多标签文本情感分类：基于GoEmotions数据集的五种机器学习模型对比实验

越南学生团队的课程项目，针对多标签文本情感分类任务，对比了逻辑回归、LinearSVC、随机森林、1D CNN和Bi-LSTM五种算法在Google GoEmotions数据集上的性能表现，探讨了多标签场景下的技术挑战与优化策略。

自然语言处理领域中，情感分析已从二元分类演进到多维度识别。Google 2021年发布的GoEmotions数据集包含58,000条Reddit评论，标注28种细粒度情感类别。多标签分类面临独特挑战：一条文本可能同时携带多种情感标签，标签稀疏性和共现模式使传统方法难以直接套用。

项目采用端到端流水线架构：

1. 预处理：小写转换、特殊字符移除、分词、词形还原；
2. 词向量：TF-IDF（传统模型）、Word2Vec（深度学习模型）；
3. 分类模型：传统方法（逻辑回归OVR、LinearSVC OVR、随机森林）、深度学习方法（1D CNN、Bi-LSTM）；
4. 阈值优化：针对每个标签独立调优阈值以最大化F1分数。

定量评估：数据集存在极端类别不平衡，高频类别（如娱乐、感激、喜爱、中性）表现优异，低频类别（如悲伤、自豪）及语义边界模糊类别易混淆； 定性对比：

• 逻辑回归/LinearSVC：线性场景表现好，非线性语义组合处理弱；
• 随机森林：稳健处理矛盾情感；
• 1D CNN：局部特征提取强，短文本表现佳；
• Bi-LSTM：长距离语义依赖维护能力强，适合复杂混合情感。

实战测试：设计四个挑战性用例（多情感共存、矛盾语义、明确特征、复杂混合）模拟真实场景； 技术实现：采用Google Colab平台，Jupyter Notebook组织代码，支持GPU加速与实时演示，代码模块化便于复现。

项目对工业级系统的参考价值：

• 阈值调优是多标签场景的必要工程实践；
• 模型选择需权衡场景需求（CNN适合短文本、LSTM适合长文本、传统方法可解释性强）；
• 数据质量重于模型复杂度； 该项目为入门者提供了完整的多标签分类学习范例。