MachineLearning2025/T_Sentiment-Analysis-System-for-Aerial-Tweets

Go to file

张则文 2236f57242 上传文件至 /		2026-01-16 09:00:52 +08:00
data	上传文件至 data	2026-01-15 16:52:06 +08:00
models	上传文件至 models	2026-01-15 23:18:29 +08:00
src	Upload project to new repository	2026-01-16 08:57:08 +08:00
.gitignore	Upload project to new repository	2026-01-16 08:57:08 +08:00
pyproject.toml	Upload project to new repository	2026-01-16 08:57:08 +08:00
README.md	上传文件至 /	2026-01-16 09:00:52 +08:00
test_api_connection.py	Upload project to new repository	2026-01-16 08:57:08 +08:00
uv.lock	Upload project to new repository	2026-01-16 08:57:08 +08:00

README.md

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

# 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
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：

["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

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)
航空公司编码：使用 LabelEncoder 对航空公司名称进行编码
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？

多样性：不同类型的算法（线性、贝叶斯、树模型、梯度提升）
互补性：各有优势，相互补充
稳定性：集成学习减少单一模型的偏差和方差
性能：软投票通常比硬投票效果更好
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：

包含复杂情感表达的推文（如讽刺、反语）
混合多种情感的推文
包含大量特殊字符或缩写的推文
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：

接收用户提供的推文文本和航空公司信息
使用 predict_sentiment 工具进行情感分类预测
使用 explain_sentiment 工具解释分类结果并生成行动建议
使用 generate_response 工具生成针对性的回复建议
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：

{
  "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

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。
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。
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

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）。
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。
实时性：可以优化模型推理速度，实现实时情感分析功能。
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 提供的 LLM API
感谢 Kaggle 提供的 Twitter US 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
邮箱：xxxxxxxxxx@gmail.com

README.md Unescape Escape