StructBERT情感分析WebUI定制开发增加‘原因解释’字段输出功能1. 项目背景与需求如果你用过情感分析工具可能会发现一个普遍问题模型告诉你“这段文字是积极的”但你却不知道它为什么这么判断。这就像医生只告诉你“你生病了”却不告诉你病因一样让人心里没底。StructBERT作为中文情感分析领域的经典模型在识别情感倾向方面表现优秀。但现有的WebUI界面只输出情感标签和置信度缺少对判断依据的解释。在实际业务场景中比如分析用户评论、监控社交媒体情绪时我们不仅需要知道“是什么情绪”更需要知道“为什么是这个情绪”。今天我们就来为StructBERT情感分析WebUI增加一个“原因解释”功能。这个功能会分析文本中的关键情感词和表达方式告诉用户模型做出判断的具体依据。比如对于“这个产品质量很好但物流太慢了”这样的评论模型不仅要识别出“中性”情感还要解释“前半句积极质量好后半句消极物流慢”。2. 技术方案设计2.1 核心思路我们的目标不是重新训练模型而是在现有模型输出的基础上增加一个后处理分析层。这个分析层会提取情感关键词从文本中找出最能体现情感倾向的词语分析情感表达结构识别转折、并列、递进等关系生成解释性文本用自然语言描述判断依据集成到现有输出在原有情感标签和置信度基础上增加“原因解释”字段2.2 实现路径整个功能开发分为三个主要步骤情感关键词提取器基于词性和情感词典的方法情感结构分析器分析句子中的情感转折和对比解释文本生成器将分析结果转化为可读的解释3. 代码实现详解3.1 环境准备与项目结构首先我们需要在现有项目基础上添加新的功能模块。项目目录结构如下/root/nlp_structbert_sentiment-classification_chinese-base/ ├── app/ │ ├── main.py # API服务主文件 │ ├── webui.py # WebUI主文件 │ ├── model.py # 模型加载和预测 │ ├── explainer.py # 新增原因解释模块 │ └── utils.py # 工具函数 ├── data/ │ ├── sentiment_words.txt # 情感词典 │ └── transition_words.txt # 转折词词典 └── requirements.txt # 依赖包我们需要安装一些额外的Python包pip install jieba pip install synonyms3.2 情感关键词提取器实现explainer.py文件的核心部分——情感关键词提取import jieba import jieba.posseg as pseg from collections import defaultdict class SentimentExplainer: def __init__(self): 初始化情感解释器 # 加载情感词典 self.load_sentiment_dict() # 加载转折词词典 self.load_transition_dict() def load_sentiment_dict(self): 加载情感词典 self.positive_words set() self.negative_words set() # 这里可以扩展更多情感词典 # 基础情感词 base_positive [好, 优秀, 棒, 赞, 满意, 喜欢, 开心, 高兴] base_negative [差, 糟糕, 烂, 失望, 讨厌, 生气, 难过] self.positive_words.update(base_positive) self.negative_words.update(base_negative) # 从文件加载如果有 try: with open(data/sentiment_words.txt, r, encodingutf-8) as f: for line in f: word, sentiment line.strip().split(,) if sentiment positive: self.positive_words.add(word) elif sentiment negative: self.negative_words.add(word) except FileNotFoundError: print(情感词典文件未找到使用基础词典) def load_transition_dict(self): 加载转折词词典 self.transition_words {但是, 可是, 然而, 不过, 却, 尽管, 虽然} try: with open(data/transition_words.txt, r, encodingutf-8) as f: self.transition_words.update([line.strip() for line in f]) except FileNotFoundError: print(转折词词典文件未找到使用基础词典) def extract_keywords(self, text): 提取文本中的情感关键词 # 使用jieba进行分词和词性标注 words pseg.cut(text) keywords { positive: [], negative: [], transition: [] } for word, flag in words: # 检查是否为情感词 if word in self.positive_words: keywords[positive].append(word) elif word in self.negative_words: keywords[negative].append(word) # 检查是否为转折词 if word in self.transition_words: keywords[transition].append(word) return keywords3.3 情感结构分析器实现继续在explainer.py中添加情感结构分析功能class SentimentExplainer: # ... 之前的初始化代码 ... def analyze_structure(self, text, keywords): 分析文本的情感结构 segments [] current_segment [] current_sentiment None # 简单分词 words list(jieba.cut(text)) for word in words: # 检查是否为转折词 if word in keywords[transition]: # 保存当前片段 if current_segment: segments.append({ text: .join(current_segment), sentiment: current_sentiment }) current_segment [] current_sentiment None # 转折词单独作为一个片段 segments.append({ text: word, type: transition }) else: current_segment.append(word) # 判断当前词的情感倾向 if word in keywords[positive]: current_sentiment positive elif word in keywords[negative]: current_sentiment negative # 处理最后一个片段 if current_segment: segments.append({ text: .join(current_segment), sentiment: current_sentiment }) return segments def generate_explanation(self, text, sentiment_label, confidence, keywords, segments): 生成原因解释文本 explanation_parts [] # 1. 基于情感关键词的解释 if keywords[positive]: explanation_parts.append(f文本中包含积极词汇{, .join(keywords[positive])}) if keywords[negative]: explanation_parts.append(f文本中包含消极词汇{, .join(keywords[negative])}) # 2. 基于情感结构的解释 if len(segments) 1: segment_descriptions [] for seg in segments: if seg.get(type) transition: segment_descriptions.append(f转折词{seg[text]}) elif seg.get(sentiment): sentiment_desc 积极 if seg[sentiment] positive else 消极 segment_descriptions.append(f{seg[text]}{sentiment_desc}) else: segment_descriptions.append(f{seg[text]}) explanation_parts.append(f文本结构分析{ → .join(segment_descriptions)}) # 3. 基于置信度的解释 if confidence 0.8: confidence_desc 非常确定 elif confidence 0.6: confidence_desc 比较确定 else: confidence_desc 有一定把握 explanation_parts.append(f模型{confidence_desc}这是{sentiment_label}情感置信度{confidence:.2%}) # 组合所有解释部分 explanation 。.join(explanation_parts) 。 return explanation3.4 集成到现有模型预测修改model.py文件集成解释功能from .explainer import SentimentExplainer class SentimentModel: def __init__(self, model_path): 初始化模型和解释器 self.model self.load_model(model_path) self.tokenizer self.load_tokenizer(model_path) self.explainer SentimentExplainer() # 新增解释器 def predict_with_explanation(self, text): 带解释的预测 # 原始预测 inputs self.tokenizer(text, return_tensorspt, truncationTrue, max_length512) outputs self.model(**inputs) probabilities outputs.logits.softmax(dim1)[0] # 获取预测结果 sentiment_labels [消极, 中性, 积极] predicted_idx probabilities.argmax().item() sentiment sentiment_labels[predicted_idx] confidence probabilities[predicted_idx].item() # 生成解释 keywords self.explainer.extract_keywords(text) segments self.explainer.analyze_structure(text, keywords) explanation self.explainer.generate_explanation( text, sentiment, confidence, keywords, segments ) # 返回完整结果 return { text: text, sentiment: sentiment, confidence: confidence, probabilities: { 消极: probabilities[0].item(), 中性: probabilities[1].item(), 积极: probabilities[2].item() }, explanation: explanation, # 新增字段 keywords: keywords # 可选返回关键词信息 }4. WebUI界面升级4.1 修改WebUI显示界面更新webui.py文件在Gradio界面中显示解释信息import gradio as gr from model import SentimentModel # 初始化模型 model SentimentModel(/root/ai-models/iic/nlp_structbert_sentiment-classification_chinese-base) def analyze_sentiment(text): 分析单文本情感 if not text.strip(): return 请输入文本, , , {}, result model.predict_with_explanation(text) # 格式化显示 sentiment_display f情感倾向{result[sentiment]} confidence_display f置信度{result[confidence]:.2%} # 概率显示 prob_display \n.join([ f{label}: {prob:.2%} for label, prob in result[probabilities].items() ]) # 解释显示 explanation_display f原因解释{result[explanation]} return sentiment_display, confidence_display, prob_display, result[probabilities], explanation_display def batch_analyze(texts): 批量分析情感 texts_list [t.strip() for t in texts.split(\n) if t.strip()] results [] for text in texts_list: result model.predict_with_explanation(text) results.append({ 文本: text, 情感倾向: result[sentiment], 置信度: f{result[confidence]:.2%}, 原因解释: result[explanation] }) return results # 创建Gradio界面 with gr.Blocks(titleStructBERT情感分析增强版) as demo: gr.Markdown(# StructBERT中文情感分析系统) gr.Markdown(支持情感分析及原因解释功能) with gr.Tab(单文本分析): with gr.Row(): with gr.Column(): input_text gr.Textbox( label输入文本, placeholder请输入要分析的中文文本..., lines5 ) analyze_btn gr.Button(开始分析, variantprimary) with gr.Column(): sentiment_output gr.Textbox(label情感倾向) confidence_output gr.Textbox(label置信度) explanation_output gr.Textbox( label原因解释, lines3 ) probabilities_output gr.Textbox( label详细概率, lines3 ) analyze_btn.click( fnanalyze_sentiment, inputsinput_text, outputs[sentiment_output, confidence_output, probabilities_output, gr.State(), explanation_output] ) with gr.Tab(批量分析): with gr.Row(): with gr.Column(): batch_input gr.Textbox( label批量输入文本, placeholder每行输入一条文本..., lines10 ) batch_btn gr.Button(开始批量分析, variantprimary) with gr.Column(): batch_output gr.Dataframe( label分析结果, headers[文本, 情感倾向, 置信度, 原因解释] ) batch_btn.click( fnbatch_analyze, inputsbatch_input, outputsbatch_output ) with gr.Tab(使用说明): gr.Markdown( ## 功能说明 1. **单文本分析**输入一段文本获取情感倾向及原因解释 2. **批量分析**输入多行文本每行一条批量分析 ## 输出字段说明 - **情感倾向**积极、消极或中性 - **置信度**模型判断的把握程度 - **原因解释**模型做出判断的依据说明 - **详细概率**三种情感倾向的具体概率值 ## 示例 - 这个产品质量很好但物流太慢了 - 情感倾向中性 - 原因解释文本中包含积极词汇好。文本中包含消极词汇慢。文本结构分析这个产品质量很好积极 → 转折词但 → 物流太慢了消极。模型比较确定这是中性情感置信度75.00%。 ) # 启动服务 if __name__ __main__: demo.launch( server_name0.0.0.0, server_port7860, shareFalse )4.2 API接口升级更新main.py文件让API也支持解释功能from flask import Flask, request, jsonify from model import SentimentModel app Flask(__name__) model SentimentModel(/root/ai-models/iic/nlp_structbert_sentiment-classification_chinese-base) app.route(/health, methods[GET]) def health_check(): 健康检查 return jsonify({status: healthy, service: sentiment-analysis}) app.route(/predict, methods[POST]) def predict(): 单文本预测带解释 data request.json if not data or text not in data: return jsonify({error: 缺少text参数}), 400 text data[text] result model.predict_with_explanation(text) return jsonify(result) app.route(/batch_predict, methods[POST]) def batch_predict(): 批量预测带解释 data request.json if not data or texts not in data: return jsonify({error: 缺少texts参数}), 400 texts data[texts] if not isinstance(texts, list): return jsonify({error: texts必须是列表}), 400 results [] for text in texts: result model.predict_with_explanation(text) results.append(result) return jsonify({results: results}) if __name__ __main__: app.run(host0.0.0.0, port8080, debugFalse)5. 功能测试与验证5.1 测试不同场景的文本让我们测试几个典型例子看看解释功能的效果# 测试代码 test_cases [ 这个产品质量很好但物流太慢了, 服务态度非常棒解决问题很及时, 价格太贵了完全不值得购买, 产品一般般没什么特别的感觉, 虽然外观不错但是性能太差了而且客服态度也不好 ] for text in test_cases: result model.predict_with_explanation(text) print(f文本{text}) print(f情感{result[sentiment]}) print(f解释{result[explanation]}) print(- * 50)预期输出示例文本这个产品质量很好但物流太慢了 情感中性 解释文本中包含积极词汇好。文本中包含消极词汇慢。文本结构分析这个产品质量很好积极 → 转折词但 → 物流太慢了消极。模型比较确定这是中性情感置信度75.00%。5.2 WebUI界面效果启动升级后的WebUI服务cd /root/nlp_structbert_sentiment-classification_chinese-base python app/webui.py访问 http://localhost:7860你会看到单文本分析界面新增了原因解释显示框批量分析界面结果表格中新增原因解释列更丰富的输出不仅知道情感倾向还知道为什么5.3 API接口测试使用curl测试新的API接口# 测试单文本预测 curl -X POST http://localhost:8080/predict \ -H Content-Type: application/json \ -d {text: 这个产品质量很好但物流太慢了} # 测试批量预测 curl -X POST http://localhost:8080/batch_predict \ -H Content-Type: application/json \ -d {texts: [服务态度很好, 价格太贵了, 一般般]}API返回结果会包含新的explanation字段。6. 实际应用场景6.1 电商评论分析在电商平台用户评论往往包含复杂的情感表达。有了原因解释功能我们可以识别具体问题不只是知道用户不满意还能知道是物流问题还是质量问题量化改进方向统计哪些负面关键词出现频率高指导产品改进个性化回复根据具体问题生成更有针对性的客服回复6.2 社交媒体监控监控品牌在社交媒体上的口碑时追踪情绪变化不仅看情感倾向变化还看原因变化预警危机当特定负面关键词频繁出现时及时预警评估营销效果分析营销活动后用户反馈的具体内容6.3 客服质量评估分析客服对话记录识别服务痛点客户不满意的具体原因是什么评估客服表现客服是否有效解决了客户提到的问题培训指导基于具体案例进行客服培训7. 优化与扩展建议7.1 性能优化当前的解释功能基于规则和词典虽然直观但可能不够精准。可以考虑以下优化# 优化方向1引入更精准的情感分析 def enhance_sentiment_detection(self, text): 使用更复杂的方法增强情感检测 # 1. 考虑情感修饰词非常、特别、有点等 # 2. 考虑双重否定等复杂结构 # 3. 考虑上下文情感影响 pass # 优化方向2缓存机制 from functools import lru_cache class OptimizedExplainer(SentimentExplainer): lru_cache(maxsize1000) def extract_keywords(self, text): 缓存关键词提取结果 return super().extract_keywords(text)7.2 功能扩展根据实际需求可以进一步扩展功能多维度情感分析不仅分积极/消极还可以分析喜悦、愤怒、失望等具体情绪方面级情感分析针对产品不同方面价格、质量、服务分别分析情感情感强度量化用0-100分量化情感强度而不仅仅是分类时间序列分析分析情感随时间的变化趋势7.3 词典扩展为了提高解释的准确性需要不断丰富词典# 扩展情感词典 def extend_sentiment_dict(self): 自动扩展情感词典 # 1. 从现有数据中挖掘新情感词 # 2. 使用词向量找相似词 # 3. 定期更新词典 pass # 领域自适应 def domain_adaptation(self, domain_texts): 针对特定领域调整情感词典 # 分析领域文本调整词的情感权重 # 例如在餐饮领域辣可能是正面词在护肤领域可能是负面词 pass8. 部署与维护8.1 更新Supervisor配置如果使用Supervisor管理服务需要更新配置文件[program:nlp_structbert_webui_enhanced] command/root/miniconda3/envs/torch28/bin/python /root/nlp_structbert_sentiment-classification_chinese-base/app/webui.py directory/root/nlp_structbert_sentiment-classification_chinese-base autostarttrue autorestarttrue stderr_logfile/var/log/nlp_structbert_webui_enhanced.err.log stdout_logfile/var/log/nlp_structbert_webui_enhanced.out.log8.2 监控与日志添加解释功能的监控# 在explainer.py中添加日志 import logging logging.basicConfig( levellogging.INFO, format%(asctime)s - %(name)s - %(levelname)s - %(message)s ) logger logging.getLogger(__name__) class SentimentExplainer: def generate_explanation(self, text, sentiment_label, confidence, keywords, segments): 生成原因解释带日志 try: # ... 原有代码 ... logger.info(f为文本生成解释{text[:50]}...) return explanation except Exception as e: logger.error(f生成解释失败{str(e)}) return 原因解释生成失败8.3 定期更新建议定期更新情感词典根据新数据补充情感词优化规则根据错误案例调整分析规则性能监控监控解释功能的准确性和响应时间用户反馈收集收集用户对解释的反馈持续改进9. 总结通过为StructBERT情感分析WebUI增加原因解释功能我们实现了从知其然到知其所以然的升级。这个功能虽然基于相对简单的规则和词典但在实际应用中已经能够提供有价值的洞察。关键收获最小化改动我们没有修改核心模型而是在预测结果后添加解释层降低了风险实用性强解释功能让情感分析结果更可信、更有用易于扩展基于词典和规则的方法便于理解和调整用户体验提升用户不仅知道结果还知道为什么提高了工具的实用性下一步建议收集真实数据在实际使用中收集更多案例优化解释规则考虑深度学习如果规则方法遇到瓶颈可以考虑用小型模型生成解释多语言支持如果需要可以扩展支持其他语言可视化展示将解释结果用更直观的方式展示比如高亮关键词这个增强功能让StructBERT情感分析工具更加完整和实用。在实际业务中这样的解释能力往往比单纯的情感标签更有价值因为它提供了可操作的洞察而不仅仅是分类结果。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
StructBERT情感分析WebUI定制开发：增加‘原因解释’字段输出功能
StructBERT情感分析WebUI定制开发增加‘原因解释’字段输出功能1. 项目背景与需求如果你用过情感分析工具可能会发现一个普遍问题模型告诉你“这段文字是积极的”但你却不知道它为什么这么判断。这就像医生只告诉你“你生病了”却不告诉你病因一样让人心里没底。StructBERT作为中文情感分析领域的经典模型在识别情感倾向方面表现优秀。但现有的WebUI界面只输出情感标签和置信度缺少对判断依据的解释。在实际业务场景中比如分析用户评论、监控社交媒体情绪时我们不仅需要知道“是什么情绪”更需要知道“为什么是这个情绪”。今天我们就来为StructBERT情感分析WebUI增加一个“原因解释”功能。这个功能会分析文本中的关键情感词和表达方式告诉用户模型做出判断的具体依据。比如对于“这个产品质量很好但物流太慢了”这样的评论模型不仅要识别出“中性”情感还要解释“前半句积极质量好后半句消极物流慢”。2. 技术方案设计2.1 核心思路我们的目标不是重新训练模型而是在现有模型输出的基础上增加一个后处理分析层。这个分析层会提取情感关键词从文本中找出最能体现情感倾向的词语分析情感表达结构识别转折、并列、递进等关系生成解释性文本用自然语言描述判断依据集成到现有输出在原有情感标签和置信度基础上增加“原因解释”字段2.2 实现路径整个功能开发分为三个主要步骤情感关键词提取器基于词性和情感词典的方法情感结构分析器分析句子中的情感转折和对比解释文本生成器将分析结果转化为可读的解释3. 代码实现详解3.1 环境准备与项目结构首先我们需要在现有项目基础上添加新的功能模块。项目目录结构如下/root/nlp_structbert_sentiment-classification_chinese-base/ ├── app/ │ ├── main.py # API服务主文件 │ ├── webui.py # WebUI主文件 │ ├── model.py # 模型加载和预测 │ ├── explainer.py # 新增原因解释模块 │ └── utils.py # 工具函数 ├── data/ │ ├── sentiment_words.txt # 情感词典 │ └── transition_words.txt # 转折词词典 └── requirements.txt # 依赖包我们需要安装一些额外的Python包pip install jieba pip install synonyms3.2 情感关键词提取器实现explainer.py文件的核心部分——情感关键词提取import jieba import jieba.posseg as pseg from collections import defaultdict class SentimentExplainer: def __init__(self): 初始化情感解释器 # 加载情感词典 self.load_sentiment_dict() # 加载转折词词典 self.load_transition_dict() def load_sentiment_dict(self): 加载情感词典 self.positive_words set() self.negative_words set() # 这里可以扩展更多情感词典 # 基础情感词 base_positive [好, 优秀, 棒, 赞, 满意, 喜欢, 开心, 高兴] base_negative [差, 糟糕, 烂, 失望, 讨厌, 生气, 难过] self.positive_words.update(base_positive) self.negative_words.update(base_negative) # 从文件加载如果有 try: with open(data/sentiment_words.txt, r, encodingutf-8) as f: for line in f: word, sentiment line.strip().split(,) if sentiment positive: self.positive_words.add(word) elif sentiment negative: self.negative_words.add(word) except FileNotFoundError: print(情感词典文件未找到使用基础词典) def load_transition_dict(self): 加载转折词词典 self.transition_words {但是, 可是, 然而, 不过, 却, 尽管, 虽然} try: with open(data/transition_words.txt, r, encodingutf-8) as f: self.transition_words.update([line.strip() for line in f]) except FileNotFoundError: print(转折词词典文件未找到使用基础词典) def extract_keywords(self, text): 提取文本中的情感关键词 # 使用jieba进行分词和词性标注 words pseg.cut(text) keywords { positive: [], negative: [], transition: [] } for word, flag in words: # 检查是否为情感词 if word in self.positive_words: keywords[positive].append(word) elif word in self.negative_words: keywords[negative].append(word) # 检查是否为转折词 if word in self.transition_words: keywords[transition].append(word) return keywords3.3 情感结构分析器实现继续在explainer.py中添加情感结构分析功能class SentimentExplainer: # ... 之前的初始化代码 ... def analyze_structure(self, text, keywords): 分析文本的情感结构 segments [] current_segment [] current_sentiment None # 简单分词 words list(jieba.cut(text)) for word in words: # 检查是否为转折词 if word in keywords[transition]: # 保存当前片段 if current_segment: segments.append({ text: .join(current_segment), sentiment: current_sentiment }) current_segment [] current_sentiment None # 转折词单独作为一个片段 segments.append({ text: word, type: transition }) else: current_segment.append(word) # 判断当前词的情感倾向 if word in keywords[positive]: current_sentiment positive elif word in keywords[negative]: current_sentiment negative # 处理最后一个片段 if current_segment: segments.append({ text: .join(current_segment), sentiment: current_sentiment }) return segments def generate_explanation(self, text, sentiment_label, confidence, keywords, segments): 生成原因解释文本 explanation_parts [] # 1. 基于情感关键词的解释 if keywords[positive]: explanation_parts.append(f文本中包含积极词汇{, .join(keywords[positive])}) if keywords[negative]: explanation_parts.append(f文本中包含消极词汇{, .join(keywords[negative])}) # 2. 基于情感结构的解释 if len(segments) 1: segment_descriptions [] for seg in segments: if seg.get(type) transition: segment_descriptions.append(f转折词{seg[text]}) elif seg.get(sentiment): sentiment_desc 积极 if seg[sentiment] positive else 消极 segment_descriptions.append(f{seg[text]}{sentiment_desc}) else: segment_descriptions.append(f{seg[text]}) explanation_parts.append(f文本结构分析{ → .join(segment_descriptions)}) # 3. 基于置信度的解释 if confidence 0.8: confidence_desc 非常确定 elif confidence 0.6: confidence_desc 比较确定 else: confidence_desc 有一定把握 explanation_parts.append(f模型{confidence_desc}这是{sentiment_label}情感置信度{confidence:.2%}) # 组合所有解释部分 explanation 。.join(explanation_parts) 。 return explanation3.4 集成到现有模型预测修改model.py文件集成解释功能from .explainer import SentimentExplainer class SentimentModel: def __init__(self, model_path): 初始化模型和解释器 self.model self.load_model(model_path) self.tokenizer self.load_tokenizer(model_path) self.explainer SentimentExplainer() # 新增解释器 def predict_with_explanation(self, text): 带解释的预测 # 原始预测 inputs self.tokenizer(text, return_tensorspt, truncationTrue, max_length512) outputs self.model(**inputs) probabilities outputs.logits.softmax(dim1)[0] # 获取预测结果 sentiment_labels [消极, 中性, 积极] predicted_idx probabilities.argmax().item() sentiment sentiment_labels[predicted_idx] confidence probabilities[predicted_idx].item() # 生成解释 keywords self.explainer.extract_keywords(text) segments self.explainer.analyze_structure(text, keywords) explanation self.explainer.generate_explanation( text, sentiment, confidence, keywords, segments ) # 返回完整结果 return { text: text, sentiment: sentiment, confidence: confidence, probabilities: { 消极: probabilities[0].item(), 中性: probabilities[1].item(), 积极: probabilities[2].item() }, explanation: explanation, # 新增字段 keywords: keywords # 可选返回关键词信息 }4. WebUI界面升级4.1 修改WebUI显示界面更新webui.py文件在Gradio界面中显示解释信息import gradio as gr from model import SentimentModel # 初始化模型 model SentimentModel(/root/ai-models/iic/nlp_structbert_sentiment-classification_chinese-base) def analyze_sentiment(text): 分析单文本情感 if not text.strip(): return 请输入文本, , , {}, result model.predict_with_explanation(text) # 格式化显示 sentiment_display f情感倾向{result[sentiment]} confidence_display f置信度{result[confidence]:.2%} # 概率显示 prob_display \n.join([ f{label}: {prob:.2%} for label, prob in result[probabilities].items() ]) # 解释显示 explanation_display f原因解释{result[explanation]} return sentiment_display, confidence_display, prob_display, result[probabilities], explanation_display def batch_analyze(texts): 批量分析情感 texts_list [t.strip() for t in texts.split(\n) if t.strip()] results [] for text in texts_list: result model.predict_with_explanation(text) results.append({ 文本: text, 情感倾向: result[sentiment], 置信度: f{result[confidence]:.2%}, 原因解释: result[explanation] }) return results # 创建Gradio界面 with gr.Blocks(titleStructBERT情感分析增强版) as demo: gr.Markdown(# StructBERT中文情感分析系统) gr.Markdown(支持情感分析及原因解释功能) with gr.Tab(单文本分析): with gr.Row(): with gr.Column(): input_text gr.Textbox( label输入文本, placeholder请输入要分析的中文文本..., lines5 ) analyze_btn gr.Button(开始分析, variantprimary) with gr.Column(): sentiment_output gr.Textbox(label情感倾向) confidence_output gr.Textbox(label置信度) explanation_output gr.Textbox( label原因解释, lines3 ) probabilities_output gr.Textbox( label详细概率, lines3 ) analyze_btn.click( fnanalyze_sentiment, inputsinput_text, outputs[sentiment_output, confidence_output, probabilities_output, gr.State(), explanation_output] ) with gr.Tab(批量分析): with gr.Row(): with gr.Column(): batch_input gr.Textbox( label批量输入文本, placeholder每行输入一条文本..., lines10 ) batch_btn gr.Button(开始批量分析, variantprimary) with gr.Column(): batch_output gr.Dataframe( label分析结果, headers[文本, 情感倾向, 置信度, 原因解释] ) batch_btn.click( fnbatch_analyze, inputsbatch_input, outputsbatch_output ) with gr.Tab(使用说明): gr.Markdown( ## 功能说明 1. **单文本分析**输入一段文本获取情感倾向及原因解释 2. **批量分析**输入多行文本每行一条批量分析 ## 输出字段说明 - **情感倾向**积极、消极或中性 - **置信度**模型判断的把握程度 - **原因解释**模型做出判断的依据说明 - **详细概率**三种情感倾向的具体概率值 ## 示例 - 这个产品质量很好但物流太慢了 - 情感倾向中性 - 原因解释文本中包含积极词汇好。文本中包含消极词汇慢。文本结构分析这个产品质量很好积极 → 转折词但 → 物流太慢了消极。模型比较确定这是中性情感置信度75.00%。 ) # 启动服务 if __name__ __main__: demo.launch( server_name0.0.0.0, server_port7860, shareFalse )4.2 API接口升级更新main.py文件让API也支持解释功能from flask import Flask, request, jsonify from model import SentimentModel app Flask(__name__) model SentimentModel(/root/ai-models/iic/nlp_structbert_sentiment-classification_chinese-base) app.route(/health, methods[GET]) def health_check(): 健康检查 return jsonify({status: healthy, service: sentiment-analysis}) app.route(/predict, methods[POST]) def predict(): 单文本预测带解释 data request.json if not data or text not in data: return jsonify({error: 缺少text参数}), 400 text data[text] result model.predict_with_explanation(text) return jsonify(result) app.route(/batch_predict, methods[POST]) def batch_predict(): 批量预测带解释 data request.json if not data or texts not in data: return jsonify({error: 缺少texts参数}), 400 texts data[texts] if not isinstance(texts, list): return jsonify({error: texts必须是列表}), 400 results [] for text in texts: result model.predict_with_explanation(text) results.append(result) return jsonify({results: results}) if __name__ __main__: app.run(host0.0.0.0, port8080, debugFalse)5. 功能测试与验证5.1 测试不同场景的文本让我们测试几个典型例子看看解释功能的效果# 测试代码 test_cases [ 这个产品质量很好但物流太慢了, 服务态度非常棒解决问题很及时, 价格太贵了完全不值得购买, 产品一般般没什么特别的感觉, 虽然外观不错但是性能太差了而且客服态度也不好 ] for text in test_cases: result model.predict_with_explanation(text) print(f文本{text}) print(f情感{result[sentiment]}) print(f解释{result[explanation]}) print(- * 50)预期输出示例文本这个产品质量很好但物流太慢了 情感中性 解释文本中包含积极词汇好。文本中包含消极词汇慢。文本结构分析这个产品质量很好积极 → 转折词但 → 物流太慢了消极。模型比较确定这是中性情感置信度75.00%。5.2 WebUI界面效果启动升级后的WebUI服务cd /root/nlp_structbert_sentiment-classification_chinese-base python app/webui.py访问 http://localhost:7860你会看到单文本分析界面新增了原因解释显示框批量分析界面结果表格中新增原因解释列更丰富的输出不仅知道情感倾向还知道为什么5.3 API接口测试使用curl测试新的API接口# 测试单文本预测 curl -X POST http://localhost:8080/predict \ -H Content-Type: application/json \ -d {text: 这个产品质量很好但物流太慢了} # 测试批量预测 curl -X POST http://localhost:8080/batch_predict \ -H Content-Type: application/json \ -d {texts: [服务态度很好, 价格太贵了, 一般般]}API返回结果会包含新的explanation字段。6. 实际应用场景6.1 电商评论分析在电商平台用户评论往往包含复杂的情感表达。有了原因解释功能我们可以识别具体问题不只是知道用户不满意还能知道是物流问题还是质量问题量化改进方向统计哪些负面关键词出现频率高指导产品改进个性化回复根据具体问题生成更有针对性的客服回复6.2 社交媒体监控监控品牌在社交媒体上的口碑时追踪情绪变化不仅看情感倾向变化还看原因变化预警危机当特定负面关键词频繁出现时及时预警评估营销效果分析营销活动后用户反馈的具体内容6.3 客服质量评估分析客服对话记录识别服务痛点客户不满意的具体原因是什么评估客服表现客服是否有效解决了客户提到的问题培训指导基于具体案例进行客服培训7. 优化与扩展建议7.1 性能优化当前的解释功能基于规则和词典虽然直观但可能不够精准。可以考虑以下优化# 优化方向1引入更精准的情感分析 def enhance_sentiment_detection(self, text): 使用更复杂的方法增强情感检测 # 1. 考虑情感修饰词非常、特别、有点等 # 2. 考虑双重否定等复杂结构 # 3. 考虑上下文情感影响 pass # 优化方向2缓存机制 from functools import lru_cache class OptimizedExplainer(SentimentExplainer): lru_cache(maxsize1000) def extract_keywords(self, text): 缓存关键词提取结果 return super().extract_keywords(text)7.2 功能扩展根据实际需求可以进一步扩展功能多维度情感分析不仅分积极/消极还可以分析喜悦、愤怒、失望等具体情绪方面级情感分析针对产品不同方面价格、质量、服务分别分析情感情感强度量化用0-100分量化情感强度而不仅仅是分类时间序列分析分析情感随时间的变化趋势7.3 词典扩展为了提高解释的准确性需要不断丰富词典# 扩展情感词典 def extend_sentiment_dict(self): 自动扩展情感词典 # 1. 从现有数据中挖掘新情感词 # 2. 使用词向量找相似词 # 3. 定期更新词典 pass # 领域自适应 def domain_adaptation(self, domain_texts): 针对特定领域调整情感词典 # 分析领域文本调整词的情感权重 # 例如在餐饮领域辣可能是正面词在护肤领域可能是负面词 pass8. 部署与维护8.1 更新Supervisor配置如果使用Supervisor管理服务需要更新配置文件[program:nlp_structbert_webui_enhanced] command/root/miniconda3/envs/torch28/bin/python /root/nlp_structbert_sentiment-classification_chinese-base/app/webui.py directory/root/nlp_structbert_sentiment-classification_chinese-base autostarttrue autorestarttrue stderr_logfile/var/log/nlp_structbert_webui_enhanced.err.log stdout_logfile/var/log/nlp_structbert_webui_enhanced.out.log8.2 监控与日志添加解释功能的监控# 在explainer.py中添加日志 import logging logging.basicConfig( levellogging.INFO, format%(asctime)s - %(name)s - %(levelname)s - %(message)s ) logger logging.getLogger(__name__) class SentimentExplainer: def generate_explanation(self, text, sentiment_label, confidence, keywords, segments): 生成原因解释带日志 try: # ... 原有代码 ... logger.info(f为文本生成解释{text[:50]}...) return explanation except Exception as e: logger.error(f生成解释失败{str(e)}) return 原因解释生成失败8.3 定期更新建议定期更新情感词典根据新数据补充情感词优化规则根据错误案例调整分析规则性能监控监控解释功能的准确性和响应时间用户反馈收集收集用户对解释的反馈持续改进9. 总结通过为StructBERT情感分析WebUI增加原因解释功能我们实现了从知其然到知其所以然的升级。这个功能虽然基于相对简单的规则和词典但在实际应用中已经能够提供有价值的洞察。关键收获最小化改动我们没有修改核心模型而是在预测结果后添加解释层降低了风险实用性强解释功能让情感分析结果更可信、更有用易于扩展基于词典和规则的方法便于理解和调整用户体验提升用户不仅知道结果还知道为什么提高了工具的实用性下一步建议收集真实数据在实际使用中收集更多案例优化解释规则考虑深度学习如果规则方法遇到瓶颈可以考虑用小型模型生成解释多语言支持如果需要可以扩展支持其他语言可视化展示将解释结果用更直观的方式展示比如高亮关键词这个增强功能让StructBERT情感分析工具更加完整和实用。在实际业务中这样的解释能力往往比单纯的情感标签更有价值因为它提供了可操作的洞察而不仅仅是分类结果。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
