一、项目介绍
本项目是一个基于Text-CNN深度学习模型的中文文本情感识别Web应用系统。系统采用前后端分离架构，后端使用Flask框架构建RESTful API，深度学习模型采用TensorFlow/Keras实现的Text-CNN卷积神经网络，前端框架支持跨平台访问。
系统核心功能包括用户注册登录、JWT身份认证、中文文本情感分析、批量预测处理以及历史记录管理等。系统使用jieba分词对中文文本进行预处理，通过训练好的Text-CNN模型对文本情感进行二分类判断（积极/消极），并提供直观的置信度可视化展示。系统支持用户角色管理（普通用户和管理员），实现了基于RBAC的权限控制机制，确保数据安全和用户隐私。系统采用SQLite数据库存储用户信息和预测历史，使用Flask-Migrate进行数据库版本管理，保证了系统的可维护性和可扩展性。
二、选题背景与意义
随着互联网技术的快速发展和社交媒体的普及，网络上产生了海量的文本数据，如用户评论、社交媒体帖子、产品评价等。这些文本数据中蕴含着丰富的情感信息，对于企业了解用户需求、改进产品服务、进行舆情监控等方面具有重要价值。传统的人工分析方式效率低下且成本高昂，无法满足大规模文本情感分析的需求，因此开发自动化的文本情感识别系统具有重要的现实意义。
本系统的设计和实现具有重要的理论意义和应用价值。在理论层面，探索了卷积神经网络在中文文本情感分析中的应用，验证了Text-CNN模型在中文情感二分类任务上的有效性。在应用层面，系统可应用于电商评论分析、社交媒体舆情监控、客户反馈分析等多个场景，为企业决策提供数据支持，具有广泛的实用价值。
三、关键技术栈：text-cnn
Text-CNN的模型结构主要包含四个部分：嵌入层（Embedding Layer）、卷积层（Convolutional Layer）、池化层（Pooling Layer）和全连接层（Fully Connected Layer）。在嵌入层，系统将预处理后的中文分词转换为密集的词向量表示，捕捉词语的语义信息。卷积层使用多个不同尺寸的卷积核（如3、4、5个词窗口）对文本进行卷积操作，提取文本的局部特征，类似于N-gram特征提取。池化层采用最大池化（Max Pooling）操作，从每个卷积核的输出中提取最重要的特征，降低特征维度并保留最显著的情感特征。全连接层将池化后的特征进行整合，通过Softmax激活函数输出分类概率。
四、技术架构图
五、系统功能模块图
