毕业设计题目：Django+Vue 基于文本的情感分析：微博情绪倾向性研究

一、 项目概述

本项目旨在构建一个针对微博平台的文本情绪分析研究系统。系统通过爬虫获取微博数据，利用深度学习模型（如LSTM, BERT）对微博文本进行细粒度的情感倾向性分析（如正面、负面、中性），并通过Vue前端提供丰富的交互式可视化，以研究公众情绪随时间、事件、地域的变化规律，为舆情监控、社会心态研究等提供数据支持。

二、 系统核心功能

1. 微博数据检索与分析：

   • 支持按关键词、话题、用户、时间范围检索微博。

   • 系统自动对检索到的微博进行情感分析，并展示总体情感分布（如饼图）。

2. 情感趋势追踪：

   • 对特定关键词或话题的情感倾向进行时间序列分析，以折线图展示其情绪变化趋势，并与热点事件关联。

3. 地域情绪分析：

   • 根据微博用户的地理信息（如IP属地、定位），在地图上展示不同地区的情感热度（如全国情绪热力图）。

4. 情感成因挖掘（词云）：

   • 分别生成正面微博和负面微博的关键词词云，直观展示引发不同情绪的核心词汇。

5. 模型管理与测试：

   • 管理员功能：允许上传、训练和切换不同的情感分析模型。

   • 在线测试：提供一个输入框，允许用户输入任意文本进行实时情感分析，并展示模型预测结果和置信度。

6. 数据导出：允许将分析结果（数据、图表）导出为报告。

三、 系统技术架构与模块设计

本项目采用前后端分离架构，后端负责核心算法与数据处理，前端负责交互与可视化。

text

[ 数据与算法层 ] -> [ 后端API层 (Django) ] -> [ 前端表现层 (Vue) ]
   微博爬虫          Django REST Framework     Vue 3 + Vite
   情感分析模型        (RESTful API)            Vue Router, Pinia
   (BERT/LSTM)        (JWT认证)                Element Plus
   数据库             (Celery异步任务)         ECharts / D3.js
 (MySQL/Redis)

1. 数据与算法层（核心）

• 数据获取：

  • 技术选型：使用 Scrapy 或 Selennium 爬取微博数据。特别注意遵守robots.txt和相关法律法规，仅用于科研目的。

  • 爬取字段：微博正文、发布时间、发布设备、用户昵称、用户IP属地、转发/评论/点赞数、话题等。

• 情感分析模型：

  • 方案一（快速部署）：使用预训练模型或第三方API，如 SnowNLP、百度NLP情感分析API、腾讯NLP。适合快速验证系统。

  • 方案二（展示能力）：自行构建和训练深度学习模型，这是毕业设计的亮点。

    • 模型选择：

      • LSTM/BI-LSTM + Attention：经典序列模型，能较好捕捉上下文，实现难度适中。

      • BERT (Finetuning)：当前SOTA水平。使用 Hugging Face 的 Transformers 库，在中文微博情感数据集上对预训练的BERT模型进行微调，能达到非常高的准确率。这是最推荐的做法。

    • 数据集：需寻找或自行标注微博情感数据集（如正面、负面、中性三分类）用于模型训练。

• 数据存储：

  • MySQL：存储结构化数据，如微博内容、用户信息、分析结果。

  • Redis：用作缓存，存储热点数据；同时作为Celery的Broker，管理异步任务队列。

2. 后端API层 (Django + Django REST Framework)

• 模型 (Models)：

  • WeiboPost: 微博数据表（content, publish_time, user, ip_region, likes...）。

  • SentimentResult: 情感分析结果表（weibo_post(外键), sentiment_label(正面/负面/中性), confidence(置信度), analysis_time）。与分析结果分离，便于模型更新。

  • AnalysisTask: 分析任务表（用于管理异步分析任务）。

• 视图 (Views - API Views)：

  • WeiboSearchAPIView: 接收前端搜索条件，从数据库查询微博，并返回（可分页）。

  • SentimentAnalysisAPIView: 核心接口。接收一批微博ID，调用情感分析服务，返回情感标签。由于模型预测耗时，此接口应设计为异步（Celery）。

  • TrendAnalysisAPIView: 处理情感趋势请求，按时间聚合情感结果，返回给前端绘图。

  • RealTimePredictAPIView: 提供单条文本的实时情感预测。

• 业务逻辑层 (Services)：

  • sentiment_analyzer.py: 核心模块。封装模型加载和预测逻辑。

    python

    class SentimentAnalyzer:
        def __init__(self, model_path):
            # 加载训练好的BERT模型和tokenizer
            self.model = TFAutoModelForSequenceClassification.from_pretrained(model_path)
            self.tokenizer = AutoTokenizer.from_pretrained(model_path)
        
        def predict(self, text):
            # 对文本进行编码、预测、返回标签和置信度
            inputs = self.tokenizer(text, return_tensors="tf", truncation=True, padding=True)
            outputs = self.model(inputs)
            probabilities = tf.nn.softmax(outputs.logits, axis=-1)
            # ... 后续处理
            return label, confidence

  • celery_tasks.py: 定义异步任务，如 analyze_batch_weibos_sentiment(weibo_id_list)。

3. 前端表现层 (Vue 3)

• 技术栈：Vue 3 + Vite + Pinia + Element Plus。

• 路由 (Vue Router)：管理页面路由，如首页、分析页面、模型管理页面。

• 状态管理 (Pinia)：管理用户Token、全局加载状态、当前分析结果等。

• UI组件：使用 Element Plus 构建布局、表单、表格等。

• 可视化：使用 ECharts 绘制：

  • 饼图：用于情感分布。

  • 折线图：用于情感趋势。

  • 地图：用于地域情绪分布（需地理编码）。

  • 词云：用于情感关键词。

运行结果展示：