
- 不进行词干提取（stemming）
- 不删除停用词（否定词对情感很重要）
#### 4. 文本标准化
- 统一转换为小写
- 保留语义信息
#### 5. 数据清理
- 删除 `text_cleaned` 为空的样本
- 删除 `airline_sentiment` 为空的样本
- 基于 `tweet_id` 去重
#### 6. 字段选择
最终保留的列：
```python
["tweet_id", "airline_sentiment", "airline_sentiment_confidence",
"negativereason", "negativereason_confidence", "airline",
"text_cleaned", "text_original"]
```
#### 7. 数据验证
使用 Pandera Schema 进行严格校验：
- `airline_sentiment` 必须是 `["positive", "neutral", "negative"]`
- `airline` 必须是 `["Virgin America", "United", "Southwest", "Delta", "US Airways", "American"]`
- 所有必需字段不允许缺失值
#### 8. 数据保存
保存到 `data/Tweets_cleaned.csv`
#### 清洗示例对比
**原始文本：**
```
@United This is the worst airline ever! My flight was delayed for 5 hours...
```
**清洗后文本：**
```
this is the worst airline ever! my flight was delayed for 5 hours...
```
可以看到，用户提及 `@United` 被移除，文本转为小写，但保留了感叹号、否定词和语义信息。
## 2️⃣ 机器学习流水线
### 2.1 模型架构
本项目采用 **VotingClassifier** 集成学习方法，结合多个基础分类器的优势：
- **逻辑回归 (Logistic Regression)**：线性模型，适合处理高维稀疏特征
- **多项式朴素贝叶斯 (MultinomialNB)**：适合文本分类任务
- **随机森林 (RandomForestClassifier)**：集成树模型，抗过拟合能力强
- **LightGBM 分类器**：梯度提升树模型，高性能、高效率
### 2.2 模型性能
| 模型 | 指标 | 结果 |
|------|------|------|
| VotingClassifier | 准确率 | 0.8159 |
| VotingClassifier | F1 分数（Macro） | 0.7533 |
### 2.3 特征工程
1. **文本特征提取**：使用 TF-IDF 向量化，最大特征数为 5000，ngram 范围为 (1, 2)
2. **航空公司编码**：使用 LabelEncoder 对航空公司名称进行编码
3. **特征合并**：将文本特征和航空公司特征合并为最终特征矩阵
### 2.4 机器学习方法概述
本项目使用集成学习方法进行推文情感分析，具体技术细节如下：
#### 集成学习（Ensemble Learning）
使用 **VotingClassifier** 进行集成学习，结合多个基学习器的预测结果，通过**软投票（Soft Voting）**机制提高模型性能。
#### 5个基学习器（Base Learners）
**① Logistic Regression（逻辑回归）**
- **特点**：稳定的基线模型，适合文本分类
- **作用**：提供可靠的线性分类边界
- **参数**：`class_weight="balanced"` 处理类别不平衡
**② Multinomial Naive Bayes（多项式朴素贝叶斯）**
- **特点**：经典的文本分类算法
- **作用**：擅长处理词频特征，计算效率高
- **参数**：`alpha=0.3` 平滑参数
**③ Random Forest（随机森林）**
- **特点**：基于决策树的集成方法
- **作用**：捕捉非线性关系，减少过拟合
- **参数**：200棵决策树，最大深度15
**④ LightGBM（梯度提升机）**
- **特点**：高效的梯度提升框架
- **作用**：强大的非线性建模能力
- **参数**：300轮迭代，学习率0.05
**⑤ XGBoost（极致梯度提升）**
- **特点**：业界领先的梯度提升算法
- **作用**：处理复杂特征交互
- **参数**：300轮迭代，子采样率0.8
#### 特征工程
**TF-IDF 向量化**
- **max_features=15000**：保留最重要的15000个特征
- **ngram_range=(1, 3)**：使用1-3元组（unigram, bigram, trigram）
- **min_df=2**：词至少出现2次
- **max_df=0.95**：词最多出现在95%的文档中（过滤高频词）
- **sublinear_tf=True**：使用对数缩放TF值
**航空公司特征**
- 使用 `LabelEncoder` 对航空公司进行编码
- 与文本特征合并作为额外特征
#### 软投票机制（Soft Voting）
- **原理**：对每个基学习器的预测概率取平均
- **优势**：比硬投票更稳健，考虑了置信度
- **公式**：`P(y|x) = (1/n) * Σ P_i(y|x)`
#### 数据划分
- **训练集**：80%
- **测试集**：20%
- **分层采样**：保持各类别比例一致
#### 性能指标
- **Accuracy（准确率）**：目标 ≥ 0.82
- **Macro-F1（宏平均F1）**：目标 ≥ 0.75
- **分类报告**：precision, recall, f1-score（按类别）
#### 机器学习流程图
```
原始文本
↓
[文本清洗] → 清洗后文本
↓
[TF-IDF向量化] → 文本特征向量 (15000维)
↓
[航空公司编码] → 航空公司特征 (1维)
↓
[特征合并] → 组合特征 (15001维)
↓
┌─────────────────────────────────────┐
│ 5个基学习器并行训练 │
│ ┌────────┐ ┌────────┐ ┌────────┐ │
│ │ LR │ │ NB │ │ RF │ │
│ └────────┘ └────────┘ └────────┘ │
│ ┌────────┐ ┌────────┐ │
│ │ LightGBM│ │ XGBoost │ │
│ └────────┘ └────────┘ │
└─────────────────────────────────────┘
↓
[软投票] → 概率平均
↓
[预测结果] → negative/neutral/positive
```
#### 为什么选择这些方法？
1. **多样性**：不同类型的算法（线性、贝叶斯、树模型、梯度提升）
2. **互补性**：各有优势，相互补充
3. **稳定性**：集成学习减少单一模型的偏差和方差
4. **性能**：软投票通常比硬投票效果更好
5. **可解释性**：可以查看各基学习器的贡献
最终模型在测试集上达到了 **Macro-F1 = 0.7533** 的性能指标。
### 2.5 误差分析
模型在以下类型的样本上表现相对较差：
1. 包含复杂情感表达的推文（如讽刺、反语）
2. 混合多种情感的推文
3. 包含大量特殊字符或缩写的推文
4. 上下文依赖较强的推文
这主要是因为文本特征提取方法（TF-IDF）对语义理解有限，无法完全捕捉复杂的语言模式和上下文信息。
## 3️⃣ Agent 实现
### 3.1 工具定义
| 工具名 | 功能 | 输入 | 输出 |
|--------|------|------|------|
| `predict_sentiment` | 使用机器学习模型预测推文情感 | 推文文本、航空公司 | 分类结果和概率 |
| `explain_sentiment` | 解释模型预测结果并生成行动建议 | 推文文本、分类结果、概率 | 结构化的解释和建议 |
| `generate_response` | 生成针对推文的回复建议 | 推文文本、情感分类 | 回复建议文本 |
### 3.2 决策流程
Agent 按照以下流程执行任务：
1. 接收用户提供的推文文本和航空公司信息
2. 使用 `predict_sentiment` 工具进行情感分类预测
3. 使用 `explain_sentiment` 工具解释分类结果并生成行动建议
4. 使用 `generate_response` 工具生成针对性的回复建议
5. 向用户提供清晰、完整的情感分析结果、解释和建议
### 3.3 案例展示
**输入**：
```
@United This is the worst airline ever! My flight was delayed for 5 hours and no one helped!
```
**输出**：
```json
{
"classification": {
"label": "negative",
"probability": {
"negative": 0.92,
"neutral": 0.05,
"positive": 0.03
}
},
"explanation": {
"key_factors": ["worst airline ever", "delayed for 5 hours", "no one helped"],
"reasoning": "推文中包含强烈的负面情感词汇，描述了航班延误和缺乏帮助的负面体验",
"confidence_level": "高",
"suggestions": ["立即联系客户并提供补偿", "调查延误原因并改进服务流程", "加强员工培训"]
},
"response_suggestion": "尊敬的客户，对于您航班延误和未能获得及时帮助的糟糕体验，我们深表歉意。我们将立即调查此事并为您提供相应的补偿。感谢您的反馈，我们将努力改进服务质量。"
}
```
## 4️⃣ 系统特色
### 4.1 多模态情感分析
系统不仅提供情感分类结果，还通过 LLM 生成详细的解释和可执行的行动建议，实现从预测到决策的完整闭环。
### 4.2 实时交互体验
通过 Streamlit 构建的 Web 界面提供直观的交互体验，支持单条推文分析和批量文件处理功能。
### 4.3 结构化输出
所有输出都采用结构化格式，确保结果的可追溯性和可复现性，便于后续分析和应用。
## 5️⃣ 开发心得
### 5.1 主要困难与解决方案
1. **文本特征提取**：航空推文包含大量缩写、特殊字符和行业术语，解决方案是使用 TF-IDF 结合 ngram 特征，捕捉更丰富的语言模式。
2. **多分类平衡**：情感分类是三分类任务，需要处理类别不平衡问题，解决方案是使用 Macro-F1 作为主要评估指标。
3. **模型集成**：单个模型在复杂情感识别上存在局限，解决方案是使用 VotingClassifier 集成多个模型的优势。
### 5.2 对 AI 辅助编程的感受
AI 辅助编程工具在代码编写和问题解决方面提供了很大帮助，特别是在处理重复性任务和学习新框架时。它可以快速生成代码模板，提供解决方案建议，显著提高开发效率。但同时也需要注意，AI 生成的代码可能存在错误或不符合项目规范，需要人工仔细检查和调试。
### 5.3 局限与未来改进
1. **模型性能**：当前模型在处理复杂语言模式和上下文理解方面仍有提升空间，可以考虑使用更先进的文本表示方法（如 BERT）。
2. **多语言支持**：目前系统主要支持英文推文，未来可以扩展到多语言情感分析。
3. **实时性**：可以优化模型推理速度，实现实时情感分析功能。
4. **情感细粒度分析**：可以进一步细分情感类别，如愤怒、失望、满意等更细致的情感标签。
## 技术栈
| 组件 | 技术 | 版本要求 |
|------|------|----------|
| 项目管理 | uv | 最新版 |
| 数据处理 | polars + pandas | polars>=0.20.0, pandas>=2.2.0 |
| 数据验证 | pandera | >=0.18.0 |
| 机器学习 | scikit-learn + lightgbm | sklearn>=1.3.0, lightgbm>=4.0.0 |
| LLM 框架 | openai | >=1.0.0 |
| Agent 框架 | pydantic | pydantic>=2.0.0 |
| 可视化 | streamlit | >=1.20.0 |
| 文本处理 | nltk | >=3.8.0 |
## 许可证
MIT License
## 致谢
- 感谢 [DeepSeek](https://www.deepseek.com/) 提供的 LLM API
- 感谢 Kaggle 提供的 [Twitter US Airline Sentiment](https://www.kaggle.com/datasets/crowdflower/twitter-airline-sentiment) 数据集
- 感谢所有开源库的贡献者
## 联系方式
如有问题或建议，欢迎通过以下方式联系：
- 项目地址：[http://hblu.top:3000/MachineLearning2025/G05-Sentiment-Analysis-of-Aviation-Tweets](http://hblu.top:3000/MachineLearning2025/G05-Sentiment-Analysis-of-Aviation-Tweets)
- 邮箱：xxxxxxxxxx@gmail.com
---
**© 2026 航空推文情感分析系统 | 基于传统机器学习 + LLM + Agent**