Local sentiment analysis upload.

SentimentAnalysisModel/WeiboSentiment_MachineLearning/README.md

@@ -0,0 +1,107 @@
+# 微博情感分析 - 传统机器学习方法
+
+## 项目介绍
+
+本项目使用5种传统机器学习方法对中文微博进行情感二分类（正面/负面）：
+
+- **朴素贝叶斯**: 基于词袋模型的概率分类
+- **SVM**: 基于TF-IDF特征的支持向量机  
+- **XGBoost**: 梯度提升决策树
+- **LSTM**: 循环神经网络 + Word2Vec词向量
+- **BERT+分类头**: 预训练语言模型接分类器（我认为也属于传统ML范畴）
+
+## 模型性能
+
+在微博情感数据集上的表现（训练集10000条，测试集500条）：
+
+| 模型 | 准确率 | AUC | 特点 |
+|------|--------|-----|------|
+| 朴素贝叶斯 | 85.6% | - | 速度快，内存占用小 |
+| SVM | 85.6% | - | 泛化能力好 |
+| XGBoost | 86.0% | 90.4% | 性能稳定，支持特征重要性 |
+| LSTM | 87.0% | 93.1% | 理解序列信息和上下文 |
+| BERT+分类头 | 87.0% | 92.9% | 强大的语义理解能力 |
+
+## 环境配置
+
+```bash
+pip install -r requirements.txt
+```
+
+数据文件结构：
+```
+data/
+├── weibo2018/
+│   ├── train.txt
+│   └── test.txt
+└── stopwords.txt
+```
+
+## 训练模型（后面可以不接参数直接运行）
+
+### 朴素贝叶斯
+```bash
+python bayes_train.py
+```
+
+### SVM
+```bash
+python svm_train.py --kernel rbf --C 1.0
+```
+
+### XGBoost
+```bash
+python xgboost_train.py --max_depth 6 --eta 0.3 --num_boost_round 200
+```
+
+### LSTM
+```bash
+python lstm_train.py --epochs 5 --batch_size 100 --hidden_size 64
+```
+
+### BERT
+```bash
+python bert_train.py --epochs 10 --batch_size 100 --learning_rate 1e-3
+```
+
+注：BERT模型会自动下载中文预训练模型（bert-base-chinese）
+
+## 使用预测
+
+### 交互式预测（推荐）
+```bash
+python predict.py
+```
+
+### 命令行预测
+```bash
+# 单模型预测
+python predict.py --model_type bert --text "今天天气真好，心情很棒"
+
+# 多模型集成预测
+python predict.py --ensemble --text "这部电影太无聊了"
+```
+
+## 文件结构
+
+```
+WeiboSentiment_MachineLearning/
+├── bayes_train.py           # 朴素贝叶斯训练
+├── svm_train.py             # SVM训练
+├── xgboost_train.py         # XGBoost训练
+├── lstm_train.py            # LSTM训练
+├── bert_train.py            # BERT训练
+├── predict.py               # 统一预测程序
+├── base_model.py            # 基础模型类
+├── utils.py                 # 工具函数
+├── requirements.txt         # 依赖包
+├── model/                   # 模型保存目录
+└── data/                    # 数据目录
+```
+
+## 注意事项
+
+1. **BERT模型**首次运行会自动下载预训练模型（约400MB）
+2. **LSTM模型**训练时间较长，建议使用GPU
+3. **模型保存**在 `model/` 目录下，确保有足够磁盘空间
+4. **内存需求**BERT > LSTM > XGBoost > SVM > 朴素贝叶斯