标题：Django+Vue 基于文本的情感分析：微博情绪倾向性研究

一、系统架构设计

1. 技术栈

   • 前端：Vue 3 + Element Plus + ECharts（情绪可视化）

   • 后端：Django + Django REST Framework（NLP服务API）

   • NLP核心：

     • 传统方法：SnowNLP/情感词典

     • 深度方法：BERT微调 + LSTM

   • 数据库：MySQL（结构化数据） + Redis（实时情绪指数缓存）

2. 分析流程

   图表

   代码

二、核心功能模块

1. 数据层

• 数据来源

  • 微博API/爬虫获取原始数据

  • 人工标注数据集（训练集）

• 文本预处理

  • 去噪（广告、特殊符号）

  • 分词（Jieba） + 停用词过滤

  • 表情符号情感映射（如😂→正面）

2. 情感分析层

• 分析方法

  • 词典法：

    • 领域词典扩展（网络用语如"yyds"）

    • 程度副词加权（"非常喜欢" vs "喜欢"）

  • 机器学习法：

    • 文本特征（TF-IDF/Word2Vec）

    • 分类算法（SVM/朴素贝叶斯）

  • 深度学法：

    • BERT微调（细粒度分类）

    • 情感强度预测（1-5星）

3. 可视化层

• 核心视图

  • 情绪分布饼图（积极/中性/消极）

  • 情绪趋势时间轴（关联热点事件）

  • 主题-情绪共现矩阵（LDA+情感标签）

  • 关键词词云（按情绪着色）

• 交互功能

  • 按话题筛选情绪分布

  • 下钻查看原始微博文本

4. 扩展分析

• 用户情绪画像（经常发负面情绪的用户）

• 地域情绪差异（结合GPS数据）

• 谣言情感特征分析（可选）

三、数据库设计（关键表）

四、创新点与毕业设计亮点

1. 领域适应性

   • 微博特有表情符号情感词典

   • 网络流行语情感权重优化

2. 技术深度

   • 多算法对比（词典 vs 机器学习 vs 深度学习）

   • 情绪演化追踪（结合时间序列分析）

3. 学术价值

   • 中文短文本情感分析挑战应对方案

   • 社交媒体情绪传播规律研究

五、扩展方向（可选）

• 实时情绪监测：WebSocket推送突发情绪波动

• 多模态分析：结合微博图片情感识别

• 影响力分析：KOL情绪传播路径追踪

六、交付物建议

1. 系统设计文档

   • 情感分析算法对比表

   • 数据清洗规则说明

2. 标注数据集样例

   • 500+条人工标注的微博文本（含情绪标签）

3. 可视化原型

   • 情绪看板高保真设计图（Figma/Axure）

4. 毕业论文重点

   • 第4章 中文短文本情感分析优化方法

   • 第5章 微博情绪与热点事件关联性分析

代码实现：