RexUniNLU入门到精通：中文ABSA情感分析教程

RexUniNLU入门到精通：中文ABSA情感分析教程

想从一段评论里快速知道用户到底在夸什么、又在吐槽什么吗？比如“手机拍照很棒，但电池太差”，我们不仅想知道“拍照”和“电池”这两个评价对象，还想知道对应的观点“很棒”和“太差”，以及最终的情感是“正面”还是“负面”。这就是ABSA（属性情感分析）要干的事。

传统方法要么需要大量标注数据来训练，要么得用多个模型串起来，既麻烦效果还不一定好。今天要介绍的RexUniNLU镜像，让你用一个模型、一行命令，就能零样本搞定中文ABSA任务。它就像一个万能理解器，你只要告诉它你想找什么（定义好Schema），它就能从文本里给你精准地“挖”出来。

这篇教程，我会手把手带你从零开始，部署RexUniNLU，并用它来完成一个完整的中文ABSA情感分析项目。你会发现，原来做情感分析可以这么简单。

1. 环境准备与一键部署

1.1 理解RexUniNLU的核心优势

在开始动手之前，我们先搞清楚为什么选它。RexUniNLU不是一个专门为ABSA训练的模型，而是一个通用自然语言理解模型。它的强大之处在于“零样本”和“统一架构”。

• 零样本（Zero-Shot）：你不需要准备任何标注好的“手机评论”数据去训练它。你只需要用简单的JSON格式告诉模型：“我要找‘评价对象’、‘观点词’和‘情感极性’。”模型就能基于它强大的中文预训练知识，直接帮你从新文本里抽取出来。
• 统一架构：同一个模型，通过改变你给的“任务说明书”（Schema），就能完成实体识别、关系抽取、事件抽取等十几种任务。ABSA只是其中之一。这意味着你学会这一个工具，就解锁了一大片NLP能力。

它底层用的是DeBERTa-v2中文版，对中文语义理解很到位。而它的“大脑”是一种叫RexPrompt的机制，可以把它想象成一个非常善于遵循复杂指令的助手，你给的Schema越清晰，它完成得越好。

1.2 启动RexUniNLU服务

部署过程简单到超乎想象。因为我们已经有了一个封装好的Docker镜像，你不需要关心复杂的Python环境或依赖冲突。

确保你的服务器上已经安装了Docker，然后只需要执行一条命令：

# 启动RexUniNLU的WebUI服务，服务将在本地的7860端口运行 python3 /root/nlp_deberta_rex-uninlu_chinese-base/app_standalone.py

运行后，你会看到一些日志输出，当出现类似Running on local URL: http://0.0.0.0:7860的信息时，说明服务已经成功启动。

访问服务：打开你的浏览器，输入http://你的服务器IP地址:7860。你会看到一个简洁的Gradio交互界面。这个界面主要用于快速测试和体验。而我们接下来要做的，是学习如何以编程的方式调用它的核心能力，这样才能集成到你自己的应用里。

（可选）后台运行与停止：如果你想在后台长期运行服务，可以使用nohup或screen等工具。停止服务也很简单，找到对应的Python进程ID并终止即可。

# 查找进程ID ps aux | grep app_standalone # 终止进程 (将<PID>替换为实际的进程号) kill <PID>

服务起来后，我们的“情感分析引擎”就就绪了。接下来，我们来学习如何给它下达精准的指令。

2. ABSA任务核心：Schema设计与理解

如果把RexUniNLU比作一个万能挖掘机，那么Schema就是给它画好的藏宝图。Schema设计是成功的关键，它直接决定了模型能挖出什么。

2.1 基础ABSA Schema结构

对于一个标准的属性情感分析，我们通常关心三个要素：

1. 评价对象 (Aspect)：用户评价的是哪个实体或属性？例如“屏幕”、“电池”、“客服”。
2. 观点词 (Opinion)：用户用来描述该对象的具体词语是什么？例如“很清晰”、“太差”、“热情”。
3. 情感极性 (Sentiment)：这个观点的整体情感倾向是正面、负面还是中性？

对应的Schema定义如下：

{ "评价对象": null, "观点词": null, "情感极性": ["正面", "负面", "中性"] }

• "评价对象": null：这里的null表示这是一个需要模型去文本中识别和抽取的实体类型，模型会自由发现所有可能的评价对象。
• "情感极性": ["正面", "负面", "中性"]：这里提供了一个列表，表示这是一个分类标签。模型会为每个“评价对象-观点词”对，从这三个选项中选出一个最匹配的情感倾向。

2.2 进阶Schema设计技巧

基础结构能满足大部分需求，但真实场景可能更复杂。

场景一：层级化属性有些评价对象本身有层级关系。比如对一家餐厅的评论：“川菜很地道，但环境有点吵”。

• “川菜”属于“菜品”这个大类别。
• “环境”是一个独立类别。

我们可以设计更结构化的Schema：

{ "菜品": { "口味": null, "推荐菜": null }, "环境": null, "服务": null, "观点词": null, "情感极性": ["正面", "负面"] }

这样，模型不仅能抽取出“川菜”，还能将其归类到“菜品”下，并关联上“口味”这个更细的属性。

场景二：属性缺省标记#在ABSA任务中，有时文本中只表达了情感，但没有明确说出评价对象。例如：“太令人失望了！” 这时，我们可以使用#标记来定义一个“缺省”的评价对象。

{ "评价对象": ["#", "屏幕", "电池", "系统"], "观点词": null, "情感极性": ["正面", "负面"] }

当模型识别到强烈情感但无法对应到具体“屏幕”、“电池”时，可能会将评价对象归类为#（即“整体”或“未指定”）。

理解Schema设计后，我们就可以开始实战了。让我们写代码来调用这个强大的模型。

3. 实战编程：从调用到结果解析

我们将使用Python，通过模仿镜像内部的处理方式，来调用RexUniNLU模型。这里的关键是理解其预测函数。

3.1 准备调用环境

首先，确保你在镜像环境内，或者在一个安装了相应依赖（如transformers, torch等）的Python环境中。核心是找到模型的路径（/root/nlp_deberta_rex-uninlu_chinese-base）。

我们主要使用rex包中的Predictor类。下面是一个完整的调用示例：

import sys sys.path.append('/root/nlp_deberta_rex-uninlu_chinese-base') from rex import Predictor # 1. 初始化预测器 model_path = '/root/nlp_deberta_rex-uninlu_chinese-base' predictor = Predictor(model_path) # 2. 定义你的ABSA Schema absa_schema = { "评价对象": null, "观点词": null, "情感极性": ["正面", "负面"] } # 3. 准备待分析的文本 text = "这款手机的夜景拍照能力确实强悍，画面纯净噪点少，不过续航确实有点拉胯，一天要两充。" # 4. 执行预测 result = predictor.predict(text, schema=absa_schema) # 5. 打印结果 print("分析结果：") print(result)

3.2 代码分步解析与结果处理

运行上面的代码，你可能会得到类似这样的结构化输出：

{ "评价对象": ["夜景拍照能力", "画面", "噪点", "续航"], "观点词": ["强悍", "纯净", "少", "拉胯", "要两充"], "情感极性": ["正面", "正面", "正面", "负面", "负面"] }

如何解读这个结果？模型将文本中识别出的所有“评价对象”、“观点词”和“情感极性”分别放在了三个列表里。这里存在一个对齐问题：我们无法直接从结果中知道“续航”对应的观点词是“拉胯”还是“要两充”，或者它们是否共同指向“续航”。

这就是我们需要做的后处理——结果对齐。一个简单的对齐逻辑是基于词语在原文中的位置：

import re def align_aspect_opinion(text, result): """ 简单的基于位置的对齐方法。 返回列表，每个元素为 (评价对象, 观点词, 情感极性) """ aspects = result.get("评价对象", []) opinions = result.get("观点词", []) sentiments = result.get("情感极性", []) # 获取每个词在原文中的起始位置 aspect_positions = [(asp, m.start()) for asp in aspects for m in re.finditer(re.escape(asp), text)] opinion_positions = [(op, m.start()) for op in opinions for m in re.finditer(re.escape(op), text)] # 按位置排序并尝试配对（这是一个简化示例，真实场景需要更复杂的句法分析） # 这里假设列表顺序已大致对应 aligned_pairs = [] min_len = min(len(aspects), len(opinions), len(sentiments)) for i in range(min_len): aligned_pairs.append((aspects[i], opinions[i], sentiments[i])) return aligned_pairs # 使用对齐函数 pairs = align_aspect_opinion(text, result) for aspect, opinion, sentiment in pairs: print(f"评价对象：{aspect} | 观点：{opinion} | 情感：{sentiment}")

输出可能类似于：

评价对象：夜景拍照能力 | 观点：强悍 | 情感：正面 评价对象：画面 | 观点：纯净 | 情感：正面 评价对象：噪点 | 观点：少 | 情感：正面 评价对象：续航 | 观点：拉胯 | 情感：负面

通过后处理，我们得到了更容易理解和使用的结构化数据。

4. 完整项目案例：电商评论情感分析系统

现在，我们将前面学到的知识串联起来，构建一个微型的电商评论情感分析系统。这个系统会读取一批评论，生成分析报告。

4.1 项目结构

ecommerce_absa/ ├── config.py # 配置文件（模型路径、Schema定义） ├── analyzer.py # 核心分析器类 ├── main.py # 主程序入口 ├── data/ │ └── reviews.txt # 存放评论数据（每行一条） └── results/ └── report_*.json # 分析结果输出

4.2 核心代码实现

1. 配置文件 (config.py)

MODEL_PATH = '/root/nlp_deberta_rex-uninlu_chinese-base' # 针对电商评论定义的详细Schema ECOMMERCE_ABSA_SCHEMA = { "商品属性": { "外观": null, "屏幕": null, "性能": null, "拍照": null, "电池续航": null, "系统": null, "音质": null }, "服务体验": { "物流": null, "包装": null, "客服": null }, "观点词": null, "情感极性": ["强烈推荐", "推荐", "一般", "不推荐", "强烈不推荐"] }

2. 分析器类 (analyzer.py)

import json from rex import Predictor from config import MODEL_PATH, ECOMMERCE_ABSA_SCHEMA class EcommerceABSAnalyzer: def __init__(self): self.predictor = Predictor(MODEL_PATH) self.schema = ECOMMERCE_ABSA_SCHEMA def analyze_single(self, review_text): """分析单条评论""" try: raw_result = self.predictor.predict(review_text, schema=self.schema) # 调用内部的对齐与格式化方法 formatted_result = self._format_result(review_text, raw_result) return formatted_result except Exception as e: return {"error": str(e), "text": review_text} def _format_result(self, text, raw_result): """将原始结果格式化为更易读的结构""" # 此处应实现更完善的对齐逻辑，为简化，我们返回原始结果并添加文本 formatted = { "original_text": text, "analysis": raw_result } # 简单统计 if "情感极性" in raw_result: sentiments = raw_result["情感极性"] formatted["sentiment_summary"] = { "positive": sentiments.count("强烈推荐") + sentiments.count("推荐"), "neutral": sentiments.count("一般"), "negative": sentiments.count("不推荐") + sentiments.count("强烈不推荐") } return formatted def analyze_batch(self, review_list): """批量分析评论""" return [self.analyze_single(review) for review in review_list] def generate_report(self, batch_results, output_path): """生成分析报告""" summary = { "total_reviews": len(batch_results), "total_aspects": 0, "sentiment_distribution": {"positive": 0, "neutral": 0, "negative": 0} } detailed_results = [] for res in batch_results: if "error" not in res: detailed_results.append(res) if "sentiment_summary" in res: s = res["sentiment_summary"] summary["sentiment_distribution"]["positive"] += s["positive"] summary["sentiment_distribution"]["neutral"] += s["neutral"] summary["sentiment_distribution"]["negative"] += s["negative"] # 累加属性数量（简化处理） if "analysis" in res and "商品属性" in res["analysis"]: summary["total_aspects"] += len(res["analysis"]["商品属性"]) report = { "summary": summary, "details": detailed_results } with open(output_path, 'w', encoding='utf-8') as f: json.dump(report, f, ensure_ascii=False, indent=2) print(f"报告已生成：{output_path}") return report

3. 主程序 (main.py)

from analyzer import EcommerceABSAnalyzer import json from datetime import datetime def load_reviews(file_path): """从文件加载评论数据""" with open(file_path, 'r', encoding='utf-8') as f: reviews = [line.strip() for line in f if line.strip()] return reviews def main(): # 1. 初始化分析器 analyzer = EcommerceABSAnalyzer() print("电商评论情感分析系统已启动...") # 2. 加载数据 reviews = load_reviews('data/reviews.txt') print(f"共加载 {len(reviews)} 条评论。") # 3. 批量分析 print("开始分析评论...") batch_results = analyzer.analyze_batch(reviews[:10]) # 先分析前10条作为演示 # 4. 生成报告 timestamp = datetime.now().strftime("%Y%m%d_%H%M%S") report_path = f'results/report_{timestamp}.json' analyzer.generate_report(batch_results, report_path) # 5. 打印简要洞察 with open(report_path, 'r', encoding='utf-8') as f: report = json.load(f) summary = report['summary'] print("\n===== 分析简报 =====") print(f"分析评论数：{summary['total_reviews']}") print(f"提及商品属性总数：{summary['total_aspects']}") dist = summary['sentiment_distribution'] total_sent = dist['positive'] + dist['neutral'] + dist['negative'] if total_sent > 0: print(f"情感分布：正面 {dist['positive']} | 中性 {dist['neutral']} | 负面 {dist['negative']}") print(f"正面率：{dist['positive']/total_sent:.1%}") if __name__ == '__main__': main()

4.3 运行与效果

在data/reviews.txt中放入几条评论：

手机颜值很高，手感也不错，运行速度飞快。就是电池不太耐用，下午就没电了。 快递给力，第二天就到了。手机屏幕清晰，拍照效果比我旧手机好太多。客服回答问题很耐心。 有点失望，系统有点卡顿，玩游戏会发热。不过价格便宜，也算对得起这个价位。

运行python main.py，你会在results/文件夹下得到一个详细的JSON报告。报告不仅包含了每条评论的细粒度分析结果，还提供了整体的情感分布统计，让你一眼就能看清这批评论的总体口碑和主要关注点。

通过这个案例，你已经掌握了使用RexUniNLU构建一个实际可用的ABSA系统的全流程。从模型部署、Schema设计、代码调用到结果处理和系统集成，每一步都清晰可控。

5. 总结

回顾这篇教程，我们从零开始，完成了对RexUniNLU这个强大工具在中文ABSA任务上的探索：

1. 部署极简：一条命令启动服务，无需训练，开箱即用。
2. 核心在Schema：成功的关键在于设计出清晰、符合业务逻辑的Schema，它是指引模型准确挖掘信息的蓝图。
3. 编程调用灵活：通过Python直接调用核心预测函数，我们可以轻松地将ABSA能力集成到任何数据流水线或应用系统中。
4. 结果需后处理：模型输出的原始结果需要经过对齐和格式化，才能转化为真正易于理解和分析的结构化数据。
5. 实战出真知：通过构建一个电商评论分析系统，我们将所有知识点串联起来，展示了从想法到可运行原型的完整路径。

RexUniNLU的零样本能力极大地降低了情感分析的技术门槛和前期数据准备成本。虽然它在极端复杂或隐含语义的理解上可能仍有局限，但对于大多数明确的评价性文本，它已经能提供非常可靠且高效的解决方案。

希望这篇教程能成为你探索中文NLP世界的得力起点。试着用它去分析社交媒体评论、用户反馈、产品评价，你会发现，理解文本中的情感与观点，从未如此直接。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。