从课堂到实战：一个计算机科学学生的情感分析仪表盘开发之旅

探索如何将课堂所学的AI基础知识转化为实际可用的情感分析系统，结合BERT微调模型与GPT-4o解释功能

• 原作者/维护者: Aishaakin
• 来源平台: GitHub
• 原始标题: Sentiment-Analysis-Dashboard
• 原始链接: https://github.com/Aishaakin/Sentiment-Analysis-Dashboard
• 发布时间: 2026年5月31日

在人工智能教育日益普及的今天，许多学生面临着一个共同的挑战：如何将课堂上学到的理论知识转化为实际可用的项目。这个情感分析仪表盘项目正是源于这样的学习需求。

项目作者是一名计算机科学专业的学生，在完成CSC 437（人工智能导论）课程后，萌生了将所学知识付诸实践的想法。这门课程涵盖了搜索算法、机器学习基础、神经网络等核心概念，但作者意识到，真正掌握这些知识需要动手构建一个完整的系统。

值得注意的是，作者此前在LinkedIn Learning上学习过AI和ML入门课程，但并未实际构建过项目。这种"学过但未实践"的经历在许多自学者中十分常见。这个项目的诞生，正是为了填补理论与实践之间的鸿沟。

该系统采用经典的分层架构，将模型推理、解释生成和Web服务清晰分离：

用户输入
    │
    ▼
┌─────────────────────────────────────────────┐
│           Flask Web 服务器                 │
└──────────┬──────────────────┬──────────────┘
           │                  │
           ▼                  ▼
    ┌─────────────────┐  ┌──────────────────┐
    │   PyTorch BERT  │  │   OpenAI GPT-4o │
    │  基于SST-2微调  │  │   解释与深度分析 │
    └────────┬────────┘  └────────┬─────────┘
             │                  │
             └────────┬─────────┘
                      ▼
            组合JSON响应
    { label, confidence, explanation }

1. BERT模型（本地推理）

系统使用Hugging Face的bert-base-uncased模型，并在SST-2（Stanford Sentiment Treebank）数据集上进行微调。这种选择兼顾了性能与可部署性——BERT在情感分析任务上表现优异，同时模型大小适中，可在普通服务器上运行。

2. GPT-4o（解释生成）

当BERT给出预测结果后，系统调用OpenAI的GPT-4o API生成人类可读的解释。例如，对于输入"这款新iPhone绝对令人难以置信，是我做过的最好的购买！"，GPT-4o会分析：""绝对令人难以置信"和"最好的购买"这些短语表达了强烈的积极情感，最高级语言暗示了高度满意。"

3. Flask（Web服务）

作为轻量级Python Web框架，Flask负责处理HTTP请求、渲染前端页面，并提供REST API端点（/api/analyze），便于与其他系统集成。

用户可以在Web界面输入任意文本，系统会立即返回：

• 情感标签: POSITIVE 或 NEGATIVE
• 置信度分数: 通过Softmax计算的概率分布
• 智能解释: GPT-4o生成的自然语言分析

对于需要处理大量数据的场景，系统支持CSV文件上传功能。用户可以上传包含数百条记录的CSV文件，系统会逐行分析并返回完整结果。这一功能对于市场调研、社交媒体监控等实际应用场景尤为重要。

除了Web界面，系统还提供/api/analyze端点，支持JSON格式的请求和响应。这意味着开发者可以轻松将此情感分析能力集成到自己的应用程序中，无论是移动应用、聊天机器人还是数据分析管道。