基于pytorch LSTM的对话情绪识别系统-毕业设计

视频地址：

https://www.bilibili.com/video/BV1tcqTBxE13/

项目简介

本项目是一个基于长短期记忆网络（LSTM）的中文对话情绪识别Web应用系统。用户可以通过Web界面输入中文对话文本，系统能够自动识别并分类文本所表达的情绪类别，同时展示各情绪类别的概率分布。

项目采用前后端分离架构，后端基于Python Flask框架和PyTorch深度学习框架实现，前端使用Bootstrap框架构建响应式界面。模型使用LSTM网络对中文文本进行情感分析，能够识别平静、开心、伤心、生气、惊讶、厌恶、疑问、关心共八种情绪类别。

本项目是毕业设计作品，完整实现了从数据预处理、模型训练、Web开发到部署上线的全流程，具有较高的工程实践价值。

功能特性

核心功能

1. 文本情感识别：用户输入中文文本，系统调用LSTM模型进行情感分析，返回预测的情绪类别和概率分布。

2. 随机样本测试：系统内置数据集，支持随机抽取已标注的对话文本进行测试，方便评估模型效果。

3. 概率可视化：以进度条形式直观展示各情绪类别的概率分布，帮助用户理解模型的判断依据。

4. 真实标签对比：随机抽取样本时显示真实标签，便于用户对比预测结果与真实标签的差异。

界面特性

1. 响应式设计：适配桌面端和移动端，在不同屏幕尺寸下都能正常显示和交互。

2. 现代化UI：采用紫色渐变配色方案，界面简洁美观，操作直观便捷。

3. 流畅交互：按钮悬浮动画、概率条动态效果，提升用户体验。

技术架构

后端技术

前端技术

模型架构

输入层 → 词嵌入层(32维) → LSTM层(64维) → Dropout(0.5) → 全连接层(8类) → Softmax

• 词嵌入层：将词汇表中的词索引转换为32维稠密向量
• LSTM层：单层LSTM，隐藏层维度64，捕捉序列的时序特征
• Dropout层：概率0.5，防止过拟合
• 全连接层：将64维隐藏状态映射到8个情感类别

目录结构

emotion_dialogue_classify/ ├── static/ # 静态资源目录 │ ├── css/ │ │ └── bootstrap.min.css # Bootstrap CSS（本地化） │ └── js/ │ └── axios.min.js # Axios库（本地化） ├── templates/ │ └── index.html # 前端页面模板 ├── app.py # Flask后端主程序 ├── model_state_dict.pth # 预训练模型参数 ├── vocabulary.pth # 词汇表文件 ├── train_model.ipynb # 模型训练代码（Jupyter Notebook） ├── Simplified_Chinese_Multi-Emotion_Dialogue_Dataset.csv # 训练数据集 ├── dataset_infos.json # 数据集元信息 ├── training_curve.png # 训练曲线图 ├── 数据集说明.md # 数据集详细说明 ├── 文档.md # 毕业设计完整文档 └── README.md # 项目说明文件

使用系统

1. 打开浏览器访问 http://localhost:5000
2. 在左侧文本框输入中文对话文本
3. 点击"开始识别"按钮
4. 右侧显示识别结果：预测情绪类别和概率分布

或者点击"随机抽取"按钮，系统从数据集中随机选择一条样本进行测试。

数据集说明

本系统使用简体中文多情感对话数据集，数据源自Johnson8187/Chinese_Multi-Emotion_Dialogue_Dataset，经过Qwen2.5-32B模型翻译为简体中文。

数据集统计

数据格式

数据集为CSV格式，包含两列：

• text：对话文本内容
• label：情绪类别标签

示例数据

模型性能

训练配置

性能指标

训练曲线

训练过程中记录了每轮的准确率和损失变化，训练曲线保存为training_curve.png文件。从曲线可以看出：

• 模型在约20轮后趋于收敛
• 训练集和测试集性能差距表明存在一定过拟合
• 学习率调度有效避免了训练后期的振荡

API接口

1. 主页

请求

GET /

响应：返回index.html页面

2. 情感识别

请求

POST /predict Content-Type: application/x-www-form-urlencoded text=今天天气真好

响应

{ "text": "今天天气真好", "result": [ {"emotion": "开心", "probability": 0.8532}, {"emotion": "平静", "probability": 0.0821}, {"emotion": "关心", "probability": 0.0315}, ... ], "top_emotion": "开心", "top_probability": 0.8532 }

3. 随机抽取

请求

GET /random

响应

{ "text": "你今天看起来心情不错啊", "true_label": "开心" }

项目亮点

1. 完整的机器学习流程：涵盖数据预处理、模型训练、模型评估、Web部署全流程。

2. 实用的中文NLP应用：针对中文文本特点，使用jieba分词处理中文语言。

3. 现代化的Web界面：采用响应式设计，视觉效果现代美观。

4. 本地化部署：所有静态资源本地化，不依赖外部CDN，可离线运行。

5. 代码结构清晰：模块化设计，代码注释完善，易于维护和扩展。

截图